CN118541724A - 使用计算机视觉和人工智能来优化杂交生长环境中的生长过程 - Google Patents

使用计算机视觉和人工智能来优化杂交生长环境中的生长过程 Download PDF

Info

Publication number
CN118541724A
CN118541724A CN202280088182.5A CN202280088182A CN118541724A CN 118541724 A CN118541724 A CN 118541724A CN 202280088182 A CN202280088182 A CN 202280088182A CN 118541724 A CN118541724 A CN 118541724A
Authority
CN
China
Prior art keywords
plant
plants
growth
control unit
period
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202280088182.5A
Other languages
English (en)
Inventor
布莱恩·B·恩古耶恩
戴夫·沃斯堡
亚历山大·弗朗西斯
塞思·斯旺森
凯特·克罗斯比
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Local Bondi Operations LLC
Original Assignee
Local Bondi Operations LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Local Bondi Operations LLC filed Critical Local Bondi Operations LLC
Publication of CN118541724A publication Critical patent/CN118541724A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
    • A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
    • A01G9/26—Electric devices
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G15/00—Devices or methods for influencing weather conditions
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G25/00—Watering gardens, fields, sports grounds or the like
    • A01G25/16—Control of watering
    • A01G25/167—Control by humidity of the soil itself or of devices simulating soil or of the atmosphere; Soil humidity sensors
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • A01G7/04—Electric or magnetic or acoustic treatment of plants for promoting growth
    • A01G7/045—Electric or magnetic or acoustic treatment of plants for promoting growth with electric lighting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Ecology (AREA)
  • Atmospheric Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Soil Sciences (AREA)
  • Quality & Reliability (AREA)
  • Water Supply & Treatment (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Botany (AREA)
  • Forests & Forestry (AREA)
  • Cultivation Of Plants (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种用于优化杂交生长环境中的植物生长的方法可以实现人工智能来测量和改变植物生物特征。自变量可以由控制单元通过操纵生长环境中的各种控制系统来改变。可以测量因变量，并且可以与对因变量的改变相关联地记录因变量的响应。历史数据库可以存储关于变量的数据，并且可以由一个示例性实施方式引用和更新。控制单元可以基于目标值或结果来优化一个或多个变量或参数。一个示例性杂交生长环境可以包括一个或多个垂直生长时期和水平时期。这些时期可以实现各种浇水系统，并且可以是水培的，可以是完整的CEA，使用自然光、人造光和/或补充光照的混合物。

