АВТОМАТИЗИРОВАННАЯ СИСТЕМА АЭРОПОННОГО ВЫРАЩИВАНИЯ НА ОСНОВЕ ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА Текст научной статьи по специальности «Прочие технологии»

УДК 004

DOI: 10.24412/2071-6168-2023-7-502-503

АВТОМАТИЗИРОВАННАЯ СИСТЕМА АЭРОПОННОГО ВЫРАЩИВАНИЯ НА ОСНОВЕ ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Д.Г. Гордеев, А.В. Греченева, А.С. Самусенко

Статья посвящена описанию концепции создания аппаратно-программного обеспечения системы выращивания сельскохозяйственной продукции с помощью аэропонной установки в рамках тепличного комплекса. В ходе работы были выявлены и описаны ключевые информативные параметры в тепличном помещении и определена структура информационно-управляющего обеспечения аэропонной установки. Обоснована необходимость применения нечеткой логики и использования нейросетевых алгоритмов. Описан алгоритм гибридной нейронной сети. Разработанная система позволит автоматизировать выращивание сельскохозяйственных культур с помощью аэропонной установки.

Ключевые слова: аэропонника, информационно-управляющая система, комплексная обработка, искусственная нейронная сеть.

В настоящее время сельскохозяйственная сфера подверглась некоторым изменениям в силу внедрения цифровых технологий, что оказало положительное влияние на эффективность работы в АПК, а также на оптимизацию процесса выращивания сельскохозяйственных культур.

Большинство организаций в сфере АПК стремятся оптимизировать выращивание культур: сделать так, чтобы растение достигло стадии созревания плодов за минимально возможное время, но при этом было наименее прихотливым, то есть не требовало больших затрат на удобрения, инвентарь и пр. Такой процесс стал возможен, но в ущерб качеству растений.

Вдобавок к этому, качество будущего сырья/плодов зависит от квалифицированного протекания фаз роста растения, так как существуют болезни, поражающие растение только на определенной стадии. Были разработаны системы аэро- и гидропоники, применяющиеся и по сей день как садоводами-любителями, так и работниками крупных агрохолдингов. Главными минусами таких систем является высокая стоимость аппаратного комплекса, а также возникновение трудностей в обслуживании и отсутствие полной автоматизации во время выращивания сельскохозяйственной культуры.

В связи с приведенными выше проблемами можно смело выдвинуть решение: необходимо создать автоматизированную систему аэропонного выращивания на основе технологии искусственного интеллекта.

Предметная область. Для первоначальной разработки были выбраны томаты, так как в объеме импорта они занимают первые места, и они имеют наименьший удельный вес в сельскохозяйственных предприятиях и фермерских хозяйствах.

Важным параметром для томатов является этап роста растения. Этапы роста томатов были распределены

так:

1) Прорастание семян: при благоприятных температурных условиях и наличии влаги семена томата прорастают на 3-4-е сутки.

2) Фаза образования первых трех листьев: появляются новые листья и закладываются органы плодоношения (зачатки бугорков); бутоны закладываются после образования 3-4 настоящих листов.

3) Фаза роста: одновременно с ростом листьев идет рост стеблей и корней.

4) Цветение: закладываются цветочные кисти; с этого времени процесс образования бутонов и вегетативный рост идут параллельно, не прекращаясь практически в течении всего вегетационного периода и плодоношения.

5) Плодоношение: с момента оплодотворения начинается рост плода, а по достижении свойственного сорту размера - созревание.

Для выращивания на аэропонике подходят томаты, которые уже находятся на 2 этапе роста [1, 2, 3].

Оптимальные значения параметров на различных этапах роста:

Период от высадки до цветения: Температура ночью 16...18С°, днем 22...24С°; Освещение от 14 часов до 18 часов в день; Расстояние от растений до лампы 12-14 см. Период цветения: Температура ночью 20...22С°, днем 24...26С°; Освещение от 14 часов до 16 часов в день; Расстояние от растений до лампы 14-20 см. Период плодоношения: Температура ночью 18...20С°, днем 24...26С°; Освещение от 12 часов до 14 часов в день; Расстояние от растений до лампы 20-25 см [4]. Влажность на различных этапах в пределах 50-65%.

