CN109343613B - 一种人工光型植物生长环境智能化控制系统及其控制方法 - Google Patents

Abstract

本发明公开了一种人工光型植物生长环境智能化控制系统及其控制方法，系统包括上位机、云服务器、监控节点、控制节点、环境数据采集节点、营养液数据采集节点，上位机与其所属的各个节点通过总线及以太网连接，上位机所属的各个节点物理上实现一个植物工厂，各个植物工厂通过上位机以太网连接到云服务器实现数据存储、分析及智能化控制。本发明能根据需求动态添加不定数量节点应对不同规模、不同需求植物工厂需要，对植物生长相关的多维参数进行采集，通过云服务器建模实现了植物生长过程二十四小时精确、智能的多维参数控制，在大大减少人工成本同时增加了产量。

Description

一种人工光型植物生长环境智能化控制系统及其控制方法

技术领域

本发明属于植物生长环境控制技术领域，具体涉及一种人工光型植物生长环境智能化控制系统及其控制方法。

背景技术

所谓植物工厂，指的是不受气候条件影响为了实现周年有计划的植物安全生产密闭式或半密闭式的环境调控设施。商业化人工光型(密闭式)植物工厂的占地面积一般为300～3000m²，占地面积为1000m²的人工光型植物工厂若采用10层栽培架，以生菜为例每天的采收量约为7000株，每年能生产25万株生菜，该生产规模相当于同样占地面积陆地栽培的100倍；不仅如此，植物工厂还可以解决以下问题：

(1)土地资源的匮乏、土地污染问题突出，市民对农产品的安全优质、稳定价格的期待越来越高。

(2)批量生产高质量高附加值的药用、观赏类绿色植物。

(3)寒冷、热带和干旱地区对于蔬菜周年稳定供给的需求日益增长，这些地区对其自给蔬菜和水果的市场需求越来越大。

(4)干旱地区对节水栽培的需求十分迫切，人工光型植物工厂的灌溉水用量只有露地栽培的1/50。

(5)地产地销将带来食品里程的缩减，这种需求日益扩大，通过在城市生活区设置人工光型植物工厂，可以减少生产地与消费地距离，减少长途运输所需的时间成本、能源成本和包装成本。

当前世界上植物工厂的生产系统根据光照来源的不同分为自然光利用型、人工光利用型、自然光-人工光混合利用型的三大类：自然光利用型植物工厂利用自然光，厂房为大型玻璃温室或连栋塑料温室，室内设置各种环境因子的监测和调控设备，这类植物工厂多少受到自然条件的影响，种植植物类型也有一定程度限制，其最大难题是如何实现夏季降温与冬季加温的低成本和低能耗；人工光利用型植物工厂对植物照明灯进行光照调控以满足相应植物的照明需求；自然光-人工光混合利用型利用自然光，且在阴天光照不足或者夜间时通过植物补光灯为植物补充光照，由于利用了自然光，能够比人工光利用型工厂花费的照明成本更低，但因为利用了人工光，能够比自然光利用型工厂提供更快的生产效率；但是，由于需要自然光射入厂房，其厂房大多也为大型玻璃温室或连栋塑料温室，也存在与自然利用型工厂相同的种植植物类型受限、空间利用率低、夏季降温和冬季降温的成本高等问题。为了实现全年连续生产、提供反季绿色蔬菜、多植物类型种植和大空间利用率等目的，目前更倾向于通过人工光利用型工厂使用人工光来实现植物的照明需求。

现有人工光利用型植物工厂建设正处于起步阶段，规模小、成本高、控制参数单一、培育过程不够智能，无法实现全自动培育。自2009年“发展绿色低碳”被列入韩国国家战略发展规划以来，以此为契机，韩国植物工厂技术研发进展比日本更为迅速，植物工厂的出口、植物生长促进用LED光照技术、无农药蔬菜栽培技术等均被作为热点研发课题，但所有的人工光型植物工厂的占地面积都在300m²以下，而且处于试验或开发阶段。2017年6月某企业在北京建设了占地200m²的植物工厂组培及无糖实验室，其植物工厂的规模较小，操作人员虽然可以监控植物生长各项环境参数，但是各项控制仍需手动操作。

发明内容

鉴于上述，本发明提供了一种人工光型植物生长环境智能化控制系统及其控制方法，能够对植物生长相关的环境的温度、湿度、CO₂浓度、光照强度和营养液的温度、PH值、电导率、液位、溶解氧浓度等数据进行采集，并通过云服务器进行建模，在实现了植物生长过程二十四小时精确、自动多维控制的基础上进行智能化控制。

