РАЗРАБОТКА УМНОЙ СИСТЕМЫ ГИДРОПОНИКИ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

БИОЛОГИЧЕСКИЕ НАУКИ

УДК 631.589.2

РАЗРАБОТКА УМНОЙ СИСТЕМЫ ГИДРОПОНИКИ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ

Шафрай А.В., Максименко А.А., Жидкова Е.А.

Кемеровский государственный университет, Россия, 650000, г. Кемерово, ул. Красная, 6

DEVELOPMENT OF A SMART HYDROPONICS SYSTEM BASED ON A NEURAL NETWORK

A. V. Shafrai, A. A. Maksimenko, E. A. Zhidkova

Kemerovo State University, Russia, 650000, Kemerovo, Krasnaya str., 6 DOI: 10.31618/NAS.2413-5291.2022.1.84.642

В статье представлена оценка эффективности использования интеллектуальной системы для управления установкой домашней гидропоники и повышения энергоэффективности выращивания растений путем внедрения интеллектуальных технологий. В рамках данной работы произведён анализ литературы и патентов по выбранной тематике. Построенная и обученная на базе экспериментальных данных нейронная сеть была интегрирована в систему управления гидропоникой. Ключевым результатом исследований служит разработанная система автоматизации гидропоники на базе нейронной сети, способная выращивать растения в бытовых условиях, снижая тем самым потребление электроэнергии.

The article assesses the effectiveness of using an intelligent system to control the installation of home hydroponics and improve the energy efficiency of growing plants through the introduction of intelligent technologies. Within the framework of this work, an analysis of literature and patents on the selected topic was carried out. Based on the literature and patent review, an experiment plan was drawn up; a test bench was assembled, with the help of which experimental data were obtained. The neural network built and trained on the basis of experimental data was integrated into the hydroponics control system. The key result of the research was the developed hydroponics automation system based on a neural network capable of growing plants in domestic conditions, thereby reducing electricity consumption.

Ключевые слова: АПК, умное сельское хозяйство, информационные технологии, нейронные сети, гидропоника, салат, латук, Lactuca scariola L., Lactuca sativa.

Keywords: Agriculture, smart agriculture, information technology, neural networks, hydroponics, lettuce, lettuce, Lactuca scariola L., Lactuca sativa

Введение

В условиях цифровой трансформации промышленности использование широкого спектра интеллектуальных технологий имеет большое значение для повышения конкурентоспособности и эффективности агропромышленного комплекса в целом. По прогнозам Global Commercial Greenhouse Market Report [1] ожидается, что в период 20232027 годов на

мировом рынке коммерческих теплиц будет наблюдаться устойчивый среднегодовой темп роста. Спрос на продовольствие растёт как из-за роста населения, так и из-за изменения условий окружающей среды. В связи с расширением использования коммерческих тепличных технологий и расширением использования передовых технологий в сельскохозяйственном секторе ожидается, что мировой рынок коммерческих теплиц увидит выгодные возможности в прогнозируемый период [1]. На сегодняшний день наиболее остро встают вопросы, связанные с созданием систем точного сельского хозяйства, предполагающих интенсификацию производства и снижение издержек, повышение качества продукции.

В очерченном плане система домашней гидропоники предназначена для выращивания зелени, микрозелени и некоторых овощей. Использование подобного оборудования без системы автоматизации несёт снижение энергоэффективности и качества готовой продукции.

Высокотехнологичные теплицы помогают решить некоторые из весьма серьезных сельскохозяйственных проблем в мире. Так, одной из глобальных сельскохозяйственных проблем является проблема дефицита пресной воды. Решения, которые могут предложить передовые тепличные хозяйства, заключаются в возможности уменьшения потребления воды до 90% при помощи эффективных методов «полива», включая гидропонику и технологию аэропоники [2]. Гидропоника является экологически чистой и прибыльной технологией. Относительно низкая урожайность, низкое качество продукции и высокие затраты на обработку и замену почвы побуждают фермы обращаться к гидропонной технологии. Согласно исследованиям ФАО [3], ожидается, что развитие альтернативных систем выращивания, таких как гидропоника, сыграет

важную роль в обеспечении глобальной продовольственной безопасности.