Для нормального прохождения физиологических процессов необходимо оптимальное содержание воды в клетках и тканях - 80- 90%. Оптимальная влажность воздуха, необходимая для ростовых процессов находится в пределах - 50...65% [5].

Имеет значение состав света, интенсивность освещения, количество потребляемой воды, необходимая концентрация веществ и влияние нехватки их на растения. При выращивании саженцев по вегетации, плотности, укреплению, правильному формированию корневой системы, особо важен будет сине-фиолетовый спектр (430-490 нм.). Предпочтение следует отдать светильникам с более высоким содержанием синих светодиодов, которые задерживают растяжение клеток, и рассада не вытягивается, и красных, благодаря которым в тканях растений накапливаются углеводы, клетки удлиняются, побеги, стебли, листья быстрее растут [4].

Уровень ЕС показывает наличие, нехватку или избыток в растворе питательных элементов. ЕС должен быть в пределах от 1,5 до 3,5 mS [6, 7].

Благодаря тому, что культура обладает поверхностную систему корней, она отлично выращивается в аэропонической системе и при правильной организации посадки и ухода дает большой урожай.

Архитектура информационно-управляющей системы. Создание архитектуры программного обеспечения. Архитектура — это структура программы или вычислительной системы, определяющая ее работу на самом высоком концептуальном уровне, включая аппаратные и программные компоненты, видимые снаружи свойства этих компонентов, отношения между ними, а также документирование системы [8].

Архитектура программного обеспечения, основанная на предметной области для аэропонной системы с искусственным зрением, представляет собой взаимодействие различных модулей (рис. 1) между собой, каждый из которых обособленно от других выполняет поставленные на него задачи.

Модуль сбора информации (рис. 2) осуществляет получение данных с датчиков, сохранение их в базы данных, а после перенаправление в другие модули программного обеспечения. Данный модуль собирает информацию несколько раз в сутки.

Датчик влажности информацию об относительной влажности в пространстве с растениями. Информация о влажности позволит контролировать микроклимат, достигая оптимальные условия. Датчики, установленные в баке с водой и предназначенные для химического анализа, позволяют получить информацию о температуре, уровень рН воды, уровень электропроводимости.

Температура воды предоставляет данные в °С. рН - водородный показатель или показатель кислотности. Уровень ЕС (электропроводность) позволяет понять общую концентрацию солей в растворе, при выходе за границы подается сигнал в модуль контроля.

Датчик уровня воды, который позволяет отправить сигнал о том, что объем воды критически мал, в модуль контроля для дальнейших действий.

С камеры будут получены изображение растений. Проезд камеры осуществляется по шасси, запускаемая модулем контроля. Остановка камеры осуществляется по подготовленному сценарию, который учитывается в настройках ПО и зависит от расположения растений.

Интерфейс

ш

Модуль настройки тонкого клиента

Модуль сбора информации

'—► Модуль визуальной интерп ретаци и

_¥ Расчетный

модуль

¡Ъ ^

Модуль контроля

Модуль анализа химического и качественного состояния води

Рис. 1. Архитектура программного обеспечения

Данные привязаны к блоку с растениями, из которого были получены. Этим характеризуется каждый модуль. В табл. 1 показаны все показатели, используемые в модуле.

Модуль контроля

А ■ ■ »А

Длтчни

температуры Датчик влажности датчик влдж ОПН ■

окружающей "У стсйлей" корит

среды"

■ ч

Рис. 2. Модуль сбора информации

503

Модуль визуальной интерпретации (рис. 3) предназначен для определения болезней растений и нехватки или переизбытка необходимых веществ по внешнему виду благодаря нейронной сети и нечеткой логике.

Таблица 1

Данные и сигналы, используемые модулем_

№ Название параметра Возможные значения

1 Фото растения

2 Влажность "у стеблей" От 0 до 100%

3 Влажность "у корней" От 0 до 100%

4 Температура воды От -100,0 до 100,0 °С

5 Температура окружающей среды От -100,0 до 100,0 °С

6 Уровень рН От 0 до 14

7 Уровень ЕС От 0.0 до 10.0

8 Уровень воды Сигнал о минимальном уровне

9 Блок От 1 до 1000

Информация о нехватке/избытке веществ позволит производить скорректированные расчеты количества удобрений для растений, а следом составить наиболее оптимальный раствор. Информация о болезни растения позволит экстренно отреагировать на нее и предложить дальнейшие действия.

