Способ автоматического подбора оптимальных параметров выращивания растений на основе методов машинного обучения
Владельцы патента RU 2723189:
Автономная некоммерческая образовательная организация высшего образования "Сколковский институт науки и технологий" (RU)
Изобретение относится к сельскому хозяйству, а именно к автоматическому подбору оптимальных параметров выращивания растений в климатической камере или помещении с контролируемой окружающей средой. Способ содержит этапы, на которых: а) выбирают контролируемые параметры окружающей среды, влияющие на исследуемую культуру; б) выбирают целевую функцию, характеризующую рост растений; в) задают начальные значения параметров с использованием экспертных данных; г) применяют указанные начальные значения параметров к образцам исследуемой культуры; д) определяют значение целевой функции; е) определяют новые значения параметров на основе определенного значения целевой функции с использованием модели роста указанной культуры, основанной на алгоритме машинного обучения; ж) применяют указанные новые значения параметров к образцам исследуемой культуры; з) определяют новое значение целевой функции, полученное в результате выращивания образцов исследуемой культуры на этапе ж) с применением новых значений параметров на этапе е); и) если указанное новое значение целевой функции меньше заданного порогового значения или отличие указанного нового значения целевой функции от предыдущего значения целевой функции больше заданной величины, повторяют этапы е)–з); в противном случае считают текущие значения параметров оптимальными. Изобретение позволяет более эффективно, без проведения большого числа экспериментов определить оптимальные параметры выращивания растений. 3 з.п. ф-лы, 1 ил.
Область техники, к которой относится изобретение
Настоящее изобретение относится к автоматическому подбору оптимальных параметров выращивания растений и, в частности, к автоматическому подбору оптимальных параметров выращивания растений на основе методов машинного обучения.
Уровень техники
Источниками информации об условиях эффективного прорастания семян и приживаемости растений являются экспериментальные данные, полученные в экспериментах с конкретными видами растений при действии отдельных факторов окружающей среды, а также экспертные знания специалистов-агрономов о пределах допустимых значений внешних параметров.
В патентном документе CN 107072152 A описана методика подбора освещения для выращивания растений в контролируемой среде с учетом оптимизации расходов на электроэнергию. В работе используются параметрические модели роста, неприменимые к проращиванию семян.
В патенте US 7472513 B2 описана методика выращивания картофельной культуры в контролируемой среде с варьируемыми параметрами температуры, влажности, освещенности и питания. Работа фокусируется на системе оптимального выращивания конкретной культуры в конкретных условиях.
В патенте № US 7987632 B2 описана интеллектуальная камера роста, включающая в себя систему камер и датчиков для сбора данных о состоянии растений, а также систему контроля освещения среды. Подбор параметров для оптимального выращивания растений в реальном времени предлагается осуществлять на основе экспертной системы, обрабатывающей полученные данные.
В патентном документе US 2017/0270817 A1 описана система мониторинга и принятия решений для оптимизации выращивания растений в закрытых и открытых условиях. Данные о состоянии окружающей среды снимаются с датчиков и отправляются в базу данных. Система принятия решений анализирует полученные показания, сравнивая их с характерными значениями из профиля выращиваемого растения, и предлагает пользователю необходимый набор действий.
В патентном документе CA 2859177 A1 описана система оптимизации освещения растений для улучшения роста и сокращения расходов на электричество. Система использует данные о необходимом количестве света для растений и производит точечное включение/выключение освещения на основе этих данных, а также расходов на электричество в конкретные моменты времени.
Ни одно из предлагаемых решений не обеспечивает эффективного и автоматического подбора параметров для оптимального выращивания растений. Соответственно, необходимо, чтобы подбор параметров выращивания растений был более эффективным и не требовал проведения множества экспериментов.
Раскрытие сущности изобретения
Уточнение и перенос знаний, относящихся к проращиванию растений, из дискретного набора значений, определенных экспериментально, к модели роста растений, основанной на методах машинного обучения, может существенно повысить эффективность производства и избавит от необходимости проведения множества экспериментов.
В соответствии с изобретением предлагается применение алгоритмов машинного обучения для автоматического подбора параметров проращивания, факторов влияющих на скорость, эффективность проращивания / приживаемости культур растений / семян в (частично) контролируемой окружающей среде. Подобное решение позволяет: а) находить параметры прорастания семян / приживаемости культур растений, позволяющие максимизировать эффективность, б) учитывать как контролируемые, так и неконтролируемые (но измеряемые) параметры окружающей среды, в) избавиться от ручного подбора параметров на основе экспертных знаний.
