廖鑫 陆敏 朱轶峰

摘 要 近年来，计算机技术、自动化装备技术、互联网技术及人工智能技术的飞速发展，极大地推动了植物工厂技术的发展，与传统设施农业相比，植物工厂节省种植面积，通过人工光照、温湿度模拟植物生长所需的环境，大幅度提高生产效益。近年来，随着图像识别技术、人工智能训练平台技术逐渐成熟，植物工厂“小型化”、“家庭化”。在“新基建”大兴后，人工智能、大数据、云计算等技术融入农业生产，使植物工厂的控制技术更智能。

关键词 植物工厂;人工智能;新基建

引言

人工智能作为引领新一轮科技革命和产业变革的战略性技术，已成为世界主要国家谋求新一轮国家科技竞争主导权的关键领域。随着政府人工智能战略布局的落地实施，全球人工智能发展正进入技术创新迭代持续加速和融合应用拓展深化的新阶段，深刻改变着国家政治、经济、社会、国防等领域的运行模式，对人类生产生活带来翻天覆地的变化。

1植物工厂

植物工厂初于十九世纪五十年代的丹麦，直至1983年，日本将水培与雾培两种种植方式相结合，并通过高压钠灯与自然光相结合，实现了流水线生产后，学界与国际市场才开始重视植物工厂这一技术。2002年，杨其长院士展开了对于人工光照环境的研究，并且搭建了实时在线监控系统。值得注意的是，2002年正是我国信息产业发展的元年[1]。从2002年至2020年，我國信息产业发展迅猛，信息产业技术向传统行业的渗透率不断提高，同时政府高度重视人工智能创新发展，提出了人工智能与实体经济深度融合的发展思路。围绕人工智能基础研究、关键核心技术研发、产业化应用、政策试点示范等，科技部加快新一代人工智能规划有关任务的落实，实施重大项目，深入推进大数据智能、跨媒体智能、群体智能、增强混合智能、自主智能系统等五大方向的研发。

基于深度学习、机器视觉的各种算法被应用到植物工厂领域。以种植的蓝莓为例，基于机器视觉与深度学习算法，在蓝莓生长的各阶段，基于大量的样本，对图像数据进行采集、分析，参数化、标准化，为每个生长阶段的生长特征建立算法模型，然后智能高清图像采集设备通过边缘计算可以实现快速判断判断蓝莓是否符合标准[2]。

2图像识别技术

基于人工智能算法的图像识别过程包括3方面。第一，为了获取需要的信息数据，图形识别通过各类传感器，以获取信息数据为基础将光声等特殊信号转化成电信号。在图像识别技术中，由计算机来存储图像特征和特殊数据，并存储在数据库中，图像特征和特殊数据是需要获取的信息。其中，信息数据可区分图形之间的不同特征，便于进行图像识别过程。第二，通过预处理信息数据，来凸显图像中的重要信息及特征，进行去噪、平滑及变换等图像处理操作。第三，在图像识别技术中，抽取及选择特征具有核心作用，尤其在识别模式中，决定了图像的识别效果，具有严格的要求，即提取不同图像中的特殊特征来选择图形的区分特征，并为了使计算机对这种特征具有记忆性，还应将图形特征存储在计算机中。第四，图像识别的最后一个步骤是设计分类器及决策分类。其中，设计分类器可按照有效程序制定识别规则，根据某种规律识别图像，并不是盲目和混乱地来识别图像信息。同时，在图像识别过程中，基于此规律设计分类器对相似特征种类进行识别、凸显，促使图像识别过程具有更高的辨识率，从而实现评价和确认图像的目标。

深度学习的建模方法相较于传统的图像处理手段省去了大量的预处理手段，只需要将图像裁剪成合适尺寸即可以进行图像识别，大量缩短了识别时间且大幅度提高识别准确率。相较于浅层神经网络，深度学习的学习能力更强，识别准确率更高。虽然识别时间较之前明显缩短，但是在深度学习训练中将会耗费大量时间，增加训练集训练的时间成本[3]。

利用深度学习的强大的图像分类能力可以直接将患病作物的图像分离出来，识别率较传统的建模方法和浅层神经网络要高，而且对外界环境条件要求不高，可以应用到植物工厂的生产中。图像在进行训练时，先选出候选区域对其图像特征进行提取，然后分为正负样本，正样本为正确的训练分类结果，负样本为不正确的分类结果，通过对正负样本的分类，可以准确地对图像进行分类。

