設施番茄栽培智能補光系統(tǒng)關鍵技術研究

申惠芳 周杰

摘要 為了進一步提高設施番茄的品質與產(chǎn)量，在國內(nèi)外對設施番茄栽培補光研究的基礎上，研發(fā)了一套設施番茄栽培智能補光系統(tǒng)。該系統(tǒng)通過人工神經(jīng)網(wǎng)絡自主學習并識別番茄不同生長階段，根據(jù)識別的番茄生長周期內(nèi)所處的不同生長階段，實現(xiàn)對補光光源紅藍光比例的動態(tài)調整，建立了對應于番茄不同生長階段的補光控制線性模型，完成了對設施番茄生長全過程的精準補光誘導。測試結果表明，該系統(tǒng)識別準確度高，滿足了設施番茄生長全過程精準補光的需求。

關鍵詞 番茄;栽培;補光;機器學習

中圖分類號 S123? 文獻標識碼 A? 文章編號 0517-6611（2024）03-0202-05

doi：10.3969/j.issn.0517-6611.2024.03.048

Research on Key Technology of Intelligent Light-filling System for Facility Tomato Cultivation

Abstract In order to further improve the quality and production of greenhouse tomatoes， a set of intelligent light supplement system for greenhouse tomatoes cultivation was developed on the basis of the research on greenhouse tomatoes cultivation at home and abroad. The system independently learns and recognizes different growth stages of tomatoes through artificial neural network， then adjusts the ratio of red and blue light according to the different growth stages of the tomatoes， and completes the precise supplementary light induction of the whole growth process of the greenhouse tomatoes at last. The test results show that the system has high recognition accuracy， which meets the needs of light supplement in the whole process of tomato growth in the facility.

Key words Tomato;Cultivation;Complement light;Machine learning

光照是植物光合作用最重要的能量來源，無論是光照強度還是光照時間對植物的生長都有很大的影響，人工補光的應用對農(nóng)作物的生長具有重要的意義［1］。在設施環(huán)境下，采用人工光源對農(nóng)作物進行補光誘導是對自然光的延續(xù)與補充，符合農(nóng)作物的生長特性，滿足農(nóng)作物的生長需求［2-3］。

將LED 作為補光光源在農(nóng)業(yè)中的應用范圍愈來愈廣泛。荷蘭在花卉的多層栽培中大量運用LED補光，有效提高了花卉的產(chǎn)量［4］；三菱公司利用紅色LED光源對茄果類蔬菜進行照射補光，縮短了番茄的生長周期，大大降低了生產(chǎn)成本；在德國，OSRAM公司利用自主研發(fā)的大功率LED照射溫室蔬菜，使得部分蔬菜中維生素C的含量大幅度增加［5］。

1 番茄栽培補光研究現(xiàn)狀及存在的問題

國內(nèi)外大量研究表明，在不同顏色光誘導下番茄生長差別較大。Fan X X等［6］發(fā)現(xiàn)，紅光下番茄紅素含量最高，藍光處理下番茄果實可溶性蛋白含量和維生素C含量均顯著增加，番茄果實的糖酸比值在紅藍組合光處理下最高；Tewolde F T等［7］使用 LED 對溫室中后期番茄補光，發(fā)現(xiàn)紅光處理番茄莖粗增加，相對株高、葉面積、節(jié)間距顯著降低，藍光處理顯著增加了番茄果實可溶性糖含量。黃丹丹等［8］研究發(fā)現(xiàn)，紅色 LED 燈和藍色 LED 燈比綠色 LED 燈更加有利于提高番茄的光合速率。

研究表明，紅藍（R∶B）混合光對番茄生長有益，然而已有的研究都是針對設施番茄的某個生長階段，缺少貫穿于番茄整個生長周期不同生長階段的補光研究，同時，較高的人工成本以及傳統(tǒng)的管理模式在很大程度上也制約了其推廣應用。

2 智能補光系統(tǒng)組成

該研究通過機器視覺準確識別番茄的生長狀態(tài)，為實現(xiàn)番茄栽培LED補光光源紅藍（R∶B）混合比例的動態(tài)調節(jié)提供技術支持。系統(tǒng)主要由視覺巡檢主機、可調LED光源及控制模塊、物聯(lián)網(wǎng)以及溫室結構設施等組成（圖1）。視覺巡檢主機以設施溫室內(nèi)鋼結構為軌道，以人工神經(jīng)網(wǎng)絡算法為核心，實現(xiàn)對大面積番茄生長狀態(tài)的自主學習和識別，根據(jù)番茄植株生長狀態(tài)通過物聯(lián)網(wǎng)調制現(xiàn)場LED藍紅光的混合比例，以精確誘導番茄的生長過程。

光源采用可調光LED圓形燈，單盞直徑約28 cm，功率小于24 W，紅光波長為630 nm，藍光波長為460 nm。視覺鏡頭擬采用美國星瞳帶變焦功能的2.5 mm廣角鏡頭，清晰度1 080 P，系統(tǒng)主控芯片為STM32。