В соответствии с одним вариантом осуществления изобретения предлагается способ подбора параметров выращивания растений, содержащий этапы, на которых: а) выбирают контролируемые параметры окружающей среды, влияющие на исследуемую культуру; б) выбирают целевую функцию, характеризующую рост растений; в) задают начальные значения параметров; г) применяют указанные начальные значения параметров к образцам исследуемой культуры; д) определяют значение целевой функции; е) определяют новые значения параметров на основе полученного значения целевой функции с использованием модели роста указанной культуры, основанной на алгоритме машинного обучения; ж) применяют указанные новые значения параметров к образцам исследуемой культуры; з) определяют новое значение целевой функции; и) если указанное новое значение целевой функции меньше заданного порогового значения или отличие указанного нового значения целевой функции от предыдущего значения целевой функции большего заданной величины, повторяют этапы е)–з); в противном случае считают текущие значения параметров оптимальными.
Краткое описание чертежей
На фиг. 1 представлена последовательность этапов выполнения способа подбора параметров выращивания растений.
Осуществление изобретения
На фиг. 1 представлена последовательность этапов выполнения способа подбора параметров выращивания растений. Указанный способ выполняется при помощи системы, представляющей собой программно-аппаратный комплекс, состоящий из оборудования для контроля и наблюдения параметров окружающей среды, в которой производится выращивание растений, а также алгоритма поиска оптимальных параметров на основе байесовской оптимизации.
Оборудование для контроля параметров окружающей среды может быть выполнено в виде климатических камер или помещений, в которых контролируются показатели влажности, температуры, освещенности (одновременно, либо по отдельности). Система контроля предназначена для выращивания исследуемой культуры в заданных факторах окружающей среды, а именно: условиях температуры, влажности, концентрации элементов питания растений и других показателей, необходимых пользователю. Возможно параллельное использование нескольких (2 и более) систем контроля.
Точность и диапазон контроля параметров окружающей среды может варьироваться в зависимости от технических возможностей и потребностей пользователя. Увеличение точности контроля, перечня контролируемых показателей и частоты наблюдений приводит к улучшению качества работы системы.
Поиск оптимальных параметров контролируемой системы осуществляется с помощью метода машинного обучения. Система принимает на вход предыдущие наблюдаемые результаты, а именно: а) значения наблюдаемых параметров системы контроля при отдельных значениях действующих факторов окружающей среды, б) значение целевой функции, например, суммарная биомасса выросших растений или количество проросших семян, длина корней или колеоптилей при отдельных значениях действующих факторов окружающей среды в) оценку неопределенности наблюдаемых, но не контролируемых параметров. В качестве целевой функции может выступать несколько значений, например, увеличение количества проросших семян, сырой биомассы надземной части растений и уменьшение расходов на освещение, либо полив. На выходе система выдает оптимальные значения контролируемых параметров (факторов окружающей среды) для следующего шага наблюдений.
В качестве центрального алгоритма машинного обучения внутри является алгоритм из семейства байесовской оптимизации, который может использовать (но не ограничен) для моделирования целевой функции параметрические и непараметрические модели:
1) Гауссовские процессы;
2) Искусственные нейронные сети (artificial neural networks);
3) Случайные леса (random forest).
А также можно использовать (но без ограничений) для максимизации вспомогательные функции:
1) Ожидание улучшения (Expected Improvement);
2) Верхняя/нижняя граница определенности (Upper / Lower Confidence Bound);
3) Поиск энтропии (Entropy Search).
Пример работы алгоритма.
Пусть имеются начальные данные значений наблюдаемых параметров и соответствующих значений целевой функции D = {(x1, y1), (x2, y2), …, (xN, yN), N \in {0, 1, 2, …, }}; выбрана параметрическая (или непараметрическая) предиктивная вероятностная (или детерминистическая) модель f(D, x); а также вспомогательная функция a(f, x). Тогда, для выбора следующего набора параметров:
а) по имеющимся данным строится предиктивная модель f(D, x);
б) строится “ленивым” образом вспомогательная функция a(f, x);
c) запускается оптимизатор вспомогательной функции, который ищет её максимум.
На выходе алгоритма получаются значения наблюдаемых параметров, которые максимизируют выбранную вспомогательную функцию в соответствие с выбором предиктивной модели.
Изобретение позволяет оптимизировать факторы окружающей среды, влияющие на показатели проращивания семян (всхожесть, энергия прорастания, длина корней, длина колеоптиля и др), приживаемости и роста растений посредством алгоритмов байесовской оптимизации.
На первом этапе происходит инициализация алгоритма. Выбираются контролируемые факторы окружающей среды (параметры), влияющие на исследуемую культуру, и показатель (целевую функцию), который необходимо оптимизировать. Границы показателей и начальные значения параметров задаются с использованием экспертных знаний, и таким образом производится тестирование первых образцов исследуемой культуры. Для инициализации алгоритма необходимо наличие экспериментально измеренных значений целевых показателей для различного набора факторов (не менее трех значений).