В настоящее время вопросы автоматизации и применения нейронных сетей в точном сельском хозяйстве, гидропоники в частности, отражаются в «смысловом бассейне» публикаций отечественных и зарубежных учёных [48]. Поиск научных работ по данной тематике показал, что у зарубежных коллег количество публикаций по данному вопросу на порядок больше. Вероятно, это связанно с тем, что Россия не так страдает от нехватки пахотных земель, как развитые страны зарубежья, и, как следствие, научные исследования во многом направленны на модернизацию традиционного сельского хозяйства.

Одними из первых значимых исследований системы автоматизации гидропонных установок были проведены японскими учёными T. Morimoto и Y. Hashimoto с коллегами в конце прошлого века. Их работы [9-11] посвящены созданию и развитию компьютерно -интегрированного сельскохозяйственного производства.

Вычислительная мощность компьютеров того времени была не высокой, сопоставимой с современными микроконтроллерами. Эти обстоятельства не помешали учёным развернуть полноценную нейронную сеть (далее - НС). Одним из ключевых применений искусственного интеллекта было определение физиологических отклонений или заболеваний растений [11] по их внешнему виду без использования компьютерного зрения. В результате симбиоза

автоматизированного управления, сбора данных с датчиков и нейронной сети,

сельскохозяйственное предприятие,

использующее данную технологию, получила урожая в 3.3 раза больше, чем аналогичное без неё.

В одной из изучаемых нами работ [9] НС использовалась для прогнозирования площади листа как показателя динамики роста растения по освещенности и концентрации питательных веществ в питательном растворе. Результаты показали, что предсказанная площадь листа практически полностью совпадает с наблюдаемой. По мнению авторов, это позволит наиболее эффективно контролировать рост растений.

С начала XX века произошел научный скачок в разработке искусственного интеллекта. Этому способствовало увеличение производительности вычислительных систем. При этом подлинная революция совершилась в мире нейронных сетей. Одной из них стала разработка в 2012 году архитектуры свёрточных нейронных сетей (CNN) [12]. Именно она позволила значительно повысить точность распознавания изображений, начала применяться в различных областях науки, в частности в сельском хозяйстве. В этом же ключе модифицирована архитектура рекуррентных нейронных сетей (RNN) с использованием долговременной краткосрочной памяти (LSTM).

В связи с этим возросло количество публикаций по данной тематике [1318]. В них авторы использовали различные архитектуры и

типы НС для изучения факторов, влияющих на рост растений, а также обработки данных НС, собранных во время роста, и дальнейшего получения управляющего эффекта рабочих органов системы гидропоники.

Совместно с НС весьма частотно используют технологию интернета вещей (IoT). Она позволяет по Wi-Fi передавать собранные данные с микроконтроллера на компьютер через сервер, что весьма эффективно в условиях большого количества датчиков на предприятии [18-21].

Российские ученые внесли свой вклад в развитие нейронных сетей в сельском хозяйстве. Так, исследователи из Сколковского института науки и технологий разработали стандартную встраиваемую платформу на базе Raspberry Pi 3B с рекуррентной нейронной сетью (RNN) и камеры для машинного зрения [22]. Авторы утверждают, что данная система позволит собирать и обрабатывать огромное количество наблюдений. Собранные данные совместно с уже существующими моделями роста и развития растений, пройдя операцию оптимизации, могут использоваться как для проектирования промышленных установок по выращиванию растений, так и контроля их роста. Это способствует достижению результата с наименьшими расходами, например, относительно выбора лучшего питательного раствора и режима освещения, что в свою очередь приводит к снижению количества использованных питательных веществ и потраченной электроэнергии.