3 系統(tǒng)研究及試驗方法

系統(tǒng)要解決番茄生長階段的機器視覺自主識別以及LED光源R∶B精確配比及控制技術，為此采取的研究試驗方法如圖2所示。將番茄幼苗分為試驗組和對照組兩部分同步進行。

以番茄一個完整的生長周期作為試驗時間，選取長勢大小基本一致、沒有病蟲的番茄幼苗置于日光溫室中進行培養(yǎng)。試驗期間，白天光照為自然光，室內(nèi)溫度為25～28 ℃，除LED光源外，試驗組與對照組其他培養(yǎng)條件均相同。幼苗期夜間補光4 h，花期過后坐果時增至8 h。

試驗組通過分組手動調節(jié)LED光源R∶B的值，并根據(jù)不同階段番茄生長參數(shù)檢測的結果，篩選出最有利于番茄生長的R∶B比值范圍［RB1，RB2］。對照組在溫室自然光下生長，一方面為試驗組提供同階段的比對數(shù)據(jù)，另一方面為機器視覺系統(tǒng)提供學習訓練的數(shù)據(jù)，以優(yōu)化人工神經(jīng)網(wǎng)絡內(nèi)部結構參數(shù)，使得視覺系統(tǒng)能準確識別番茄的各生長階段?？刂破鞲鶕?jù)視覺系統(tǒng)識別的番茄生長狀態(tài)數(shù)據(jù)，在［a∶b，c∶d］比值范圍內(nèi)通過線性調節(jié)實現(xiàn)對LED準確調控，從而實現(xiàn)對番茄生長的精準誘導。

4 關鍵技術的實現(xiàn)

4.1 系統(tǒng)實現(xiàn)的技術路徑（圖3）

將番茄幼苗分為6組，每組15株，株距約20 cm，其中5組為試驗組，1組為對照組；每3株分配1盞LED光源，光源與幼苗頂端的距離根據(jù)所選品種番茄植株高度決定，滿足光照強度不低于10 μmol/（m2·s）。

4.2 番茄生長階段識別

番茄生長狀態(tài)的識別是該研究的關鍵技術，視覺特征是圖像直接呈現(xiàn)的事物的自然特征，對顏色、紋理、形狀的提取與分析可以作為評價農(nóng)作物生長狀態(tài)的重要依據(jù)［9］。筆者通過卷積神經(jīng)網(wǎng)絡對番茄植株視覺特征在多維空間進行模式分類，從而識別其所處的生長階段。識別過程如圖4所示。

番茄圖像采集通過視覺鏡頭完成，基準圖像是剔除了隨機干擾的采集圖像，將基準圖像處理成224×224大小輸入卷積神經(jīng)網(wǎng)絡，輸出為番茄所處的生長階段［10］。之所以將基準圖像處理成224×224大小是因為訓練網(wǎng)絡時除了使用現(xiàn)場采集的圖像，還利用了ImageNet數(shù)據(jù)集強化訓練以提高識別準確度。

4.2.1 卷積神經(jīng)網(wǎng)絡的結構設計（圖5）。

卷積神經(jīng)網(wǎng)絡輸入為224×224×3的彩色圖像，其中3表示R＼G＼B 3種顏色特征，輸出為8個神經(jīng)元，表示番茄的8個生長階段。網(wǎng)絡首先對輸入的番茄植株圖像2次卷積運算后進行1次池化，然后1次卷積進行1次池化，連續(xù)4次后通過2個全鏈接層F4、F5輸出。網(wǎng)絡執(zhí)行了6次卷積運算，有6個深度，前2次卷積分別提取形狀和紋理特征，后4次卷積得到更多局部整體特征。網(wǎng)絡越深就能更多地學習圖像的特征，較深的網(wǎng)絡使得神經(jīng)元數(shù)量龐大，訓練速度也就越慢。項目設計了5次池化過程，將輸入224×224×3的彩色圖像轉化為7×7×128的特征圖像。

激活函數(shù)擬選用S函數(shù)：

4.2.2 輸出層設計。將番茄一個完整生長周期分為4個時期，通過8個階段特征識別，因此設計輸出層由8個神經(jīng)元組成，每個神經(jīng)元對應含義如圖6所示。

4.2.3 訓練樣本的獲取。訓練樣本是番茄在生長過程中的各個狀態(tài)圖像。由于番茄生長過程緩慢，需通過下面的方法獲得訓練測試樣本。自然光下，將15株番茄分為2組種植，第1組10株，第2組5株，如圖3所示。第1組為訓練樣本采集對象，第2組為測試樣本采集對象。這樣設計的目的是為了保證測試時系統(tǒng)沒有見過測試圖像。數(shù)據(jù)采集期間巡檢機器人每日巡檢1次，巡檢時采集10幀第1組圖像和1幀第2組圖像保存至存儲卡中。這樣可以在番茄一個生長周期（以100 d計算）內(nèi)得到1 000幀訓練圖像及100幀測試圖像。

