人工智能辅助种植策略对温室草莓生产调控效果对比研究

耿闻轩, 赵俊晔, 阮继伟, 侯跃辉

Comparative Study of the Regulation Effects of Artificial Intelligence-Assisted Planting Strategies on Strawberry Production in Greenhouse

GENG Wenxuan, ZHAO Junye, RUAN Jiwei, HOU Yuehui

表1 草莓AI种植策略和技术方案

Table 1 Artificial intelligence planting strategy and technical protocols of strawberry

处理 主要特点 技术策略和实施过程 AI-1 知识图谱+视觉识别+作物模型 结合草莓生长模型和视觉识别，通过知识推理［14］的方法实现温室管理决策以达到产量最优的目标。首先将所调研的10位专家种植经验和环境及作物传感器数据翻译成计算机语言，构建基于Neo4j的草莓种植管理知识图谱［15］。然后利用作物水肥模型和温室气候模型分析草莓植株的营养生长和生殖生长过程，由路径排序算法［16］根据知识图谱模拟专家进行决策。其中机器视觉识别主要针对作物来源数据，采用YOLOv4神经网络多特征融合法［17］实现草莓生育期、吐水情况、花序和果实的识别，通过与潜在作物长势对比的生长偏差为知识图谱决策提供依据 AI-2 温室番茄种植模式迁移+双层算法 将荷兰温室番茄的智能种植模式［11, 18］迁移到草莓种植，通过改良后的机器学习和条件控制算法制定智能种植管理策略，并引入深度学习处理作物图像信息数据，预测和判断作物生长发育情况［12, 19］。采用双层算法，第一层算法是条件决策，主要是根据专家经验设定阈值，防止极端决策越过不合理界限；第二层是融合产量预测决策和设定值优化决策的混合决策。其中产量预测是基于大数据通过机器学习制定的决策，设定值优化决策是基于传统植物生理模型和专家经验的决策 AI-3 视觉识别+作物模型+专家系统 将作物生长仿真器SUCROS87［20］应用于草莓潜在产量预测，计算得出在本试验条件下，每株草莓在盛果期每天最多可形成1.6 g干物质，通过与实际干物质量对比，为管理调控提供参考。基于比叶面积（Specific Leaf Area，SLA）构建了WOFOST （World Food Studies）［21］作物生长模型，预测草莓产量，结合视觉识别对比潜在长势和实际长势，由专家系统提供种植策略。其中利用CNN构建了图像识别系统，通过加入残差模块减少复杂农业背景的干扰，实现自动单叶分割、叶面积测算的目的 AI-4 作物生长模型+发育模型 基于作物干物质生产分配规律和辐热积（Product of Thermal Effectiveness and Photosynthesis Active Radiation，TEP）构建草莓生长发育模型［22, 23］，对作物生长和产量形成进行预测和干预。草莓干物质生产模型主要包括叶面积指数模型、光能截获模型和干物质分配指数模型，用于既定水肥条件下的产量预测。辐热积参数的计算依据主要是基于三基点温度的相对热效应和光合有效辐射。通过作物生长模型和发育模型，自动控制相应发育期的水分和肥料，并根据作物实际长势调节辐热积参数推迟或者加快生育进程