Сравнительный анализ с предыдущими данными и решениями, которые были сохранены в базу данных, позволяет предположить пригодность нынешнего. При каждой работе нейронная сеть выдает оценку и точность работы. При низкой точности будет необходимо эксперту самостоятельно рассмотреть растение.

Также модуль необходим для определения вегетационной фазы растения. Это позволит контролировать определенный состав света и времени освещения растений в сутки, подходящий растению в различные фазы. А также позволит контролировать микроклимат и оптимальное количество веществ для раствора. В табл. 2 представлены все параметры, которые задействованы в данном модуле. Предполагается возможность оценки нехватки питательных веществ по интенсивности.

Модуль анализа химического и качественного состояния воды (рис. 4) соотносит фазу вегетации, полученную из модуля визуальной интерпретации, с необходимым ЕС на данном этапе. Рекомендованные значения ЕС будут: от 0,8 до 1,2 - молодые укоренившиеся растения (первые недели этапа вегетации); от 1,3 до 1,6 - до появления соцветий (цветение); от 1,4 до 1,8 - после оформления цветущей кроны.

рН постоянен для растений, идеальным вариантом для аэропоники будет рН воды в диапазоне от 5,8 до 6,2 [9]. При этом в модуль контроля идет лишь сигнал об оптимальности или неоптимальности какого-либо фактора.

Модуль расчета необходимых удобрений для растений (рис. 5). Эффективнее позволить уровню рН колебаться в интервале от 5,5 до 6,5, создавая условия для качественного усвоения каждого элемента. При этом если рН поднялся до 7, нельзя резко снижать его до 5,5. Следует вначале до 6,5, потом до 6 и т.д. [10].

Рекомендации по вносу удобрений будут базовыми, либо же обновленными относительно прошлого изменения границ удобрений.

При получении других сигналов ЕС (кроме оптимального) - производится сигнал о смене воды в модуль

контроля.

Однако, для точных расчетов количества регуляторов потребуется обновление воды. Следовательно, после того, как был зафиксирован неподходящий рН, будет сливаться вода, выдается рекомендация о внесении рН регуляторов, после внесения - аналогично проверяется рН (синхронизируя с прошлой проверкой и ее результатами и с нормой рН). В среднем - 1 мл на 10 л для минимальной регулировки.

Нейронная сеть для анализа нехватки/избытка питательных веществ, будет способна выдавать оценку работы, которая будет показывать прогрессию проблемы растений относительно здорового вида, где 0 - растение здоровое, а 1 - растение погибло.

Данная оценка будет являться коэффициентом для расчета изменений границ элемента. Второй коэффициент - информация об избытке/нехватки питательного вещества, где коэффициент = 1 для нехватки, коэффициент = -1 для избытка. Третьим числом будет норма добавки/уменьшения для каждого вещества.

Полученные данные (в расчете мг на 1 литр) позволят переформировать нормы веществ в растворе для полноценного расчета удобрений. Средние нормы веществ в растворе:

В период вегетации:

Макроэлементы (мг/литр): Азот (Ы"): 224; Фосфор (Р): 39; Калий (К): 302; Кальций (Са): 175; Магний 52; Сера (Б): 86. Микроэлементы (мг/литр): Хелат железа (Бе фТРА)): 2,5; Хелат Марганца (Мп ^ТА)): 0,77; Хелат Цинка ^ТА)): 0,33; Бор (В): 0,5; Хелат Меди (Си ^ТА)): 0,063; Молибден (Мо): 0,063; Кобальт (Со): 0,02; Ванадий (V): 0,02; Селен (Бе): 0,015.