В значительной части рассмотренные нами исследования охватывают исключительно модификацию установок промышленной гидропоники, не учитывая применения нейронных сетей для систем домашней гидропоники.

Далее представлен анализ патентов из области автоматизации гидропонных установок. Так, например, известен способ автоматизации гидропоники периодического затопления, в котором видеокамера совместно с комплексом алгоритмов определяла возраст растения, на основании чего дополнительное освещение подстраивалось под нужды растения, однако управление подачей воды не предусматривало адаптацию к различным факторам среды [23]. В этом же аспекте представлена система управления условиями роста растения в гидропонике на основе данных о микроклимате [24]. Однако в ней отсутствует контроль за транспирацией растения, что не отражает в полной мере физиологических состояний того или иного растения. Достаточно детально раскрыты особенности системы выращивания растений [25], которая включает в себя совокупность модульных блоков выращивания, разнообразие приборов освещения, механизм подачи питательных веществ. При этом автоматизация не предполагает адаптивного управления компонентами пищевых продуктов, которые усваиваются человеком.

Также существует множество патентов, описывающих создание и поддержание питательных растворов [26-27]. Техническим результатом таких моделей является упрощение процесса приготовления концентратов питательных жидкостей для растений, однако, по нашему мнению, для систем домашней гидропоники данная разработка не выгодна.

Так, в результате литературно патентного обзора следует отметить, что разрабатываемая технология, надо полагать, ранее не была известна широкой общественности. Данными факторами оправдана актуальность и целесообразность настоящего исследования.

Целью нашей работы является оценка эффективности использования интеллектуальной системы для управления установкой домашней гидропоники и повышения энергоэффективности выращивания растений путем внедрения интеллектуальных технологий.

Материал и методы исследования В рамках данного исследования объектом для изучения служит вид салата Lactuca scariola L., L. sativa L. Данный салат является весьма перспективным лекарственным растением, поскольку обладает широким спектром анальгетических, противовоспалительных,

антидепрессивных, антикоагулянтных свойств

[28]; а свежий срез такого растения источает млечный сок. Осуществлены процесс сбора, анализа и обработки информации, их интеграция в задачу контроля роста растения. Использованы аналитические методы исследования, методы компьютерного моделирования и

экспериментальные исследования, выполненные на натуральных объектах.

Результаты исследования и их обсуждение

Традиционный подход к вычислениям основан на явном наборе запрограммированных инструкций и восходит к работам Бэббиджа, Тьюринга и Фон Неймана. Нейронная сеть представляют собой альтернативную

вычислительную схему, при которой решение задачи изучается на наборе примеров.

Разработанная НС совместно с регулятором, сокращенно НСР состоит из трех основных блоков: базы данных, НС и модуля формирования управляющего воздействия (решения). Информация о микроклимате собирается с датчиков и передается на НС, которая формирует управляющее воздействие для исполнительного устройства. Исполнительное устройство воздействует на контролируемый процесс. Результаты исследования приведены на рисунках 1-2 [2].

Рис. 1. Схема работы системы управления гидропоникой с использованием нейронной сети (НС)

Рис. 2. Структура нейронной сети

Управление гидропоникой осуществляется по следующему алгоритму:

сбор данных. С помощью датчиков собирается информация о влажности и температуре воздуха, температуре поверхности листа растения, освещённости установки;

подготовка данных для НС. Рассчитывается VPD, формируется вектор входных значений для НС: 1X15X2];

получение выходных данных из НС. Получаем выходной вектор у [У1, Y2, Y3], где У1 -производительность насоса, У2 - скорость вентилятора, У3 - яркость фитолампы;

формирование управляющего сигнала для исполнительных устройств.

Также нами была разработана функциональная схема автоматизации, представленная на рисунке 3 [2].