Description

使用计算机视觉和人工智能来优化杂交生长环境中的生长 过程
相关领域的交叉引用
本专利申请要求于2022年11月8日提交的标题为“使用计算机视觉和人工智能来优化杂交生长环境中的生长过程”的美国非临时专利申请第17/982,631号和于2021年11月8日提交的标题为“使用计算机视觉和人工智能来优化杂交生长环境中的生长过程”的美国临时专利申请第63/277,028号的权益和优先权，其通过引用并入到本公开中。
技术领域
示例性的实施方式涉及农业领域。
背景技术
传统农业存在许多问题。通常需要大面积的空间和大量的水。受控环境农业(CEA)的出现解决了这些问题。CEA可以减少多达90％的用水和土地。此外，这允许365天的生长季节。与传统农业相比，CEA具有明显更小的占地面积和明显更高的产量。可以精确地指定诸如光和其他环境条件的因素的受控环境的使用给予了这样的改进。
然而，CEA仍然面临许多挑战。例如，存在作物歉收的风险以及害虫和病原体爆发的高风险。此外，这些农场通常在其可以种植什么产品方面不太灵活。它们可能需要更高的资本支出和操作费用。此外，传统农场将幼苗分散种植，以使它们能够在适当大的空间内生长。因此，存在大量未使用的“空白空间”，只有当植物成熟时才会使用。为了最大限度地提高效率，一些CEA农场设施可能会实施垂直种植，其中作物以垂直堆叠的层的方式生长。在垂直农场中，金属反射器和LED灯取代了这些密集堆积的农场中的自然光。垂直种植产生的每平方英尺的产量高，同时由于水培种植技术的实施，所需水量也更少。然而，垂直种植仍然面临挑战，如作物歉收风险高、产品灵活性低以及严重的机械依赖性，从而导致高的资本和操作成本来建设和操作。
发明内容
根据至少一个示例性实施方式，可以示出和描述用于杂交生长环境的方法和系统，该杂交生长环境可以包括来自自然和补充的混合光照、来自当前和预测的天气简档的优化气候控制，以及垂直和水平空间的使用。
一个示例性实施方式可以实现多个传感器，以识别与在杂交生长环境中生长的植物相关的变量。例如，可以通过一个示例性实施方式测量和控制多个自变量，而因变量可以根据自变量而改变并且可以相应地测量。
可以基于生长过程中的目标因变量来改变生长条件和生长持续时间。可以基于进度和目标持续时间来调整自变量。可以基于植物的实时生长阶段来动态地调整目标持续时间。可以基于对植物的未来环境中的变量的差异的预测来调整变量。例如，可以设想，一些天、月份或季节可以提供更多来自太阳光的自然光。因此，在可以从太阳获得更多自然光的时间段期间，可以调整诸如人工光照水平的变量以补偿额外的太阳光。例如，可以降低人工光照水平，以便在预期未来时间有充足的自然光的情况下减少用电量。
此外，可以基于因变量的测量来调整自变量。例如，一个示例性实施方式可以识别植物直径低于最佳水平的植物，并且因此可以基于测量结果和植物类型来确定所识别的植物需要额外的营养物质、水和/或光。可以记录和参考历史植物记录和数据，以识别每个植物在每个生长阶段的最佳因变量。例如，每个阶段或时期可以指生长环境、在生长环境中花费的时间或自发芽以来花费的时间。
杂交生长环境可以包括多个阶段或时期，例如种植种子或幼苗，并且在发芽时期将种子或幼苗生长成植物；在一个或多个苗圃时期将植物运输到苗圃。植物可以垂直布置并且在每个苗圃时期接收来自人工光源的光。该方法可以继续：将植物移栽到温室中，其中，温室中的植物可以在温室时期水平布置，并且其中在温室时期期间，植物接收阳光和/或补充光照；以及从温室收获该植物；通过控制单元调整多个植物参数；其中，调整植物参数的步骤发生在发芽时期、一个或多个苗圃时期、和温室时期中的一个或多个期间，并且其中控制单元被配置为根据发芽时期、苗圃时期和温室时期各自的要求而不同地调整植物参数。可以根据生长进度或实时测量的因变量来改变自变量的强度或大小。可以改变自变量以便获得所需的生长时间或以便改变可以收获植物的日期。在改变自变量时可以考虑市场需求。例如，如果植物的市场需求低或减少，则一个示例性实施方式可以改变自变量以减缓该植物的生长过程。一种类型的植物或所讨论的植物总量的一部分可以被减慢，使得它们可以在稍后的时间被收获。如果市场对这种植物的需求很低，则这种植物可以花更多的时间来生长，而不是被收获。最终，可以在某一时间收获植物。
在一个实施方式中，水培农场可以实现发芽时期、多个垂直/室内苗圃、以及最终温室时期。作物可以最初在发芽时期开始播种。接下来，可以将这些植物带到垂直的苗圃，在那里它们可以生长一段时间。任选地，然后可以将一些植物移栽到一个或多个后续的具有不同的植物索引密度和在苗圃或温室中的持续时间或停留时间的苗圃。在某些实施方式中，可以将来自第一苗圃的一些或所有植物全部移栽到一个或多个后续的苗圃。在替代实施方式中，苗圃的大小和环境条件可以变化以适应密度和持续时间的变化。
通过与苗圃不同地对植物进行索引，可以针对植物的早期生长周期来优化物理空间、时间和操作成本。可以垂直地设置苗圃，使得植物布置在室内垂直农场中。接下来，可以将这些植物移栽到温室，进入生长的最终时期。在一个示例性实施方式中，温室可以不是垂直布置的，并且植物可以替代地水平或平坦布置以便接收自然阳光。它们可以在最佳时间从温室中收获。
一个示例性实施方式可以实现控制系统以处理数据并且使系统自动化。例如，控制系统可以被实现为监测植物的生命周期以及环境数据，诸如光、温度、湿度等。在一个示例性实施方式中，控制系统可以是，例如，可编程逻辑控制器(PLC)系统、微控制器、现场可编程门阵列(FPGA)、自适应计算加速平台(ACAP)等。控制系统可以结合人工智能(AI)算法来优化和控制环境参数。AI算法可以是本领域已知的任何程序，诸如机器学习算法等。热传感器、电子传感器、湿度传感器、营养物质传感器和温度传感器可以将数据馈送到控制系统。例如，可以从植物和环境中测量水温、土壤水分、电导率、pH和溶解氧、宏观和微量营养物质。空气温度、相对大气湿度、CO2含量、CO2同化、叶片表面温度、叶绿素荧光、归一化差异植被指数(NVDI)、可见大气阻力指数(VARI)归一化差异水分指数(NDWI)、光强度(或光合可用辐射，PAR)、光谱、日光指数(DLI)、蒸气压不足(VPD)和空气速度可以从环境中测量或基于测量值来计算。还可以确定植物电响应、植物介质和水位。控制系统然后可以诸如经由AI来处理输入数据，以随后识别哪些环境参数应当被改变或修改以优化植物生长。示例性控制系统AI可以，例如，基于算法驱动的回归公式来实现机器学习，该回归公式包括但不限于可以馈送到卷积神经网络(CNN)等中的聚类分析、自举采样和/或极端梯度提升。
成像可用于获得对系统的植物反馈，诸如生物质积累、植物营养物质缺乏、色素发育、失水等，以主动修改环境条件和/或栽培实践，以便满足或超过目标。测量和计算可包括但不限于叶绿素荧光、归一化差异植被指数(NVDI)、可见大气阻力指数(VARI)和归一化差异水分指数(NWWI)。反馈可以是正的或负的。一个示例性实施方式可以基于与自变量和/或因变量的变化相关联的正或负反馈来更新数据模型。
生物电传感器可用于通过模拟信号(诸如对环境变化、压力、疾病、生产力等的响应)来获得植物反馈，该模拟信号可用于通知系统并且驱动可实现最佳性能的变化。
不同的植物可以生长在不同的苗圃或温室中，并且系统可以单独优化每种植物的环境参数，因为一些植物可能需要或在与其他植物不同的条件下生长。可以实现图像识别、热成像、多光谱成像、具有或不具有低通、高通或带通滤波的高光谱成像(其可以包括这样的光谱：UV、RGB、深蓝色、蓝色、绿色、红色、深红色、远红色、红外、短波、中波、长波、任何混合或特定波长范围)和LIDAR(光检测和测距)，以便确定诸如水分含量、植物的大小、疾病、病原体、压力甚至害虫检测之类的因素。例如，在温室时期，LIDAR数据可以识别植物已经达到其目标大小并对收获准备就绪。LIDAR可以在一个示例性实施方式中使用；然而，如本领域普通技术人员所理解的，可以使用替代的测距、图像识别和热成像技术。一个示例性实施方式可以实现多种类型的传感器，诸如生物传感器、生化传感器、图像传感器、胶体量子点(CQD)传感器和/或金属氧化物半导体(MOS)传感器。可以设想，一些数据是从单独的系统检索的或被手动输入到系统中。一个示例性实施方式可以使用特定波长范围来对捕获的图像执行计算以输出测量结果，例如NDVI、NDWI等。
在另一示例性实施方式中，机器人可以用于收获植物。因此，整个过程可以经由控制单元AI和机器人单元自主执行。在一个示例性实施方式中，可以实施机械臂或手指以获得单独植物并且包装该植物以供销售。可以类似地收获或获得大量植物。
附图说明
本发明的实施方式的优点将从以下对其示例性实施方式的详细描述中而显而易见，该描述应当结合附图来考虑，在附图中相同的附图标记指示相同的元素，其中：
图1是示例性种植过程的示例性示意流程图。
图2是苗圃的一个示例性实施方式。
图3是描绘种植过程的植物索引的一个示例性流程图。
图4是划分成种植不同植物的种植设施的一个示例性实施方式。
图5A是温室水培植物容器的一个示例性实施方式。
图5B是温室水培植物容器的另一个示例性实施方式。
图6是种植设施的一个示例性布局。
图7是利用计算机视觉和AI的生产流程和反馈的一个示例性数据模型。
图8是示出一个示例性实施方式中植物生长随时间和地点变化的示例性曲线图。