В период цветения и созревания:

Макроэлементы: N: 187; P: 52; K: 325; Ca: 128; Mg: 32; S: 55. Микроэлементы: Fe (DTPA): 2,5; Mn (EDTA): 0,77; Zn (EDTA): 0,33; B: 0,5; Cu (EDTA): 0,063; Mo: 0,063; Co: 0,02; V: 0,02; Se: 0,015. В период плодоношения:

Макроэлементы: N: 210; P: 39; K: 360; Ca: 165; Mg: 45; S: 80. Микроэлементы: Fe (DTPA): 2,5; Mn (EDTA): 0,77; Zn (EDTA): 0,33; B: 0,5; Cu (EDTA): 0,063; Mo: 0,063; Co: 0,02; V: 0,02; Se: 0,015.

Для того, чтобы рассчитать конкретный объем удобрений потребуется решение системы линейных уравнений, где свободный член является промежутком (количество питательных веществ), количество переменных зависит от количества возможных удобрений. Ь1 - нижняя граница, а Ь2 - верхняя граница.

Коэффициенты "а" при неизвестных составляют количество минеральных веществ в удобрениях в весовой системе. Неизвестными "x" являются масса удобрений. Вид уравнения будет таким:

{«11 * х1 + «12 *х2 + - + а1п * хп = [Ьг; Ь2] а21 *х± + а22 *х2 + — + а2п * х„ = [Ь3;Ь4]

ат1 * х± + аш2 *х2 + --- + атп * хп = [Ь2т_Ъ2т] Рис. 6. Система уравнений для расчета необходимого количества уравнений После расчета данных уравнений будут получены x1, x2, ..., xn - вес удобрений, рассчитанный на 1 литр

раствора.

Модуль контроля (рис. 7) отвечает за управление аппаратной частью.

Таблица 2

Параметры модуля визуального контроля и интерпретирования_

№ Параметры Возможные значения

1 Оценка работы нейронной сети, определяющий нехватку/избыток веществ От 0 до 1

2 Сравнительный анализ Значения определяются на основании выбранного растения и экспертных данных

3 Фаза вегетации От 1 до 4

4 Номер блока с растениями От 1 до 150

5 Болезнь Наименование болезни

6 Нехватка/ переизбыток питательных веществ рН -1;0;1 (где 1 - нехватка, 0 - достаточное количество, -1 переизбыток)

Температура -1;0;1

Азот -1;0;1

Фосфор -1;0;1

Калий -1;0;1

Кальций -1;0;1

Сера -1;0;1

Магний -1;0;1

Бор -1;0;1

Медь -1;0;1

Цинк -1;0;1

Железо -1;0;1

Хлор -1;0;1

Молибден -1;0;1

Фото растения name дагчикл

щ

J

Определение болезни человеком I

Нейронная сеть определения болезней

Нейронная сеть определения нехватки или избытка веществ

Определения фазы вегетации и роста

Определение болезни

Определение Определение

нехватки или нормального избытка количества веществ веществ

Оценка работы; / name датчик

эты|

ика]

Высокая ошибка

болезнь / name датчи

э

Высокая ои1ибка

у)

Сигнал о ненадобности расчете веществ / name датчика

Нехватка ил

избыток вещест: / name датчика

и

жа I

Высокая ошибка

Фаза вегетации name датчика

-и/к

J

Модуль контроля

Определение нехватки веществ человеком

Ч......Л

Модуль расчета

Определение фазы вегетации человеком i

Модуль анализа химического н качественного состояния волы

Фаза вегетации/

name датчика

Рис. 3. Модуль визуальной интерпретации

I I I

■тации /: Уровень рН / : Уровень ЕС /

ггчика | name датчик I типе датчика«

Модуль контроля

Рис. 4. Модуль анализа химического и качественного состояния воды

Рис. 5. Расчетный модуль

506

Сигнал о смене воды

Проверка температуры / nd

Управление светом <

____I

Влажность в Влажность не Температура в

нормальном нормальная / нормальном

^H^MH^^dj ^^^ nd | диапазоне / nd|

VrvieitsujOHHV

% 1?ДИМЧМ. J

Повышение юмп ера туры / nd h

Понижение температуры / nd Н

Управление вентиляторами

Рис. 7. Модуль контроля

Управление камерой на шасси. При различных сигналах от других модулей, будет запущен процесс смыва и замены воды в баке. После данного процесса требуется автоматически заполнить бак максимальным количеством воды и человеку добавить определенные удобрения в бак.