Рис. 3. Функциональная схема автоматизации гидропоники

Исходя из представленных данных, управление системой гидропоники реализуется в автоматическом режиме, а именно: процессом выращивания растения. Пользователь

осуществляет контроль параметров, а также замену питательного раствора и посадку саженцев

растений в лоток. Помимо автоматического режима управления, также возможно ручное управление при помощи той или иной команды микроконтроллеру.

Пример пользовательского интерфейса показан на рисунке 4.

Оболочка х

MicroPython vl.12-663-gea4670d5a on 2020-07-29; ESP32 module with ESP32 Type Mhelp()" for more information. »> :<un -c SEDITOR CONTENT

Помповый насос включен

Температура воздуха = 24.78780000000002 Влажность = 49.25960000000001

Температура поверхности листа= 23.91000000000005 Яркость освещения = 2851.8 Рассчитанное VPD = 1.426706187968315

Вектор входных данных в НС: а г ray([1.426706187968315, 2851.8], dtype=float) Вектор выходных значений НС: а гray([2.6211, 1.298, 2.353400000000001], dtype=float)

Объем подачи питательного раствора: 2.6 л/мин Скорость вращения вентилятора: 130 pwm Яркость фитолампы: 2350 кОм

MicroPython (ESP32)

Рис 4. Пользовательский интерфейс системы гидропоники

Для сравнения энергоэффективности модели управления на основе нейросетевого регулятора необходима контрольная модель управления. Контрольная модель автоматического управления гидропоникой реализуется следующим образом:

объём подачи питательного раствора: 4 л/мин безостановочно;

интенсивность вращения вентилятора: 1000 pwm непрерывно;

мощность света фитолампы: 3000 кОм. Фотопериодичность 18 часов (световой день), 6 часов (ночь).

При данных параметрах установка в условиях светового дня имеет потребление 0.13 А, в условиях ночи 0.1 А. Суточное потребления электроэнергии будет равно:

Е = (220 * 0.13) * 18 + (220 * 0.1) * 6 = 647 Вт/сут

Результаты замеров приведены на рисунке 5.

-1-1-1-1-1-

О 5 10 15 20 25

Ноиг

Рис. 5. График потребления тока системой гидропоники управляемой НС

Так, суточное потребление электроэнергии Собранная установка имеет вид согласно

установкой управляемой нейросетевым рисунку 6. регулятором: Е = 442 Вт/сут, что на 32.3 % меньше чем за аналогичный период времени работы установки под управлением контрольной моделью.

Рис. 6. Собранная установка гидропоники

Применение нейронной сети обладает следующими достоинствами:

существенно сокращается продолжительность измерений, уменьшаются временные затраты на регистрацию и на этапы подготовки и обработки измерений;

повышается объективность исследований; возможность измерения показателя в режиме реального времени (в потоке).

К недостаткам относятся необходимость предварительной настройки, сбор и выявление ключевых входных и выходных информационных массивов данных, необходимость обучения нейронной сети (НС).

Заключение В ходе проведенного исследования произведено математическое описание нейронной сети, подобраны архитектура НС, количество слоёв и функция активации; разработан и реализован на практике алгоритм обучения нейронной сети; выполнены экспериментальные исследования

эффективности применения нейронной сети для регулирования параметров экспериментального стенда гидропоники; показано, что разработанная система автоматизации на основе нейронной сети обеспечивает повышение энергоэффективности системы гидропоники по сравнению с традиционными системами автоматизации.

Финансирование: работа ведётся в рамках Распоряжения Правительства Российской Федерации от 11.05.2022 г. №1144-р, комплексной научно-технической программы полного инновационного цикла «Разработка и внедрение комплекса технологий в областях разведки и добычи твердых полезных ископаемых, обеспечения промышленной безопасности, биоремедиации, создания новых продуктов глубокой переработки из угольного сырья при последовательном снижении экологической нагрузки на окружающую среду и рисков для жизни населения» («Чистый уголь - зеленый Кузбасс»), мероприятие 3.1 «Экополигон мирового уровня

технологий рекультивации и ремедиации» (соглашение № 075-15-2022-1200 от 28.09.2022 г.)