В результате работы алгоритма на основе экспериментальных данных, пользователи получают рекомендации по выбору последующих значений контролируемых факторов, которые используют для тестирования следующих образцов. Процесс получения экспериментальных данных, машинного обучения модели, тестирования влияния «рекомендуемых» машинным алгоритмом значений контролируемых факторов на показатели роста растений продолжают до тех пор, пока прогнозируемое значение целевой функции не превысит заданное пороговое значение (например, прогнозируемое количество проросших семян превышает 100%), или отличие значения целевой функции от предыдущего значения целевой функции меньше заданной величины. При этом выведенные с применением машинного алгоритма значения факторов окружающей среды считают оптимальными и используют на практике для достижения наилучших целевых показателей роста растений.
Полученные данные сохраняются в базу данных, в простейшем случае представляющую собой таблицу значений.
Пример работы системы.
Задача пользователя найти оптимальные значения температуры воздуха и объёма добавляемой воды в негерметично замкнутой емкости с семенами для их наилучшего прорастания за период в 3 (трое) суток в климатической системе (например, климатической камере Binder). Суммарно контролируется 7 параметров (четыре дискретных значения температуры и три различных варианта объема внесенной воды для проращивания семян в замкнутых емкостях). В качестве целевой функции выбирается доля проросших семян за трое суток. Границы поиска параметров выставляются как [0, 40] градусов Цельсия по температуре и [0,00, 10,00] см3 для вносимого количества воды в замкнутые емкости. На вход подаются эти границы контролируемых показателей и, если доступно, другие параметры (например, уровень освещенности в люксах, либо концентрация элементов питания растений в воде), а также результаты предыдущих опытов в рамках данного эксперимента (при наличии экспериментальных данных). На выход выдается набор параметров, например, 24,7; 21,5; 24,2; 22,7°C для температуры и 10,00; 9,50; 9,00 см3 вносимого объема жидкости. Пользователь выставляет соответствующие значения температуры и производит внесение требуемого количества воды в негерметичные контейнеры для проращивания семян в момент постановки эксперимента.
По истечении 3 суток, производится подсчет количества проросших семян в планшете и оценка иных ростовых признаков (например, длина корней, количество побочных корней, длина колеоптиля). На основании экспериментальных данных производят вычисление усредненной по серии наблюдений целевой функции (например, доля проросших семян 0,73, а длина корней 35,4 мм); эти данные сохраняются и подаются на вход в модель при проведении последующих опытах. Проводится серия опытов, направленных на достижение наилучших значений целевых показателей и обучение алгоритма на полученных экспериментальных значениях. Если прогнозируемое значение целевой функции превышает заданное пороговое значение (например, прогнозируемое количество проросших семян превышает 1), или отличие значения целевой функции от предыдущего значения целевой функции меньше заданной величины, то выведенные с применением алгоритма значения факторов окружающей среды считают оптимальными и используют на практике для достижения целевых показателей.
Изобретение обеспечивает получение следующих технических результатов:
1) Оптимизация контролируемых параметров осуществляется на основе итогового результата эксперимента (собранный урожай, число проросших семян) и не требует наблюдения промежуточных состояний системы. Как следствие, возможно применение к системам с трудно наблюдаемыми состояниями, например, к семенам.
2) Возможно использование в случае систем с наблюдаемыми, но лишь частично-контролируемыми параметрами (к примеру, только количество растворов с элементами питания растений, либо отдельные климатические показатели).
3) Использование экспертных знаний хотя и улучшает эффективность поиска оптимальных параметров, однако не является необходимым.
1. Способ автоматического подбора параметров выращивания растений в климатической камере или помещении с контролируемой окружающей средой, содержащий этапы, на которых:
а) выбирают контролируемые параметры окружающей среды, влияющие на исследуемую культуру;
б) выбирают целевую функцию, характеризующую рост растений;
в) задают начальные значения параметров с использованием экспертных данных;
г) применяют указанные начальные значения параметров к образцам исследуемой культуры;
д) определяют значение целевой функции;
е) определяют новые значения параметров на основе определенного значения целевой функции с использованием модели роста указанной культуры, основанной на алгоритме машинного обучения;
ж) применяют указанные новые значения параметров к образцам исследуемой культуры;
з) определяют новое значение целевой функции, полученное в результате выращивания образцов исследуемой культуры на этапе ж) с применением новых значений параметров на этапе е);
и) если указанное новое значение целевой функции меньше заданного порогового значения или отличие указанного нового значения целевой функции от предыдущего значения целевой функции больше заданной величины, повторяют этапы е)–з); в противном случае считают текущие значения параметров оптимальными.
2. Способ по п. 1, отличающийся тем, что целевая функция представляет собой суммарную биомассу выросших растений или долю проросших семян.
3. Способ по п. 1, отличающийся тем, что контролируемыми параметрами окружающей среды являются температура и вносимое количество воды.
4. Способ по п. 1, в котором алгоритм машинного обучения является алгоритмом байесовской оптимизации.