一种人工光型植物生长环境智能化控制系统，包括云服务器以及多家植物工厂，所述植物工厂包含一台上位机和多个节点，各节点与上位机通信连接，这些节点按功能分为监控节点、控制节点、环境数据采集节点、营养液数据采集节点四类；其中：所述控制节点用于负责对环境设备进行调控；所述环境数据采集节点用于采集环境温度、湿度、CO₂浓度、光照数据并通过上位机上传至云服务器；所述监控节点用于对植物生长过程进行实时监控和记录；所述营养液数据采集节点用于采集营养液温度、PH值、电导率、溶解氧浓度、液位数据并通过上位机上传至云服务器；所述上位机用于负责相关控制指令下发并将各节点状态及数据上传至云服务器。

进一步地，上位机与云服务器之间、上位机与监控节点之间均通过以太网通信连接，上位机与控制节点、环境数据采集节点、营养液数据采集节点之间均通过485总线通信连接。

进一步地，所述上位机通过账户管理其所在植物工厂中的节点，用户根据不同需求通过动态添加的方式添加节点。

进一步地，所述控制节点负责的环境设备包括：环境的光照系统、加湿装置、冷暖型空调装置、新风装置、风机设备、CO₂供应设备、营养液的循环装置、消毒装置、PH调节装置、浓度调节装置、温控装置、混匀装置、过滤装置、增氧装置、进液装置。

进一步地，所述环境数据采集节点将采集到的数据实时显示并保存到本地数据库，定期上传到云服务器，同时环境数据采集节点通过点对点或多对点的方式与特定的控制节点相绑定。

进一步地，所述营养液数据采集节点将采集到的数据实时显示并保存到本地数据库，定期上传到云服务器，同时营养液数据采集节点通过点对点的方式与特定的控制节点相绑定。

进一步地，所述云服务器作为数据中枢对各植物工厂数据汇总后对各类植物建模，通过数据分析及开源机器学习系统TensorFlow实现植物培育过程的智能优化。

进一步地，基于上述人工光型植物生长环境智能化控制系统的控制方法，具体过程如下：

(1)由上位机对并完成初始化自检的控制节点进行数据读取，进而从本地数据库读取相关控制节点的设置参数；

(2)若设定为智能控制模式，则利用监控节点对植物进行图像采集，并对图像进行预处理后输入至云服务器所训练得到的决策模型，输出得到关于植物生长情况的多个评价参数；

(3)上位机读取环境数据采集节点和营养液数据采集节点的数据，并根据评价参数和设置参数对相关控制节点进行控制，即向控制节点下发相关控制指令。

进一步地，所述步骤(2)中的决策模型由云服务器负责训练得到，其通过获取监控节点、环境数据采集节点、营养液数据采集节点的数据，并对数据进行预处理后得到大量样本，进而利用样本通过开源机器学习系统TensorFlow进行训练，得到关于植物生长情况的决策模型，该模型从输入到输出五个卷积层、一个最大池化层、两个全连接层和一个输出层组成，前两个卷积层后面均附带有池化层用以减少数据量。

本发明人工光型植物生长环境智能化控制系统能根据需求动态添加不定数量节点应对不同规模、不同需求植物工厂需要，对植物生长相关的多维参数进行采集，通过云服务器建模实现了植物生长过程二十四小时精确、智能的多维参数控制。由于在植物工厂的密闭环境下生产绿色植物，产品附着细菌和虫害的概率可以降到室外种植的1/100，因此本发明可以大大提高蔬菜瓜果的保鲜期并可以实现无农药栽培。本发明对营养液实行循环利用，灌溉所需用水可以降到室外种植的1/50，实现了资源的节约和可持续发展；本发明更易保证绿色植物产品的高品质而不受外界气候条件的影响；本发明可以通过环境调控促进植物的光合作用和生长发育达到最高的生长效率，栽培周期可以缩短到常规的1/2～1/3，产量可以室外种植几十倍甚至上百倍，在提高了产量的同时大大减少了人工成本。