Список литературы

The Global Commercial Greenhouse Market is Anticipated to Witness Robust CAGR in the Forecast Period, 2023-2027 // Research and markets. 2022. 116 p. [Электронный ресурс]. URL:

https://www.researchandmarkets.com/reports/5648125 /global (дата обращения:

10.11.2021).

Максименко А. А. Разработка умной системы гидропоники для дома на основе нейронной сети (диссертация магистра мехатроники,

робототехники и автоматизации

биотехнологических производств). Кемерово, 2022. 100 с. (принята в печать).

Hydroponics market - growth, trends and forecast // Research and markets. 2022. 155 p. [Электронный ресурс]. URL:

https://www.researchandmarkets.com/reports/4703410 / (дата обращения: 10.11.2021).

Beyond the Megafarms: 4 Alternative Models For Indoor Agriculture. AFN, 2017. [Электронный ресурс]. URL: https://agfundernews.com/beyond-the-megafarm (дата обращения: 10.11.2021).

Новая программа развития городов (A/RES/71/256*). ООН: Секретариат Конфренции Хабитат III, г. Кито, 23 декабря 2016 года // ООН, 2017. [Электронный ресурс]. URL:

http://habitat3. org/wp-content/uploads/NUA-Russian.pdf (дата обращения: 10.11.2021).

6. Патанина К. В., Бойцова Ю. С., Аленин И. П. Статистика и тенденции развития технологий рынка гидропонного земледелия // Экономика и бизнес: теория и практика. 2020. N° 12-1(70). С. 103107. DOI 10.24411/2411-0450-2020-11026.

Балашова И. Т., Сирота С. М., Козарь Е. Г., Пинчук Е. В. Технологии будущего в овощеводстве защищённого грунта: многоярусная

узкостеллажная гидропоника // Вестник аграрной науки. 2017. №3 (66). C. 71-74.

Погонышев В. А., Погонышева Д. А., Ториков В. Е. Нейронные сети в цифровом сельском хозяйстве // Вестник Брянской государственной сельскохозяйственной академии. 2021. № 5(87). С. 68-71. DOI 10.52691/2500-2651-2021-87-5-68-71.

Morimoto T. Hashimoto Y. Optimal control of plant growth in hydroponics using neural networks and genetic algorithms. Acta Horticulturae. 1996. no. 406. Р. 433-440. DOI: 10.17660/ActaHortic.1996.406.43

Hashimoto Y. Computer integrated plant growth factory for agriculture and horticulture. II IFAC/ISHS Workshop: Mathematical & Control Applications in Agriculture & Horticulture. 1996. no. 48. P. 105-110. ISBN 978-90-66057-58-6.

Hatou K., Nonami H. Computer support system for tomato cultivation in plant growth factory. II IFAC/ISHS Workshop: Mathematical & Control Applications in Agriculture & Horticulture. 1996. no. 48. P. 301-306. ISBN 978-90-66057-58-6.

Krizhevsky A., Sutskever I., Hinton. G. E. ImageNet Classification with Deep Convolutional

Neural Networks. Advances in neural information processing systems. 2012. vol. 25. no. 48. P. 10971105.

Yumeina D., Aji G. K., Morimoto T. Dynamic optimization of water temperature for maximizing leaf water content of tomato in hydroponics using an intelligent control technique. Acta Horticulturae. 2017. vol. 1154. no. 5. P. 55-64. DOI: 10.17660/ActaHortic.2017.1154.8

Son J. E., Kim H. J., Ahn T. I. Hydroponic systems. In Plant Factory: An Indoor Vertical Farming System for Efficient Quality Food Production (Cambridge, US: Academic Press). 2020. P. 273-283. DOI: 10.1016/B978-0-12-816691-8.00020-0.