图9A是垂直种植布置的一个示例性实施方式。
图9B是垂直种植布置的一个示例性实施方式。
图10A是NDVI图像分析的一个示例性结果。
图10B是VARI图像分析的一个示例性结果。
具体实施方式
本发明的各方面在针对本发明的具体实施方式的以下描述和相关附图中公开。在不脱离本发明的精神或范围的情况下，可以设计替代实施方式。此外，将不详细描述或将省略本发明的示范性实施方式的众所周知的元素，以免混淆本发明的相关细节。此外，为了便于理解说明书，下面对本文中使用的几个术语进行讨论。
如本文所使用的，词语“示例性”意指“用作示例、实例或图示”。本文所述的实施方式不是限制性的，而是仅为示例性的。应当理解，所描述的实施方式不一定被解释为优选的或优于其他实施方式。此外，术语“本发明的实施方式”、“实施方式”或“发明”并不要求本发明的所有实施方式包括所讨论的特征、优点或操作模式。
此外，本文描述的许多实施方式根据要由，例如，计算设备的元件执行的动作序列来描述。本领域技术人员应当认识到，本文描述的各种动作序列可以由特定电路(例如，专用集成电路(ASIC))和/或由至少一个处理器执行的程序指令来执行。此外，本文描述的动作序列可以完全体现在任何形式的计算机可读存储介质内，使得动作序列的执行使得至少一个处理器能够执行本文描述的功能。此外，本文描述的动作序列可以体现在硬件和软件的组合中。因此，本发明的不同方面可以以多种不同的形式实施，所有这些形式都被认为在所要求保护的主题的范围内。此外，对于本文描述的每个实施方式，任何这样的实施方式的对应形式在本文中可以被描述为例如“被配置为”执行所描述的动作的计算机。
可以显示和描述一种用于优化杂交生长环境中的植物生长的方法。可以使用，例如，控制系统来优化生长。控制单元可以基于多个因变量的识别来控制各种参数或变量。因变量可以包括，例如，植物重量，植物叶片生长，根生长，植物直径，植物健康，害虫、霉菌或被排斥的植物的识别，生长周期DLI，指定耐受范围内的蒸气压不足(VPD)，或指定耐受范围内的温度，用电量，浇水频率，环境或时期的时间，营养物质浓度，或土壤水分含量。还可以测量发育速率以及非生物或生物诱导的异常的质量和存在。自变量可以包括，例如，干球温度、湿球温度、相对湿度、植物表面温度、蒸气压不足(VPD)、光照强度和/或周期、光谱波长、植物施用或保留的营养物质的量、CO2浓度、水温、水pH、水电导率、溶解氧的量、杀虫剂的量或存在、用水量、CO2同化、叶绿素荧光、叶绿素浓度和营养液中的微生物水平。
可以基于生长过程中的目标因变量来改变生长条件和生长持续时间。可以基于进度和目标持续时间来调整自变量。可以基于植物的实时生长阶段来动态地调整目标持续时间。可以基于对植物的未来环境中的变量的差异的预测来调整变量。例如，诸如苗圃时期或温室时期的时期可以包括相关联的目标因变量。一个实施方式可以调整自变量以达到该时期内的目标因变量或预期后续的一个或多个时期的目标因变量。例如，植物可以保存在苗圃中，在苗圃中调整自变量以优化或增加根长度或表面积的发育，而可以调整后续的时期中相同植物的自变量以替代地优化叶片表面积。此外，可以设想，一些天、月份或季节可以提供更多来自太阳光的自然光。因此，在可以从太阳光获得更多自然光的时间段期间，可以调整诸如人工光照水平的变量以补偿额外的太阳光。例如，可以降低人工光照水平，以便在预期未来时间有充足的自然光的情况下减少用电量。
此外，可以基于因变量的测量来调整自变量。例如，一个示例性实施方式可以识别植物直径低于最佳水平的植物，并且因此可以基于测量结果和植物类型来确定所识别的植物需要额外的营养物质、水和/或光。可以记录和参考历史植物记录和数据，以识别每个植物在每个生长阶段的最佳因变量。每个阶段可以指，例如，生长环境、在生长环境中花费的时间、或自发芽以来花费的时间。一个示例性实施方式还可以监测子系统内的哪些部件可以调整自变量以满足参数或达到所期望的因变量值的速率，并且可以反馈到数据模型中以识别最佳修改以实现预期结果。例如，一个实施方式可以识别可以执行温度调整的速率，即，温度从当前值达到期望值所需的时间。一个示例性数据模型可以预测完成调整所需的时间。该预测可以基于任何自变量或因变量，或基于诸如天气预报或部件规格之类的外部因素。
一个示例性实施方式可以包括控制单元，用于接收传感器或其他数据作为输入，使用预定义的计算和/或算法来处理数据，并且自主地操作控制系统以调整自变量或其他所需的参数。控制单元可以实现机器学习以优化计算和算法以最大化所需的因变量。一个示例性控制单元可以包括处理器和存储器，并且可以在云计算环境中实现，云计算环境可以是可由用户远程操作的、可调节的或可监测的。数据模型可以由控制单元形成和存储，并且可以由控制单元基于所需的因变量或优化来自主地和动态地调整。不同的植物品种可以具有不同的数据模型，并且可以设想，每个植物品种具有多于一个的数据模型。控制数据模型可以基于第一组控制自变量和/或因变量来识别和存储，并且可以是不可变的。可以基于特定优化来形成动态数据模型。例如，可以形成用于优化根长度的数据模型，而可以形成用于优化生长速率的另一数据模型。
杂交生长环境可以包括多个阶段或时期，例如，种植种子或幼苗，并且在发芽时期将种子或幼苗生长成植物；在一个或多个苗圃时期将植物运输到苗圃。植物可以垂直布置并且在每个苗圃时期接收来自人工光源的光。该方法可以继续将植物移栽到温室中，其中，温室中的植物可以在温室时期水平布置，并且其中在温室时期期间，植物接收阳光；以及从温室收获植物；通过控制单元调整多个植物参数；其中，调整植物参数的步骤发生在发芽时期、一个或多个苗圃时期和温室时期中的一个或多个期间，并且其中控制单元被配置为根据发芽时期、苗圃时期和温室时期各自的要求而不同地调整植物参数。可以根据生长进度或实时测量的因变量来改变自变量的强度或大小。可以改变自变量以便获得所需的生长时间或以便改变可以收获植物的日期。在改变自变量时可以考虑市场需求。例如，如果植物的市场需求低或降低，则一个示例性实施方式可以改变自变量以减慢该植物的生长过程。一种类型的植物或所讨论的植物总量的一部分可以被减慢，使得它们可以在稍后的时间被收获。如果市场对这种植物的需求很低，则这种植物可以花更多的时间来生长，而不是被收获。最终，可以在理想时间收获植物。
可以实现技术和自动化以进一步提高效率。自然光和人造光的组合可用于设施中，以优化植物的生长。改进的效率和优化可用于确定目标重量和高度，以有效地达到目标收获日期，并且最大限度地提高存活性和实现目标的成功率。优化可以在每个时期发生，包括一个或多个苗圃时期和温室时期。可以实施人工智能或AI程序以控制和识别如何优化作物生长。
一个示例性控制单元可以实时跟踪和控制各种自变量和因变量。例如，如果一个示例性实施方式确定特定植物正在以较慢的速率生长或在给定时间小于平均值，则其可以确定需要更多的水或营养物质，并且然后可以将吊杆或其他源头引导到水或向该植物提供营养物质。此外，一个示例性实施方式可以跟踪历史植物数据库中的每个植物品种随时间变化的自变量和因变量之间的关联。可以将测量结果与历史植物数据进行比较，以便识别最佳自变量设置，以获得目标大小、重量、形状或收获日期。一个示例性实施方式可以被配置为稍微改变各种自变量，以便确认每个变量的最佳值。例如，一个示例性实施方式可以最初限定植物品种的最佳生长温度。然后，在一些实施方式中，控制单元可以将温度改变为略高于和/或略低于该品种或该品种的全部植物的一部分的最佳生长温度。
可以监测在改变的条件下生长的植物，并且可以存储它们的生长数据。例如，如果稍微更高的温度增加生长速率，则可以存储该信息。最终，控制单元然后可以实现稍高的温度，以便加快该品种在未来生长周期中的生长。可替代地，如果一个示例性实施方式确定稍低的温度减慢生长，则当植物的市场需求低并且目标收获日期延迟时，可以实施该更低的温度。可以设想，可以类似地优化任何变量或变量的组合，包括但不限于植物大小、存活性、用电量等。此外，控制单元可以根据不同的时期来优化不同的变量。例如，可以在苗圃时期优化根的大小或长度，而在温室时期优化叶片大小。
图1可以示出一个示例性植物生长过程。在一个示例性实施方式中，植物生长过程可以分成多个时期。每个时期可以发生在不同的位置。例如，第一时期可以是发芽或繁殖时期102。下一时期104可以是苗圃时期。然后，可以将植物移动或移栽106到后续的一个或多个苗圃108。可使用机器人来实现移栽106。在一个替代的示例性实施方式中，植物可以被保存在第一苗圃中，然后可以对第一苗圃进行改造以改变苗圃条件，从而尽量减少植物的移动。可以改变第一苗圃的取向和环境，包括间距，这可以减少或消除移栽的需求。
周期的各个时期可以针对不同的物种和/或品种进行定制，并且可以随时间进行调整。该时期可针对最终水培系统或时期上的最佳时间来定制，该最终水培系统或时期可为自然或人工系统，且可包含温室、深水农业位置、水体或其任何组合。可以根据需要调整时期的数量，包括苗圃时期和特定索引，以优化过程。不同的物种或品种可以使用任何数量的苗圃和相关联的苗圃时期。在整个时期，可以在可以具有至少一个植物位点的平台上支持植物。该平台可以是托盘或水培植物容器，其可以可移除地固定到水培系统结构，搁置在水培系统结构上，漂浮在水培系统上，或以其他方式支撑植物以促进水培生长，如本领域普通技术人员所理解的。