Проверка влажности, а следом корректируется время между опрыскиванием. Базовым является 10 минут [11]. Управление светом производится при помощи включения/выключения ламп определенного состава света. При этом важно учитывать расстояние от ламп до растений.

Рассаду следует выращивать при 12-14 часовом световом дне, при высокой интенсивности света. А в период плодоношения же будет наиболее интенсивный прирост сухого вещества происходит при 16-18 часовом дне.

Заключение. Предложенная в данной статье концепт позволит определять с высокой точностью, что происходит с растением в реальном времени на аэропонике.

Предложенная архитектура информационно-управляющей системы позволит определить возможности системы и инструменты, которые потребуются, для реализации данной аэропонной системы, а также рассмотреть в полной мере работу ПО.

Разработка и реализация системы с использованием алгоритмов на основе нечеткой логики и нейронных сетей позволит достичь наибольший урожай с меньшими потерями за счет поддержания благоприятных условий по сравнению с неавтоматизированными аэропонными системами.

Список литературы

1. Электронный ресурс: «Выращивание томатов на гидропонике - от семян до плодов». [Электронный ресурс] URL: https://agrodom.com/advice/vvrashchivanie-tomatov-na-gidroponike-ot-semvan-do-plodov (дата обращения: 10.05.2023).

2. Электронный ресурс: «Фазы роста и развития томатов». [Электронный ресурс] URL: https://otomatah.ru/fazv-rosta-i-razvitiva-tomatov.html (дата обращения: 10.05.2023).

3. Авторское свидетельство № 1683577 A1 СССР, МПК A01G 31/00. Способ выращивания растений томата в гидропонике: № 4216613: заявл. 25.03.1987: опубл. 15.10.1991 / П. А. Апостол, В. Н. Апостол, С. Ф. Реутова; заявитель МОСКОВСКАЯ СЕЛЬСКОХОЗЯЙСТВЕННАЯ АКАДЕМИЯ ИМ.К.А.ТИМИРЯЗЕВА.

4. Электронный ресурс: «Фотосинтез и свет» [Электронный ресурс] URL: https://novolampa.ru/baza-znaniv/fotosintez-i-svet (дата обращения: 10.05.2023).

5. Электронный ресурс: «Помидор - особенности технологии выращивания» [Электронный ресурс] URL: https://agrolife.ua/blog/pomidor-osobennosti-tehnologii-viraschivaniva (дата обращения: 10.05.2023).

6. Электронный ресурс: «Помидор - особенности технологии выращивания» [Электронный ресурс] URL: https://agrolife.ua/blog/pomidor-osobennosti-tehnologii-viraschivaniva (дата обращения: 10.05.2023).

7. Электронный ресурс: «Капельный полив помидор в теплице. Особенности питания растений». [Электронный ресурс] URL: https://agrodom.com/advice/kapelnvv-poliv-pomidor-v-teplitse-osobennosti-pitaniva-rasteniv/#:~:text=Электропроводность%20раствора%2C%20или%20ЕС&text=Приroтовив0/o20питательньIЙ0/o20раство р%20для%20томатов,5%20до%203%2C0%20mS (дата обращения: 10.05.2023).

8. Введение в программную инженерию: учебник / В. А. Антипов, А. А. Бубнов, А. Н. Пылькин, В. К. Столчнев. М.: КУРС: ИНФРА-М, 2019. 336 с.

9. Электронный ресурс: «Основное руководство по pH и EC и как они влияют на растения» [Электронный ресурс] URL: https://www.ecounit.ru/faq/ph-metrv/osnovnoe-rukovodstvo-po-ph-i-ec-i-kak-oni-vlivavut-na-rasteniva 5073.html (дата обращения: 10.05.2023).

10. Электронный ресурс: «Физика в помощь. pH и EC в жизни растений» [Электронный ресурс] URL: https://dzagigrow.ru/blog/fizika v pomosch ph iecv zhizni rasteniv (дата обращения: 10.05.2023).

11. Электронный ресурс: «АЭРОПОНИКА» [Электронный ресурс] URL: http://dominanta-agro.com/aeroponika (дата обращения: 10.05.2023).