Aji G. K., Hatou K., Morimoto T. Modeling the Dynamic Response of Plant Growth to Root Zone Temperature in Hydroponic Chili Pepper Plant Using Neural Networks. Agriculture. 2020. no. 10. P. 234248. DOI: 10.3390/agriculture10060234.

Ferentinos K. P., Albright L. D. Fault Detection and Diagnosis in Deep-troughHydroponics using Intelligent Computational Tools. Biosystems Engineering. 2003. no. 84. P. 13-30. DOI: 0.1016/s1537-5110(02)00232-5.

Saraswathy V. R., Nithiesh C., Kumaravel S. P., Ruphasri S. Integrating Intelligence in Hydroponic Farms, International Journal of Electrical Engineering and Technology. 2020. vol. 11. no. 4. P. 150-158.

Jung D.-H., Kim H., Jhin C., Kim H.-J., Park S. Time-serial analysis of deep neural network models for prediction of climatic conditions inside a greenhouse. Computers and Electronics in Agriculture. 2020. vol. 173. P. 1-13. DOI:10.1016/j.compag.2020.105402.

Saraswathi D., Manibharathy P., Gokulnath R., Sureshkumar E., Karthikeyan K. Automation of Hydroponics Green House Farming using IOT. IEEE International Conference on System, Computation, Automation and Networking. 2018. vol. 10. P. 1-4. DOI: 10.1109/ICSCAN.2018.8541251.

Mehra M., Saxena S., Sankaranarayanan S., Tom R., Veeramanikandan, M. IoT based hydroponics system using Deep Neural Networks. Computers and Electronics in Agriculture. 2018. vol. 155. P. 473-486. DOI: 10.1016/j.compag.2018.10.015.

Kularbphettong K., Ampant U., Kongrodj N. An Automated Hydroponics System Based on Mobile Application. International Journal of Information and Education Technology. 2019. vol. 9. P. 548-552. DOI: 10.18178/ijiet.2019.9.8.1264.

Shadrin D., Menshchikov A., Somov A., Bornemann G., Hauslage J., Fedorov M. Enabling Precision Agriculture Through Embedded Sensing With Artificial Intelligence. IEEE Transactions on Instrumentation and Measurement. 2019. no. 99. P. 112. DOI: 10.1109/TIM.2019.2947125.

Пат. 20200167909A1, United States, МПК G 06 T 7/00. Autonomous plant growing system / Barrasso M. E., Rosca M. A. S., Fordyce J. D., Crawford P. W. (US). 16 / 777,194; заявлено 30.01.20; опубл. 28.05.20. C.1-35.

Пат. 113163725 A. PRC. МПК A 01 G 25/16. Plant growth control system / Bouwan P.J.L.H., Lee A.

F., Spohr P. B. (PRC). 201980071507.7; заявлено 27.09.19; опубл.

28.04.21. C. 1-44.

Пат. 10555466 B2, United States, МПК A 01 G 31/02. Modular automated growing system / Gonyer D., Jones S. (US).15 / 376,080; заявлено 12.12.16; опубл. 11.02.20. C.1-20.

Пат. KR20180094076A, South Korea, МПК A 01 C 23/00. Nutrient management automation system for hydroponics and method thereof / Nam Yu. -S, Kim M. -

G., Kim S., Kim H.-J., Lee H.Y.H., Kyung B. B.-H.,

Lee M.-W. (Korea). 10-2020-0018161; заявлено 08.10.18; опубл. 19.02.20. С. 1-16.

Пат. 208740 208740U1. Российская Федерация. МПК A 01 G31/02. Устройство для приготовления концентратов питательных растворов для растений / Коваленко Д. В.

(Россия). 2020142917; заявлено 24.12.20; опубл. 11.01.22. С. 1.-5.

Кароматов И. Дж., Аслонова М. Р. Салат, латук перспективное лекарственное растение // Биология и интегративная медицина. 2018. № 4(21). С. 120-129.