第一示例性时期可以是繁殖时期102。在该时期，作物可以起始地由种子种植和发芽，或者由母株的活组织生根。繁殖可以在专用位置或机器中进行。例如，可以使用特定发芽腔室以便容纳一些数量的植物，或者可以实现专用发芽室以便容纳一些数量的植物；在各种示例性实施方式中，这种腔室和/或室可以被配置为基于一个或多个环境因素来调节其内部环境，该一个或多个环境因素包括，例如，空气温度、相对湿度、光照、光强度、CO2含量、空气速度、和/或给定时期期间植物的空气循环需求。通过单独调节每个发芽位置或机器中的环境因素，可以提高发芽速度。在一个示例性实施方式中，繁殖可以是，例如，0-30天。多个繁殖周期可以填充一个或多个苗圃时期。
另一示例性时期可以是苗圃时期104。可以实施程式以便优化环境因素，以更有效地生长植物。例如，程式可以优化每平方英尺的植物密度、营养物质类型和体积，并且减少从种子到收获的光子浪费。可以在最大化产量的同时获得最小占地面积和能量使用。可以对植物进行索引，以确保最大限度地吸收光，同时最大限度地减少浪费在非植物空间或空白空间上的光。在一个示例性实施方式中，使用此类程式可以使产量增加三倍。在苗圃时期，植物可以以最佳植物间距和密度被设置在苗圃托盘上。
植物可以继续在苗圃104中生长，直到它们达到所期望的大小。可以设想，可以基于可用的空间来选择所期望的大小，使得植物在苗圃中生长，直到植物密度抑制进一步生长。
在生命周期中的所期望的点处，植物可以被转移到一个或多个后续的苗圃以用于后续的苗圃时期108，或者可以被转移到温室。在一个示例性的后续的苗圃时期中，植物可以更大。环境条件可以随着植物生长或当植物被移动到后续的时期或苗圃时而改变。例如，可以实现增加的光周期，其中，在更长的时间段采用更高强度的光。可以增加气流以适应提高的运输水平。可实施增加的营养水平以适应植物的增加的年龄。在一个示例性实施方式中，植物可以进一步散开以适应其增加的大小。
随着植物生长或在移栽106至后续的时期或苗圃的期间，可以任选地减少转移的植物的数量。该减少可以是特定于优化的植物。因此，植物可以不那么密集地配置，从而允许它们有生长的空间。减少植物数量的步骤可以允许植物在生命周期的早期密集生长，并且稍后在后续的时期或苗圃中散开，从而允许生长更大量的植物。根据一个示例性实施方式，所有被索引的植物可以从发芽时期移动到苗圃，从苗圃移动到后续的苗圃，从苗圃移动到温室，或者从后续的苗圃移动到温室，并且栽植机器可以获取幼苗托盘、初始密度，并且在下一时期自动地将一些或所有植物转移到一个或多个具有调整的间距的新托盘，以优化密度。根据一些示例性实施方式，不同时期的时间可以是优化程式中的输入。例如，可以任选地调整苗圃时期中的时间和索引以实现温室时期中的所期望的时间。一个示例性温室时期可以具有以天为单位的所期望的长度，其可以用于优化苗圃时期。在苗圃时期，可以优化索引、时间和环境条件，以最大限度地缩短在温室中的时间。如本领域普通技术人员所理解的，这可以是一个示例性实施方式，并且对于每个品种来说可以是独特的。
每个植物都可以被单独索引，并且可以在每个苗圃中具有其自己的索引程式。植物的指数可以包括与各种最佳参数有关的信息，诸如托盘中的植物密度、单独植物大小/质量、植物根大小/质量、营养物质或水分摄入、光摄入、任何时期花费的时间等。例如，与其他植物相比，植物A可以迅速发芽和生长。植物A可以允许更高的密度，但在苗圃中的天数更少。密度可以在后续的苗圃中降低，并且可以在温室中进一步降低。后续的苗圃和/或温室中的天数也可能更少。另一方面，植物B在每个时期可能需要更小的密度，而在苗圃和温室中需要更多天。每个植物品种可以具有个性化的程式以优化效率。
在某些实施方式中，可以将来自苗圃的一些或所有植物移栽106到一个或多个后续的苗圃中。在一个替代实施方式中，苗圃的大小可以改变以适应密度和持续时间的变化。根据一个示例性实施方式，植物可以设置在苗圃特定托盘上，这可以优化时期和/或特定苗圃条件的间距，如本领域普通技术人员所理解的。该托盘可以专用于特定植物物种。苗圃可以指植物周期的不同物理位置；然而，可以理解，苗圃可以包括一个或多个物理苗圃空间。苗圃可以是不同的物理大小或不同数量的物理苗圃，以适应最佳植物密度和持续时间。持续时间可以是停留时间，或植物在每个苗圃中可能花费的时间量。此外，后续的苗圃的托盘可以不同于初始苗圃，以实现所期望的优化。
返回参考图1，可以将植物从苗圃移栽106到用于第二苗圃时期108的一个或多个后续的苗圃。如前所述，在经过必要的时间之后，植物可以被转移到一个或多个后续的苗圃。可以设想，苗圃中的植物的不同品种可以在不同的时间段内保留在苗圃中。在一个示例性实施方式中，植物可以在其整个生命内保留在相同的基底中。种子可以最初种植到土壤或基底中。在苗圃时期之后，根据类型或品种，植物可以从其细胞托盘机械移栽到密度更低的托盘中。栽植机可以使用机器人构件来夹持基底以便移动。在一个替代实施方式中，植物可以各自单独地放置在可由栽植机抓握和移动的荚中。在一个示例性实施方式中，在后续的苗圃时期完成后，植物可以从托盘构造机械移栽到水培植物容器中。水培植物容器可以是温室水培系统的一部分。水培植物容器可以具有所期望的数量的细胞以获得最佳植物密度，并且可能是品种所特有的。
然后，植物可以在一个或多个后续的苗圃中继续生长，这些苗圃可以任选地密度更低，并且可以为植物提供额外的空间用于进一步生长。
在一个示例性实施方式中，可以进行另一次移栽110，以将植物从苗圃或后续的苗圃移动到温室时期112。移栽110也可以经由机器人来实现。在一个示例性温室时期中，植物可以不再垂直布置，而是可以被安置或布置以便捕获自然阳光。自然阳光可以提高植物达到其最终形态的速度，并且可以不需要或可以减少补充光照。此外，虽然一个示例性的苗圃可以实施落潮或溢流排水水培系统，但是一个示例性的温室可以实施深水种植水培系统。在一个示例性实施方式中，被动冷却(本质上可能是蒸发的)可以在温室中实现，而不是在苗圃中使用的机械冷却和加热系统。可以设想，根据气候和应用，始终使用机械冷却和加热或其他系统。可以设想其他系统。例如，可以使用被动冷却系统。营养条件和环境条件也可以在温室或苗圃中改变。可以在整个时期添加营养物质。在一个示例性实施方式中，营养物质的供应可以由自动控制系统来控制。然后可以从温室中收获植物。
现在参考图2中的示例性实施方式，图2可以示出一个示例性苗圃设施。苗圃206、208可以被发芽站202和栽植机204分开。一个示例性发芽站202可以是垂直设置的站。然后可以将发芽的植物移动到苗圃206中。
接下来，栽植机204可以用于将植物从苗圃206移栽到一个或多个后续的时期或苗圃208。在适当的时间段之后，相同的栽植机204可以被编程为将植物移栽到温室水培植物容器中。发芽时期可以使用专用设备或空间以增加环境参数，诸如环境空间的温度和湿度，使得所创建的受控环境加速所播种的种子的发芽。在一个示例性实施方式中，栽植机可以是设计成对具有不同密度的幼苗进行索引的自动化和机械化设备。栽植机可以能够将幼苗从托盘索引到具有不同密度的托盘，并且还能够从托盘索引到具有不同密度的水培植物容器。密度可能因品种而异。
现在参考图3，图3可以示出在每个时期处于不同生命周期的植物的一个示例性实施方式。如图3所示，苗圃302可以在种植的最早阶段被密集地堆积。接下来，可以示出后续的苗圃304，其中，植物更大并且更分散以考虑其增加的大小。一个示例性的多苗圃设计可以优化植物生长并且提高产量。根据一些示例性实施方式，可以增加设施年产量或每平方英尺产量。下一阶段可以是最终水培系统或温室时期306/308，其中，植物被保存在温室中并且不再垂直定向。相反，在一个示例性实施方式中，植物可以放置在水培植物容器上。水培植物容器可在整个最终水培系统中移动。
温室时期可以是放置植物的最终时期，以便快速达到其种植周期的最终大小。最终温室系统和自然阳光的使用可以使得植物以更快的速度生长。当移栽到最终温室系统时，植物的生长速度可能会呈指数级增长。一个示例性实施方式可以计算将植物移入温室时期的理想时间以及何时从温室时期收获。可以计算将植物从苗圃时期移动到温室时期的理想时间，以优化或减少植物生长到成熟所需的总时间量以及该阶段中可用的自然光和人造光。可以设想，环境和其他因素也通过温室时期的AI来进行优化。
植物放置在苗圃或后续的苗圃中的时间被优化，以便缩短生长植物所需的时间的总长度。温室系统可以促进植物水培种植周期的最终阶段的生长。水培系统可以在温室中实施。植物可能仅在温室时期花费较短时间，因此可以快速灵活地生产产品。纯垂直农场可能不会受益于由实施水平温室(其可使用水培系统)引起的相同指数增长。使用自然阳光可以加快植物在最终阶段的生长，因此控制单元可以通过将大量植物放置在堆叠/垂直的苗圃时期中，然后移动更少数量的植物以在植物接收自然阳光的水平温室时期快速完成生长来优化植物的生长。
温室可以是水培系统并且可以具有相关联的水培植物容器。一个示例性水培植物容器可以包括多个植物位点。每个示例性水培植物容器可以仅包括一个品种的作物。可以单独控制、监测和收获每个水培植物容器。单独水培植物容器可以允许大的产品灵活性并且在作物类型之间没有操作低效。水培植物容器可以具有任何数量的植物位点。在一个示例性实施方式中，每个水培植物容器可以包括一种类型的植物。可以实施AI以跟踪大量水培植物容器。AI系统可以根据植物类型来定制每个容器内的植物参数。
