摘要
随着现代农业的发展和变革，无土栽培已成为未来农业发展趋势。但目前设施农业的自动化，智能化水平较低，无法准确判断植物的生长阶段和生长状况，不能及时调控环境策略，造成植物生长缓慢或缺素异常等问题。本文以水培生菜为研究对象监测其生长和环境变量，优化了环境控制策略。利用机器学习回归算法和GoogleNet算法建立模型，对生菜的生长过程进行监测，同时预测生菜的生长，并依此设计环境策略自动调控系统。主要内容如下: （1）优化光肥环境调控策略。针对生菜不同生长阶段对光照和营养液策略的需求不同，为使生菜生长环境保持最佳，设置多组对照实验，实验结果表明，生菜最佳的环境控制策略是生长期光质组合为R∶B=7∶3,光周期14h/d;发棵期光质组合R∶B=5∶5,光周期16h/d;成熟期光质组合R∶B=6∶4,光周期12h/d;不同生长阶段的光肥环境调控策略为中-高-低梯度浓度。 （2）建立了基于GoogleNet算法的生菜图像分类模型。生菜培育实验过程中对生菜的图像进行采集，获取生菜图像数据集，同时对生菜图像进行预处理和特征信息提取。最后利用获取的数据集，基于GoogleNet算法建立分类模型。利用建立的模型可以准确识别生菜的生长阶段，是否缺素生长异常，为生菜生长环境调控系统的实现提供了有力的支撑。 （3）建立了基于机器学习回归算法的生菜生长预测模型。本文基于生菜培育实验过程中生菜形态指标和环境变量之间的映射关系，利用机器学习算法建立多个模型进行对比，得出预测效果最好的模型为GBR模型。为证明生菜生长结果预测结果的可靠性，通过测试分析，建立的模型对生菜生长叶面积预测值和真实值相关性为98％。只需获取生菜形态指标和环境变量等信息，即可预测生菜的生长结果，并判断环境调控策略是否合适。 （4）设计并实现了生菜自适应环境监测调控系统。利用传感器和摄像头监测植物的生长形态特征，环境条件等，并基于建立的模型自动实时调控环境策略，使生菜生长环境处于最佳条件。
NETL