4.2.4 網(wǎng)絡訓練。整個網(wǎng)絡采用有監(jiān)督的誤差反向傳播算法進行訓練，誤差是目標值與輸出值的偏差，實際輸出值從輸出層神經(jīng)元輸出，目標值自定義設置且滿足2點要求，期望值的個數(shù)是輸出層節(jié)點數(shù)，輸出層神經(jīng)元輸出值受激活函數(shù)S的限制，輸出值區(qū)間為（0，1）。因此，設計目標值的最大值為0.99，最小值為0.01。網(wǎng)絡權重更新方法如下：

oldWjk是訓練之前初始化隨機權重矩陣，newWjk是更新之后的權重矩陣，減號表示權重變化的方向，如果偏差e變大則權重值減小，反之則權重值增加。α是為了防止神經(jīng)網(wǎng)絡飽和設置的學習率，初始α=0.1。

4.3 LED調光控制

網(wǎng)絡訓練結束后，巡檢機器人白天巡檢1次，識別出番茄生長狀態(tài)后，夜晚在試驗獲得的紅藍光R∶B比例調節(jié)范圍內(nèi)實現(xiàn)對溫室中的LED光源線性調節(jié)。LED控制信號由控制器線性化計算得出，神經(jīng)網(wǎng)絡的輸出有8個狀態(tài)值，在STM32中用Python將輸出結果保存在一個數(shù)組中，記為array［9］，數(shù)組array中最大值的索引號max（array）.index即為輸出結果，結合試驗篩選的紅藍光調節(jié)范圍［a∶b，c∶d］，控制器的輸出x表示為：

5 試驗測試

選取2種不同生長狀態(tài)的番茄圖像作為試驗對象，受激活函數(shù)的限制，每個生長狀態(tài)值的范圍都為0.01～0.09，8個輸出狀態(tài)值中的最大值即表示識別出的輸出狀態(tài)，試驗結果如圖7所示。

從圖7可以看出，處于開花期的番茄植株，識別結果在第5個生長階段出現(xiàn)了接近于1的最大值，即對應圖6中的第5個神經(jīng)元；對于結果期的番茄植株，識別結果在第7個生長階段出現(xiàn)了最大值，對應于圖6中的第7個神經(jīng)元，同時在第8個生長階段網(wǎng)絡輸出值并沒有下降至0.0，而是停留在0.3～0.4，說明識別出了部分果實開始著色。

6 結論

筆者研究了設施番茄栽培智能補光系統(tǒng)的關鍵技術，并通過機器視覺識別番茄生長狀態(tài)，為番茄栽培全過程中補光光源對番茄生長的精準誘導提供了技術支持。測試結果表明，該方法能準確地識別番茄的生長狀態(tài)，獲得了較好的效果，可以進一步擴展到設施農(nóng)業(yè)其他類別的蔬菜補光系統(tǒng)中。

參考文獻

［1］ 李蔚，李新旭，李紅岺，等.植物生長燈不同補光時間對日光溫室番茄產(chǎn)量及品質的影響［J］.安徽農(nóng)業(yè)科學，2019，47（11）：49-50，55.

［2］ 段青青，張祿祺，張自坤.不同生育期補光對溫室甜椒生長、產(chǎn)量及品質的影響［J］.植物生理學報，2021，57（4）：950-962.

［3］ 張子鵬，溫健新，黃愛政，等.LED燈補光對溫室甜椒產(chǎn)量及品質的影響［J］.安徽農(nóng)業(yè)科學，2016，44（29）：24-25，29.

［4］ 李曉慧，王一迪，班甜甜，等.LED補光對番茄幼苗形態(tài)特征及相關生理特性的影響［J］.北方園藝，2020（4）：1-6.

［5］ 張云，呂鎮(zhèn)城，徐良雄，等.LED紅藍光對植物生長發(fā)育和光合特性影響的研究進展［J］.惠州學院學報，2019，39（6）：33-40.

［6］ FAN X X，XU Z G，LIU X Y，et al.Effects of light intensity on the growth and leaf development of young tomato plants grown under a combination of red and blue light［J］.Scientia horticulturae，2013，153：50-55.

［7］ TEWOLDE F T，LU N，SHIINA K，et al.Nighttime supplemental LED inter-lighting improves growth and yield of single-truss tomatoes by enhancing photosynthesis in both winter and summer［J］.Frontiers in plant science，2016，7：1-10.

［8］ 黃丹丹，張士秀，賈淑霞，等.LED補光對番茄光合特性的影響［J］.中國農(nóng)學通報，2014，30（22）：102-108.

［9］ 朱顥東，吳迪，孫振，等.基于PCA和 AdaBoost.M1的植物葉片圖像識別方法［J］.江蘇農(nóng)業(yè)科學，2016，44（12）：372-374.

［10］ 楊健，鄒陽.基于智能圖像識別的番茄典型病害遠程診斷系統(tǒng)研究［J］.軟件導刊，2017，16（9）：199-201.