如果需要，可以根据一个或多个预定规则来控制所提供的优化技术，以便优化特定植物或一系列植物的每平方英尺光子效率。这样的规则可以基于每个阶段的植物或植物的组合而变化；不同类型的植物通常可以受益于不同量的光和/或光谱，或者可以受益于在其生长周期中的不同阶段的不同量的光和/或光谱；此外，某些类型的光可以在某些植物的生长周期的不同阶段更有效，这也可以调整如何应用这些规则。同样，这样的规则可以此外基于光条件而变化，光条件可以基于季节、海拔、温室玻璃的透射率、人造光的可用性等而变化。为了确定管理一组特定植物、植物规格和一组特定条件的一组适当的规则，可以预期每天测量一组植物从种子到收获的空白空间和绿化空间，其中，然后根据测量的空白空间和绿化空间来优化种植的密度和植物在每个时期花费的时间。可以设想，优化技术可以由自主控制单元或AI系统实现。AI可以实现预定规则以优化效率。传感器可以馈送关于该组植物的条件、空白空间和绿化空间的AI数据。然后，AI可以处理该数据以及规则和/或历史植物数据，以优化植物条件和植物密度。
在一个示例性实施方式中，为了说明示例性周期，每个苗圃可以具有给定的大小，并且温室可以具有特定的大小。当然，可以设想，各种苗圃和温室大小可以与该技术兼容，并且这里简单地选择了方便的说明性数字。根据一些示例性实施方式，一个示例性苗圃的大小可以为100至100,000平方英尺，并且温室的大小可以为100至500,000平方英尺。在该示例中，在苗圃中可以存在总共10,000株植物，这意味着可以基于植物的总数除以苗圃的总量来确定每平方英尺的总植物，从而产生苗圃中每平方英尺的植物密度。根据一些示例性实施方式，一个示例性苗圃可以具有100至1,000,000株植物。可以通过将每平方英尺植物的数量除以苗圃中的天数来计算每天每平方英尺植物位点的产量。后续的苗圃可能在类似的平方英尺量中具有更少的植物，这可能导致更低的植物密度和每平方英尺更少的植物。然而，植物在后续的苗圃中花费的时间可能更少，导致每天每平方英尺的植物位点的产量相似。AI系统可以自主地识别优化植物生长的每个苗圃时期和温室时期的理想密度。所识别的理想密度可以基于历史植物数据以及用于优化植物生长的速度和体积的其他因素或方程。AI系统还可以指示另一系统或机器人系统将植物从苗圃时期移动或移栽到后续的苗圃时期或温室时期，其中，可以根据所识别的理想密度来移栽植物。
然后可以基于温室中的植物总数除以温室总空间来计算温室密度，从而得出生温室中每平方英尺的植物总数。根据一些示例性实施方式，温室中植物的数量可以在0和苗圃时期中植物位点的数量之间。根据一些示例性实施方式，温室可以具有100至1,000,000株植物。温室效率可以由每天每平方英尺的植物位点来表示。每天植物的日产量可以通过温室的平方英尺乘以每天每平方英尺的植物位点的数量来确定。然后可以优化该数据以求解每天最大或最佳数量的植物。
AI系统或控制单元可以识别影响可能的植物的最佳数量的相关变量，可以调整植物参数或条件以优化植物的生命或生长，并且可以布置或配置植物布置以便确保在任何给定时间在给定时期移栽最佳数量的植物。当植物布置太密集时，可能会阻碍植物生长。此外，由于可以利用额外的空白空间来生长额外的植物，因此稀疏的布置是低效的。AI系统可以优化植物生长速率以最大限度地有效利用空白空间。如本领域普通技术人员将理解的，每个时期的植物的确切数量可能受到生命周期中植物的存活的影响。
这样的优化可以考虑可能由特定调整导致的收益递减点。当确定增加将需要每平方英尺减少植物或增加光子时，可以达到效率的最大阈值。传统系统可将幼苗置于最终水培系统上，因此在温室中具有大量空白空间或未使用区域。然而，诸如本文所讨论的那些示例性技术可以最小化植物生命周期的每个时期的空白空间，并且可以使最终水培系统上的时间量标准化。最终水培系统的优化可以实现更高的年产量和温室周转能力。如前所述，每个时期中和最终水培系统上的时间量可以基于单独物种来优化；过度拥挤的苗圃可以为植物生长提供较少的空间，并且因此额外的植物可能不提供完全回报，但是可以专门针对给定物种或物种集合来确定何时苗圃或温室过度拥挤的阈值。因此，当经历不令人满意的收益递减水平时，然后可以考虑，可以将植物置于下一个苗圃或时期。
从发芽时期到苗圃时期，可以监测植物以确保其生长的最佳环境。此外，对植物的监测可以允许它们以最佳或更有效的时间在时期之间移动。例如，一旦植物达到目标重量和/或大小，它们可能有利于移动到下一时期。可以设想，可以实施AI系统，以便监测植物并调节其环境，将环境条件和栽培实践与最佳植物生长相关联，预测和感知可能能够加速生长和质量的未来条件，并将这些变量聚合到系统中以满足或超过目标。可替代地，一个示例性实施方式可以基于植物的预期最终用途、时间表、市场条件或要收获植物的期望时间来降低生长速率。AI可以是基于云的，也可以包含基于云的数据。AI可以是机器学习算法等。AI可以在整个植物生命周期中控制营养物质的供应。
图像识别和传感器可编程逻辑控制器可用于驱动关键环境数据的优化。要优化的环境数据的一些示例可以是空气温度、相对湿度、光照、光强度、CO2含量、空气速度和空气循环。控制器还可以控制和/或测量植物的水温、电导率、pH水平、溶解氧水平、水分含量、营养物质和水。环境数据可以针对每个植物生长来进行优化。
现在参考图4，图4可以示出植物产品的一个示例性分区。图4中的示例示出了一个设施中彼此分离的5个不同的植物。在该示例性实施方式中，植物C 406被保持在与相邻植物D 408不同的温度。类似地，剩余的植物402、404和410也被保持在不同的温度。尽管未明确示出，但是可以设想，可以在每个区段中单独改变任何环境参数，诸如上述那些。例如，可能期望植物C 406在比植物E 410更高的大气湿度下生长。每个温室区域可以由它们自己的单独传感器来进行监测。环境参数可以由它们自己的可以驱动各种系统的单独控制器自主地控制。在一个示例性实施方式中，AI可以监测温室区域并且自主地控制环境参数。在一个实施方式中，控制器可以是，例如，可编程逻辑控制器。不同植物的环境参数可能不同。例如，仍然参考图4中的一个示例性实施方式，植物A 402可以是与植物B 404不同的物种，并且因此可能需要不同的环境参数，诸如不同的温度和/或不同的营养物质。一个示例性AI系统可以识别植物的类型，然后基于植物类型以及诸如历史植物数据的其他信息来定制或调整参数。
例如，AI可以调整控制单元组，以控制加热或冷却单元、加湿器或除湿器、空气净化器、喷水器、营养物质喷雾器或改变一些环境参数的任何其他预期机械装置。在一个实施方式中，相同的控制单元和AI还可以实现图像识别、体积感测、空气和表面温度检测、水分含量检测或其他传感器，以确定每个植物何时准备好进行移栽。环境传感器可以测量温度、大气湿度、CO2浓度、大气压力、光谱、光强度或光合光子通量密度(PPFD)或净辐射。其他示例性传感器可以是水培传感器，其测量电导率、pH传感器、总溶解固体(TDS)、温度、水位、盐度、营养物质、氧化还原电位(ORP)、溶解氧传感器或水分传感器。这些示例性元件的组合可以允许AI预测移栽的最佳时间。
在另一示例性实施方式中，AI可以在温室时期实现。例如，LIDAR可以实现估计植物的大小和重量，并且热成像可以提供关于水分含量的数据。这些传感器或相机可以将数据馈送到控制单元，然后控制单元可以优化环境参数。
热成像可以向控制单元提供水分含量读数。例如，如果水分含量读数低，则这可以用于驱动架空灌溉吊杆或触发另一个源头。LIDAR可以预测生长速率、收获时间和体积。一个示例性数据可以预测准确的商业或销售产量预测。关于预测生长速率和体积的LIDAR数据也可以驱动温室中的环境参数。
每个植物、种子、托盘或水培植物容器批次可以具有从控制系统数据中提取的图形表示，该控制系统数据表示从发芽到收获的种子生命的每天的环境数据。历史种子生物特征可以被提供给AI算法，以便更好地预测和优化该过程。
计算机视觉可以提供关于尖端烧伤、变色或害虫识别的植物健康的数据。人工智能将利用这些数据调整控制系统，以更好地调节生长的气候，从而使植物恢复健康状态。该系统可用于检测营养物质缺陷或不平衡、含水量、生物质积聚和次级代谢物产生。
在一个示例性实施方式中，可以实现机器人。上述移栽或栽植机可以包括机器人单元，该机器人单元提取植物，然后将它们放置或种植在另一位置或单元中。此外，植物可以种植在能够移动并且可以由控制单元控制的搁架或其他单元上。AI可以控制机器人在每个时期内或在其他时期之间移栽或移动植物。例如，当植物配置达到预定密度时，AI可以将植物从第一苗圃时期移动到后续的苗圃时期。可替代地，AI可控制机器人或机械托盘，该机械托盘膨胀以便降低植物密度。在另一个示例性实施方式中，AI可以控制被配置为在发芽时期种植种子和幼苗的发芽机器人。在一些进一步的示例性实施方式中，植物可以移栽到具有不同密度的植物位点的托盘。例如，随着植物大小的增加，植物可以移栽到植物位点排列不那么密集的托盘中。