3人工智能在植物工厂中的应用

当前植物工厂技术研究主要集中于人工光源对植物生产的影响，并从中寻找到人工促进植物生长的最优方案[4]。以往这一研究大多是在科研机构、大学的实验室中完成的。现在借助于图像识别与深度学习，基于人工智能训练平台，可以自主学习，在生产过程中，自我调优。

一个简易的植物工厂由物联传感设备、通风和温控机构设备、水循环装置、控制电路等装置组成。物联传感设备主要用于采集环境和土壤相关实时数据;通风和温控机构设备主要用于调控智能植物生长环境温度和二氧化碳浓度;LED光源模拟太阳光光谱，给植物提供光照能量;水循环装置采用水肥一体化策略，为植物生长提供足够的水分和养分。

基于人工智能的植物工厂是在上述组成部分的基础上，增加高清摄像机，在控制电路中增加通讯模块。高清摄像机作为云端大脑的“眼睛”，4G/5G或WIFI网络是连接“大脑”与“眼睛”及执行“末梢”的重要“神经”。“大脑”部署在云端的人工智能训练平台[5]。人工智能训练平台主要是利用Docker容器技术以及对应的容器管理解决方案Kubemetes作为实现平台的主要技术支持。对于植物工厂内的环境因子采集是不可或缺的部分，良好的传感器测量的环境参数会更加精确，也有利于整个控制系统的控制，从而促进植物的生长。温湿度、二氧化碳传感器产品已成熟，通过无线通信把环境参数稳定的传输至训练平台。使得训练参数维度更丰富，智能判断的结果更精准。基于人工智能的植物工厂可以实现植物生长状态实时跟踪、种植预案动态调整[6-8]。

农业是人类赖以生存的根本，在三次产业中占据基础性地位，对经济社会的稳定与发展至关重要。然而，随着人口的快速增长、耕地面积的逐步缩减以及城镇化的加速推进，农业面临的挑战日益严峻。AgThentic首席执行官Sarah Nolet表示，农业正在经历一场数字革命，人工智能的巨大潜力将加速改革的步伐，迅速改变食物从围场到盘子的方式。人工智能，从图像处理算法、到云生物学、到农场传感器，都可以对农业的经济和环境可持续性产生积极的影响。随着对农作物生长的复杂自然系统的了解越来越多，算法可以获得高度实用的建议，农民将使用更少的化学品和杀虫剂。随着农业供应链数字化，我们将减少浪费的食物数量，提高我们对消费者需求的快速反应能力，以及食品的透明度。人工智能将提高效率，为消费者带来便利，并帮助农民获取更多收益[9]。

4结束语

植物工厂利用人工智能技术，基于智能识别判别植物生长过程、自动调优模拟环境，实现高效规模化生产，最终实现效益最大化。人工智能、5G、“新基建”的快速发展将会加快我国植物工厂智能化水平，为我国农业现代化、智能化、智慧化发展创新出一条新路径。

参考文献

[1] 李新，徐蜜蔓，董淼.植物工厂的发展历程[J].河南农业，2014（18）： 43-45.

[2] 徐鸣.植物工厂的崛起与未来[J].江苏农村经济，2019（5）：4-7.

[3] 甘海明，岳学军，洪添胜，等.基于深度学习的龙眼叶片叶绿素含量预测的高光谱反演模型[J].华南农业大学学报，2018，39（3）：102-110.

[4] Cui Shigang， Chen Jiejie， Wu Xingli，et al. Research on TemperatureControl System of Plant Factory Based on Particle Swarm Optimization [C].2019 9thInternational Workshop on Computer Science and Engineering， 2019.

[5] 吴革，李健，赖英旭.基于操作系統容器虚拟化技术的JBS模型的研究[J].网络安全技术与应用，2010（4）：39-41.

[6] 王攀，张顺颐，陈雪娇.基于动态行为轮廓库的WEB用户行为分析关键技术[J].计算机技术与发展，2009，12（2）：20-23.

[7] 李真，史智兴，王成，等.红外热成像技术在作物胁迫检测方面的应用[J].农机化研究，2016，38（1）：232-237.

[8] 勒国庆，彭志华，姜锦云.嵌入式控制系统及应用课程的改革探索[J].福建电脑，2019，35（9）：39-40.

[9] 刘庆飞，张宏立，王艳玲.基于深度可分离卷积的实时农业图像逐像素分类研究[J].中国农业科学，2018，51（19）：3673-3682.

作者简介

廖鑫（1991-），男，江西赣州人;学历：大专;现就职单位：上海农业物联网工程技术研究中心，研究方向：信息资源整合，网络体系建设。