附图说明

图1为本发明控制系统的结构示意图。

图2为本发明控制系统的智能控制流程示意图。

图3为植物生长情况智能决策模型的结构示意图。

图4为控制节点的结构示意图。

图5为环境数据采集节点的结构示意图。

图6为营养液数据采集节点的结构示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

如图1所示，本发明人工光型植物生长环境智能化控制系统包括云服务器102以及通过以太网连接到云服务器102的多个植物工厂100a、100b…；以植物工厂100a为例，其包括上位机101a、多个监控节点103a、103b…、多个控制节点104a、104b…、多个环境数据采集节点105a、105b…、多个营养液数据采集节点106a、106b…；上位机101a与云服务器102通过以太网连接，上位机101a与监控节点103a、103b通过以太网连接实时采集视频数据，上位机101a与控制节点104a、104b、环境数据采集节点105a、105b、营养液数据采集节点106a、106b通过485总线连接。

上位机101a作为控制及采集主体实现了相关控制指令下发及各个节点数据采集功能并将各个节点状态及数据上传云服务器102，上位机101a通过账户管理本地节点，用户根据不同需求通过动态添加的方式添加节点。监控节点103a、103b采用标准的以太网POE摄像头实现，用于植物生长过程实时监控和记录。控制节点104a、104b，内部模块组成如图4所示，功能包括对以下模块的控制：环境的光照系统、加湿装置、冷暖型空调装置、新风装置、风机设备、CO₂供应设备、营养液的循环装置、消毒装置、PH调节装置、浓度调节装置、温控装置、混匀装置、过滤装置、增氧装置、进液装置等。环境数据采集节点105a、105b，内部模块组成如图5所示，用于采集环境温度、湿度、CO₂浓度、光照数据，该数据实时采集显示并保存到本地数据库，定期上传到云服务器102，环境数据采集节点105a、105b可以通过点对点、多对点方式绑定到特定控制节点。营养液数据采集节点106a、106b，内部模块组成如图6所示，用于采集营养液温度、PH值、电导率、溶解氧浓度及液位数据，该数据实时采集显示并保存到本地数据库，定期上传到云服务器102，营养液数据采集节点106a、106b只能通过点对点方式绑定到特定控制节点。云服务器102作为数据中枢对各植物工厂数据汇总对各类植物建模，通过数据分析及TensorFlow开源机器学习系统实现植物培育过程的智能优化。

如图2所示，上位机的智能控制执行过程具体如下：

开始201后，控制系统首先读取控制节点202，对所有已通过总线连接到上位机并完成初始化自检的控制节点进行读取并连接；

读取设置参数204，通过本地数据库203读取相关节点的设置参数；

判断是否智能控制模式205，读取节点模式设置参数判断节点是否进入智能控制模式，如果是则进行后续操作，如果不是则直接进行手动控制223；

采集图像207，进入智能控制模式后通过采集节点绑定的监控节点206进行图像采集用于判断植物生长情况；

数据预处理208，对采集的图像进行归一化处理排除干扰以提高图像识别准确性；

图像导入决策模型215，将采集图像导入决策模型以对植物生长情况的多个参数进行智能决策评估，209～214为植物生长情况智能决策模型的训练过程：

手动采集数据209和监控节点数据210，为模型提供训练样本；

标注训练数据集和验证数据集211，对样本进行标注以进行后续训练不断降低模型的错误率以及验证模型准确性；

数据预处理212，对图像数据进行归一化处理排除干扰；

数据增强213，随机从原始图像256×256的原始图像中截取224×224的大小区域，不仅可以大大增加数据量而且可以大大减轻模型过拟合，提高模型的泛化能力；

训练植物生长情况智能决策模型214，利用google云服务器部署tensorflow人工智能学习系统训练植物生长情况智能决策模型。

植物生长情况智能决策模型如图3所示，首先是第一个卷积层301，卷积核302的尺寸为11×11，颜色通道为3，卷积核的数量为64，之后对卷积核进行步长为4×4卷积操作，因此卷积核在移动过程中会生成55×55×96个卷积后的像素层303。在第一个卷积层之后有一个池化层有效减少数据量，池化尺寸为3×3，取样步长为2×2。第二个卷积层303的大部分结构和第一个卷积层相同，主要区别在于我们设置卷积核304的尺寸为5×5，输入通道为64，卷积核数量为192。卷积的步长设为1，即进行全图像扫描。在第二个卷积层之后同样进行池化层池化处理，参数和上层池化层完全一致。第三个卷积层305的卷积核306尺寸设置为3×3，输入通道为192，卷积核数量扩大为384，同时卷积的步长设为1。第四个卷积层307的卷积核308尺寸设置为3×3，输入通道384，卷积核数量降为256，同时卷积的步长设为1。第五个卷积层309的卷积核310尺寸设置为3×3，输入通道为256，卷积核数量也为254，同时卷积的步长设为1。在第五个卷积层309之后还有一个最大池化层311，这个池化和前两个池化层一致，最后返回池化层输出到全连接层312。全连接层312的4096个数据与全连接层313的4096个神经元进行全连接，然后经由relu激活函数进行处理后生成4096个数据，再经过dropout层处理后输出4096个数据。全连接层313输出的4096个数据与第九层314的729个神经元进行全连接，经过训练后输出被训练数值。729个神经元分别表示植物的不同生长状态包括:植物的水量评价等级(3种)、植物的温度评价等级(3种)、植物的光照评价等级(3种)、植物的营养元素评价等级(27种，大量元素、中量元素、微量元素等级)。