AI可以实现计算机视觉和/或其他传感器以分析不同时期中的植物。在温室时期中或之后，AI可以控制或操作机器人系统，以从它们在温室时期中布置的温室中收获植物。因此，可以设想，一个示例性实施方式是完全自主的。在完全自主的示例性实施方式中，可以由机器人在发芽时期种植幼苗，然后可以使用由AI自主控制的额外的机器人将幼苗移动到每个后续的时期。机器人也可以用于植物从现有材料繁殖而不是萌发。另一个实施方式可以使用机器人和AI来收获和制备用于运输的植物。可以设想，AI被配置为从诸如网络服务器的外部机器接收指令，并且然后基于所接收的指令操作机器人以种植种子或幼苗。指令可以包括例如植物类型和数量、所期望的大小、所期望的成熟度和装运地址。然后，AI系统可以根据指令来种植和生长一个或多个植物。
在一个示例性实施方式中，AI可以基于接收到的指令控制从发芽时期到收获的所有系统，而无需人为干预。AI可以基于传感器数据、历史数据或任何其他预期信息来识别用于将植物运输或移栽到不同时期的最佳时间。在最终步骤中，AI系统可以从最终温室时期收获植物，并且可以将收获的植物放置到运输包中。运输包可以包括与在对应于指令的网络服务器上下订单的用户相关的运输信息。因此，一个示例性实施方式可以完全由自主AI系统和一个或多个控制系统实现，该自主AI系统可以控制一个或多个机器人以移动和/或收获植物，该一个或多个控制系统以优化植物条件/参数。
在一个示例性实施方式中，温室可以用机器人来收获。机械臂可以在最终水培系统播种时期和最终水培系统收获时期经由运输通道移动水培植物容器。机械臂可以由控制单元集成或控制。控制单元可以基于从LIDAR收集的尺寸数据来检测植物准备好收获，然后可以引导机械臂收获所述植物。在另一个实施方式中，控制单元可以与销售或收获时间表集成，以便从最终水培系统中拉出水培植物容器并且相应地包装产品。例如，机械臂可以基于预先安排的销售来收获指定数量的植物并且将其包装在一起。
计算机视觉可以通过检测大小、叶片颜色、植物健康和害虫识别来检测可收获的植物，从而帮助植物的收获。计算机视觉可以识别不符合规格的植物，并且控制单元可以指导机械臂丢弃这些识别的植物，或者可以根据需要调整其他系统部件以鼓励或指导植物生长或健康。
在另一个示例性实施方式中，机械臂可以收获单独植物。单独植物可以被包装用于单独销售。例如，机器人手指可以将植物收获到杯子或其他包装中，在那里植物可以作为盆栽植物出售。
现在参考图5A-5B中的一个示例性实施方式，图5A可以示出温室水培植物容器500的一个示例性实施方式。植物可以放置在植物位点502处的水培植物容器中。底座的大小可以根据应用而变化。可以设想，水培植物容器或多或少是致密的。
现在参考图6中的一个示例性实施方式，图6可以示出种植设施的一个示例性布局。如图6所示，可以在一个大型设施中分区为多个温室(或苗圃)。这种分区允许多个不同的作物在个性化的环境中生长。此外，分区防止害虫、病毒或疾病在整个设施中繁殖。相反，可以包含一个区段中的破口。此外，分区设计可以允许设施的模块化扩展。额外的区段可以容易地集成和扩展。设施的分段性质可以允许在各种作物之间切换的最大灵活性。温室和苗圃的组合可以允许设施实现自然光和人造光的最佳组合。AI系统可以识别每种作物的类型，然后可以基于该类型单独地优化作物。
分区允许AI系统优化可以在其他类型的植物旁边或附近种植的单独作物。可替代地，针对跨不同分区的相同植物品种实现不同的环境可以允许一个示例性实施方式通过不同的自变量进行实验，以便识别在哪里以及如何优化因变量或植物生物特征。可以设想，一个示例性实施方式可以基于例如对该品种的减少的需求来减慢一个或多个分区的生长，同时仍然以更快或更有效的速度使该品种的其他分区生长，以便仍然满足市场期望。
图6所示的每个温室环境可以单独控制和自动化。自动化播种线和高效发芽室可以与苗圃一起实施。中心运输通道可以有效地将产品从温室移动到收获和包装中。可以设想，自动化系统使用运输通道作为收获和生产线。示例性AI系统可以利用设施内的传输通道来在时期之间移动植物。设施的部分可能会对包装好的货物保持凉爽。还可以设想，可以将专用的苗圃扩展到仓库中。
图7是利用计算机视觉和AI的过程流和反馈的一个示例性数据模型。如图7所示，一个示例性实施方式可以在生长的不同阶段用人工智能算法实现计算机视觉(CV)。例如，每个阶段可以包括用于优化该阶段的生长的CV/AI算法。如图7中的一个示例性实施方式所示，可以实现第一CV/AI算法103以监测繁殖时期中的植物。CV/AI算法103可以控制与繁殖时期102以及苗圃时期104相关联的控制逻辑并且从其接收数据。类似地，附加CV/AI算法105/107/109可控制和监测与后续的时期相关联的控制逻辑。每个CV/AI算法还可以将数据馈送到总体AI算法111，总体AI算法111可以监测每个时期的过程和相关联的CV/AI算法以提供进一步的优化。AI或机器学习系统可以模拟试验以识别和建模植物的生命周期。数据可以包括例如植物特定数据，诸如总质量、叶片大小、颜色、健康、害虫侵扰或根长度和表面积；计算机视觉结果，诸如归一化差异植被指数(NVDI)、可见大气阻力指数(VARI)和其他成像测量；或可以收集的历史数据。
例如，图10A示出了在植物生长的四个不同示例性阶段的一个示例性NDVI计算。一个示例性NDVI计算可以基于来自植物的光在指定频率下的反射来识别植物健康。例如，植物叶片可以强烈地反射近红外光，同时吸收可见光。不健康的植物(诸如缺水、患有疾病或其他异常或叶绿素缺乏的植物)可以替代地吸收更多的近红外光而不是反射它。因此，NDVI可以用于基于某些波长的光(诸如近红外或红光)的反射和/或吸收来识别植物健康。
图10B示出了在植物生长的三个示例性阶段的一个示例性VARI计算。与NDVI不同，VARI可以利用所有三个(红色、绿色和蓝色)色带来识别植物健康。因此，VARI可以由任何RGB相机来实现。一个示例性NDVI和/或VARI计算的结果可以在，例如，非生物或生物诱导的异常的质量和存在方面指示总体植物健康。另一示例性实施方式可以测量叶片面积指数(LAI)。LAI可以从计算机视觉计算为每单位地面面积的单侧叶片面积的比率。可以使用比率来表示通过每个周期中的持续时间跟踪的LAI历史，并且可以将其与预期值进行比较。例如，数据还可以包括生长的历史数据，诸如总光接收(DLI)、消耗的营养物质、消耗的CO2或其他环境测量。一个实施方式还可以实现温室内的跟踪数据。
可以为每个植物识别数据模型，并且可以通过，例如，在植物的整个生命周期内监测每个植物来形成或识别数据模型。当调整自变量时，一个示例性控制单元可以记录和监测因变量以识别调整的结果或效果，并且数据模型可以动态和自主地更新。一个示例性实施方式可以存储一个或多个控制数据模型。与自主更新的动态数据模型相反，控制数据模型可以是静态的和不可变的。可以在控制数据模型和/或动态数据模型中实现对自变量的调整，并且可以比较对每个模型的调整的结果。因此，可以通过在多个植物生长时对多个植物建模来形成每个植物的指数。植物的索引可以允许识别植物生长的最佳参数。
现在参考图8中的一个示例性曲线图，图8可以示一个出示例性实施方式中植物随时间的生长。在第一垂直区段中，植物可以处于发芽时期和苗圃时期时期，其中，植物可以保持垂直布置。然后，可以将植物带到温室或最终水培时期，这可以允许以更高速率生长。温室阶段可以采用或可以不采用垂直布置，并且可以可选地接收除了人造光之外的或代替人造光的自然光。如图8所示，垂直时期的植物生长的初始速率可能比温室时期的生长速率慢。因此，通过将大量植物置于苗圃时期并且将它们中的一些移栽到密度较低、生长速度更快的温室时期，以进行最后的生长期，从而提高效率。
根据一个示例性实施方式，栽植机可以用于将植物从初始平台或基底转移到托盘。可以针对特定植物品种优化托盘。调整可以包括植物间距。栽植机可以由人工操作员或AI控制单元控制。AI可以识别用于转移栽物的最佳时间，并且可以在那些时间启动栽植机。
根据一个示例性实施方式，温室可以传统地(与垂直地相反)布置，以便允许自然阳光照在植物上(并且可以潜在地通过人造光增强)，从而促进更快的生长。在一些实施方式中，不同品种的植物可以种植在同一温室中。当移栽到温室中时，可以设想，预期植物达到所期望的大小而展开。AI可以优化温室中植物的密度。
现在参考示例性附图9A-9B，可以示出用于苗圃时期的示例性垂直布置。垂直水培布置900可具有一系列搁架902，这些支架可以支撑植物904。搁架902还可以具有设置在下侧的光源906以照射下方的植物。光源可以是发光二极管(LED)。搁架还可以包括用于将营养物质和水输送到每个搁架902中的系统。此外，一个示例性实施方式可以包括由栽植机或其他机器人元件使用的把手或手柄，用于移动搁架或用于移动搁架内的植物。
使用前述系统中的一个或多个的组合，一个示例性系统可能能够标记最佳或“黄金批次”，并且使用AI检测需要调整环境条件以实现未来批次的类似产量增益。AI可以自动调整设置以创建不断调整和评估生产、健康和产量的闭环系统。
前面的描述和附图说明了本发明的原理、优选实施方式和操作模式。然而，本发明不应被解释为限于上面所讨论的特定实施方式。本领域技术人员将理解以上所讨论的实施方式的附加变化(例如，根据需要，与本发明的某些配置相关联的特征可以可替代地与本发明任何其他配置相关联)。
因此，上述实施方式应视为说明性的而非限制性的。因此，应当理解，在不脱离由所附权利要求限定的本发明的范围的情况下，本领域技术人员可以对这些实施方式进行变化。