Гордеев Денис Геннадьевич, студент, den.gord2010@mail.ru. Россия, Москва, Российский государственный аграрный университет - МСХА имени К.А.Тимирязева,

Греченева Анастасия Владимировна, канд. техн. наук, доцент A. Grecheneva@rgau-msha.ru, Россия, Москва, Российский государственный аграрный университет - МСХА имени К.А.Тимирязева,

Самусенко Александр Сергеевич, студент, samusenko.a2001@gmail.com, Россия, Москва, Российский государственный аграрный университет - МСХА имени К.А.Тимирязева

AUTOMATED AEROPONIC CULTIVATION SYSTEM BASED ON ARTIFICIAL INTELLIGENCE TECHNOLOGY

D.G. Gordeev, A. V. Grecheneva, A.S. Samusenko

The article is devoted to the description of the concept of creating a hardware and software system for growing agricultural products using an aeroponic installation within a greenhouse complex. In the course of the work, the key informative parameters in the greenhouse space were identified and described, and the structure of the information and control support of the aeroponic installation was determined. The necessity of using fuzzy logic and the use of neural network algorithms is substantiated. The algorithm of a hybrid neural network is described. The developed system will allow automating the cultivation of agricultural crops using an aeroponic installation.

Key words: aeroponics, information control system, complex processing, artificial neural network.

Gordeev Denis Gennadievich, student, den.gord2010@mail.ru, Russia, Moscow, Russian State Agrarian University - Moscow State Agricultural Academy named after K.A.Timiryazev,

Grecheneva Anastasia Vladimirovna, candidate of technical sciences, docent, A.Grecheneva@rgau-msha.ru, Russia, Moscow, Russian State Agrarian University - Moscow Agricultural Academy named after K.A.Timiryazev,

Alexander Sergeevich Samusenko, student, samusenko.a2001@gmail.com, Russia, Moscow, Russian State Agrarian University - Moscow Agricultural Academy named after K.A. Timiryazev

УДК 004

DOI: 10.24412/2071-6168-2023-7-508-509

РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ СИСТЕМЫ АЭРОПОННОГО ВЫРАЩИВАНИЯ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ЗРЕНИЯ

Д.Г. Гордеев, А.В. Греченева, А.С. Самусенко

Статья посвящена созданию программного обеспечения системы выращивания сельскохозяйственной продукции с помощью аэропонной установки в рамках тепличного комплекса с использованием искусственного зрения. В ходе работы были выявлены и описаны основные образы и формы данных, которыми необходимо оперировать управляющей системе, для выполнения основного функционала. Был разработан алгоритм и создана блок-схема, описывающая взаимодействие нейронных сетей с модулем сбора информации, а также взаимодействия логических модулей с базами данных.

Ключевые слова: базы данных, программное обеспечение, логический модуль, нейронные сети.

Современные политические условия диктуют требования к необходимости развития и интенсификации сельскохозяйственного производства, направленной на повышение уровня продовольственной обеспеченности населения РФ [1,2].

Данная стратегия также справедлива и для ведения деятельности выращивания с-х. культур с помощью аэропонных установок. В настоящее время выращивание в закрытом грунте занимает ведущую позицию в общем объеме выращивания с-х. продукции в России, что говорит нам о необходимости внедрения новых технологий в способы выращивания с-х. культур в тепличных комплексах.

Качество будущего сырья/плодов зависит от квалифицированного протекания фаз роста растения, так как существуют болезни, поражающие растение только на определенной стадии. Были разработаны системы аэро- и гидропоники, применяющиеся и по сей день как садоводами-любителями, так и работниками крупных агрохолдин-гов. Главными минусами таких систем является высокая стоимость аппаратного комплекса, а также возникновение трудностей в обслуживании и отсутствие полной автоматизации во время выращивания сельскохозяйственной культуры.

В связи с приведенными выше проблемами можно смело выдвинуть решение: необходимо создать автоматизированную систему аэропонного выращивания на основе технологии искусственного интеллекта.

В свою очередь, актуальность сохраняет задача разработки методов и подходов контроля микроклимата тепличных комплексов. Основными задачами, выполняемыми системами является анализ данных, на основании полученных показаний от датчиков и систем визуального контроля состояния растений, а также экспертных знаний и стандартизированных показаний параметров микроклимата, необходимых для оптимального выращивания с-х. культур.