继续参照图2，上位机智能控制执行过程，图像导入决策模型215通过输入拍摄的植物事实图像到人工智能决策模型214中进行决策分析后对植物生长状态进行多维度分析包括：水量和湿度等级评价216、温度等级评价217、光照等级评价218、营养元素等级评价219；

判断系统是否绑定了相应的采集节点220，若是系统首先会通过绑定的采集节点221读取实施采集数据222，然后根据设置的参数、智能决策的评价等级和采集节点的数据进行综合决策控制224从而实现智能化控制，最终结束226；

若系统未绑定相应节点，则系统仅根据设置参数和智能决策的评价等级进行智能化控制225。

上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (1)

1.一种人工光型植物生长环境智能化控制系统的控制方法，所述控制系统包括云服务器以及多家植物工厂，所述植物工厂包含一台上位机和多个节点，各节点与上位机通信连接，这些节点按功能分为监控节点、控制节点、环境数据采集节点、营养液数据采集节点四类；其中：所述控制节点用于负责对环境设备进行调控；所述环境数据采集节点用于采集环境温度、湿度、CO₂浓度、光照数据并通过上位机上传至云服务器；所述监控节点用于对植物生长过程进行实时监控和记录；所述营养液数据采集节点用于采集营养液温度、PH值、电导率、溶解氧浓度、液位数据并通过上位机上传至云服务器；所述上位机用于负责相关控制指令下发并将各节点状态及数据上传至云服务器；

所述控制方法的具体步骤如下：

(1)由上位机对完成初始化自检的控制节点进行数据读取，进而从本地数据库读取相关控制节点的设置参数；

(2)若设定为智能控制模式，则利用监控节点对植物进行图像采集，并对图像进行预处理后输入至云服务器所训练得到的决策模型，输出得到关于植物生长情况的多个评价参数；

所述决策模型由云服务器负责训练得到，其通过获取监控节点、环境数据采集节点、营养液数据采集节点的数据，并对数据进行预处理后得到大量样本，进而利用样本通过开源机器学习系统TensorFlow进行训练，得到关于植物生长情况的决策模型，该模型从输入到输出由五个卷积层D1～D5、一个最大池化层、两个全连接层H1～H2和一个输出层依次连接组成，前两个卷积层后面均附带有池化层用以减少数据量；

所述卷积层D1中的卷积核尺寸为11×11，输入通道为3，卷积核数量为64，对卷积核进行步长为4×4的卷积操作，卷积层D1附带的池化层尺寸为3×3，取样步长为2×2；所述卷积层D2中的卷积核尺寸为5×5，输入通道为64，卷积核数量为192，卷积步长为1，卷积层D2附带的池化层尺寸为3×3，取样步长为2×2；所述卷积层D3中的卷积核尺寸为3×3，输入通道为192，卷积核数量为384，卷积步长为1；所述卷积层D4中的卷积核尺寸为3×3，输入通道为384，卷积核数量为256，卷积步长为1；所述卷积层D5中的卷积核尺寸为3×3，输入通道为256，卷积核数量为256，卷积步长为1；

所述最大池化层的尺寸为3×3，取样步长为2×2，输出至全连接层H1；所述全连接层H1的4096个数据与全连接层H2中的4096个神经元进行全连接，然后经由Relu激活函数处理后生成4096个数据，全连接层H2生成的4096个数据经过dropout处理后与输出层中的729个神经元进行全连接，经过训练后输出关于植物生长情况的多个评价参数；

(3)上位机读取环境数据采集节点和营养液数据采集节点的数据，并根据评价参数和设置参数对相关控制节点进行控制，即向控制节点下发相关控制指令。

Images