Claims (16)

1.一种用于农业环境的系统，所述系统包括：
多个成像传感器和天气传感器；
多个环境控制系统，所述环境控制系统被配置为修改多个自变量；以及
控制单元，所述控制单元被配置为从所述成像传感器和天气传感器接收数据以识别多个因变量，其中，所述控制单元被配置为基于数据模型来调整环境控制系统，其中，所述数据模型由所述控制单元自主更新。
2.根据权利要求1所述的系统，其中，所述控制单元被配置为从所述成像传感器接收数据以识别植物健康、植物质量、害虫和病原体的存在以及疾病的实例、生长速率或生物质积聚。
3.根据权利要求1所述的系统，其中，所述控制单元被配置为根据来自所述成像传感器和/或天气传感器的数据来计算：归一化差异植被指数(NVDI)、可见大气阻力指数(VARI)、归一化差异水指数(NDWI)、光强度(或光合可用辐射，PAR)、光谱、日光指数(DLI)、或蒸气压不足(VPD)。
4.根据权利要求1所述的系统，其中，所述自变量包括以下中的至少一个：干球温度、湿球温度、相对湿度、植物表面温度、蒸气压不足(VPD)、光照强度和/或周期、光谱波长、施加或保留的营养物质的量、CO2浓度、水温、水pH值、水电导率、溶解氧的量、杀虫剂的量或存在、用水量、CO2吸收、叶绿素荧光、叶绿素浓度、和营养液中的微生物水平。
5.根据权利要求1所述的系统，其中，所述因变量包括以下中的至少一个：生长持续时间、植物重量、植物叶片生长、根生长、植物直径、植物健康、害虫的识别、霉菌或被排斥的植物、生长周期DLI、蒸气压不足(VPD)、温度、用电量、浇水频率、环境或时期的时间、营养物质浓度、或土壤水分含量。
6.根据权利要求1所述的系统，其中，所述控制单元被配置为改变一个或多个自变量，且进一步被配置为根据来自所述成像传感器的数据来测量所述改变的自变量的结果。
7.根据权利要求6所述的系统，其中，所述改变的自变量的结果用于更新数据模型。
8.根据权利要求1所述的系统，其中，所述控制单元被配置为除了所述数据模型之外还存储控制数据模型，并且其中，对所述数据模型的调整与对所述控制数据模型的调整进行比较。
9.根据权利要求1所述的系统，其中，所述控制单元被配置为调整所述自变量以增加发育速率。
10.根据权利要求1所述的系统，其中，所述控制单元被配置为基于时间表或市场需求来调整所述自变量以降低发育速率。
11.根据权利要求1所述的系统，其中，基于一个或多个目标因变量来调整所述自变量，以基于后续的时期中的一个或多个预测条件来满足目标发育阶段。
12.根据权利要求1所述的系统，其中，基于测量的质量和非生物诱导或生物诱导的异常的存在来调整所述自变量。
13.根据权利要求1所述的系统，其中，所述控制单元被配置为识别和存储来自所述天气传感器的多个天气模式，并且其中所述控制单元被配置为基于依据所述天气模式预测的天气预报来调整所述自变量。
14.根据权利要求1所述的系统，其中，所述控制单元被配置为实现反馈回路，所述反馈回路包括调整一个或多个自变量，测量由于所调整的自变量而引起的一个或多个因变量的变化，以及基于所测量的变化来更新所述数据模型。
15.根据权利要求1所述的系统，其中，所述控制单元被配置为从所述成像传感器识别植物密度，并且被配置为基于所识别的植物密度来识别用于移栽到后续的时期的最佳时间。
16.根据权利要求1所述的系统，其中，所述控制单元被配置为使用聚类分析、自举采样和/或极端梯度提升中的一个或多个来优化和更新所述数据模型。
CN202280088182.5A 2021-11-08 2022-11-08 使用计算机视觉和人工智能来优化杂交生长环境中的生长过程 Pending CN118541724A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202163277028P 2021-11-08 2021-11-08
US63/277,028 2021-11-08
PCT/US2022/049275 WO2023081511A1 (en) 2021-11-08 2022-11-08 Optimizing growing process in a hybrid growing environment using computer vision and artificial intelligence

Publications (1)

Publication Number Publication Date
CN118541724A true CN118541724A (zh) 2024-08-23

Family

ID=86229667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280088182.5A Pending CN118541724A (zh) 2021-11-08 2022-11-08 使用计算机视觉和人工智能来优化杂交生长环境中的生长过程

Country Status (6)

Country Link
US (1) US20230143014A1 (zh)
EP (1) EP4430561A1 (zh)
CN (1) CN118541724A (zh)
CA (1) CA3237726A1 (zh)
MX (1) MX2024005559A (zh)
WO (1) WO2023081511A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116773464B (zh) * 2023-08-21 2023-11-07 内蒙古师范大学 基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法
CN118364295B (zh) * 2024-06-18 2024-08-20 北京师范大学 一种用于植被异常遥感探测的光谱指数自动生成方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130104455A1 (en) * 2011-05-13 2013-05-02 David P. Groeneveld Method and System for Remote Sensing and Limited Field Sampling to Prescribe and Deliver Soil Amendments Targeted Discretely Across Cultivated Fields
US9374950B2 (en) * 2013-05-02 2016-06-28 The Regents Of The University Of California System and methods for monitoring leaf temperature for prediction of plant water status
US9638678B2 (en) * 2015-01-30 2017-05-02 AgriSight, Inc. System and method for crop health monitoring
EP3861844B1 (en) * 2015-06-08 2023-08-30 Climate LLC Agricultural data analysis
ES2942267T3 (es) * 2015-07-15 2023-05-31 Climate Llc Generación de modelos digitales de nutrientes disponibles en un cultivo durante el curso del desarrollo del cultivo en función de datos meteorológicos y del suelo

Also Published As

Publication number Publication date
CA3237726A1 (en) 2023-05-11
WO2023081511A1 (en) 2023-05-11
EP4430561A1 (en) 2024-09-18
US20230143014A1 (en) 2023-05-11
MX2024005559A (es) 2024-07-29

Similar Documents

Publication Publication Date Title
JP7370051B2 (ja) 農業管理システム
US10306847B2 (en) Environmentally controlled vertical farming system
CN105578870B (zh) 在高生长、高密度、封闭环境系统内的led光源时间安排
US20230143014A1 (en) Optimizing growing process in a hybrid growing environment using computer vision and artificial intelligence
US11895954B2 (en) System and method for plant indexing in a hydroponic farming environment and a hydroponic farming environment
US20170035008A1 (en) Method for optimizing and enhancing plant growth, development and performance
CA2889597A1 (en) Self-sustaining artificially controllable environment within a storage container or other enclosed space
CN113395897B (zh) 对在受控生长环境中二维及三维空间中的植物进行变址
US20230157220A1 (en) Method for initiating a plant in preparation of its introduction into a vertical farm unit
Zelkind et al. Indoor production of tomatoes
US20230128621A1 (en) Red and far-red light ratio during growth of basil
US20230172128A1 (en) Root growth optimization method
Kreuger et al. Total indoor farming concepts for large-scale production
Norton et al. Precision Livestock Farming: Developing Useful Tools for Livestock Farmers
Kreuger et al. Applications for Breeding and High-Wire Tomato Production in Plant Factory
He et al. Plant Factory IoT Management
Klongdee et al. Evaluating the Impact of Controlled Ultraviolet Light Intensities on the Growth of Kale Using IoT-Based Systems
Miao Precision Nutrient Management
Zhang et al. Plant Factory and Soilless Culture
Gohil et al. Precision Irrigation for Orchards
Au et al. Path Planning for Robotic Harvesting
Lan et al. Precision Agricultural Aviation for Agrochemical Applications
Puangsuwan et al. Automatic Ecological Control and Mathematical Growth Prediction Models for Lettuce Seedling Nursery System
Nair et al. Design And Development Of Unmanned Hydroponic Setup Using IoT
WO2023056099A1 (en) Distributing plants within an automated agricultural facility

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication