×
12.06.2020
220.018.25ef

СПОСОБ АВТОМАТИЧЕСКОГО ПОДБОРА ОПТИМАЛЬНЫХ ПАРАМЕТРОВ ВЫРАЩИВАНИЯ РАСТЕНИЙ НА ОСНОВЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

Вид РИД

Изобретение

Юридическая информация Свернуть Развернуть
Краткое описание РИД Свернуть Развернуть
Аннотация: 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.
Реферат Свернуть Развернуть

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.


СПОСОБ АВТОМАТИЧЕСКОГО ПОДБОРА ОПТИМАЛЬНЫХ ПАРАМЕТРОВ ВЫРАЩИВАНИЯ РАСТЕНИЙ НА ОСНОВЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
СПОСОБ АВТОМАТИЧЕСКОГО ПОДБОРА ОПТИМАЛЬНЫХ ПАРАМЕТРОВ ВЫРАЩИВАНИЯ РАСТЕНИЙ НА ОСНОВЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
Источник поступления информации: Роспатент

Показаны записи 1-10 из 33.
29.12.2017
№217.015.f586

Маркирующая добавка

Изобретение может быть использовано для установления подлинности или верификации взрывчатых веществ, ценных бумаг, дорогостоящего оборудования, ювелирных изделий. Маркирующая добавка в виде частиц сферической формы содержит магнитный компонент и маркирующий компонент при следующем соотношении,...
Тип: Изобретение
Номер охранного документа: 0002637334
Дата охранного документа: 04.12.2017
13.02.2018
№218.016.23f1

Способ нанесения гидрофобного и олеофобного покрытия на текстильный материал и текстильный материал с гидрофобным и олеофобным покрытием

Изобретение относится к способу нанесения гидрофобного и олеофобного покрытия на текстильный материал, включающему выдержку текстильного материала в растворе сополимера в сверхкритическом диоксиде углерода в реакторе высокого давления, характеризующемуся тем, что указанный раствор содержит...
Тип: Изобретение
Номер охранного документа: 0002642775
Дата охранного документа: 25.01.2018
10.05.2018
№218.016.4099

Способ получения тонких пленок на основе углеродных наноматериалов

Изобретение относится к нанотехнологии. Сначала готовят суспензию, содержащую этиленгликоль в качестве жидкой дисперсионной среды и углеродный наноматериал, например графен, оксид графена, восстановленный оксид графена, однослойные углеродные нанотрубки, двухслойные углеродные нанотрубки,...
Тип: Изобретение
Номер охранного документа: 0002648920
Дата охранного документа: 28.03.2018
29.05.2018
№218.016.575b

Способ определения содержания незамерзшей воды в мерзлых грунтах

Изобретение относится к геологии и к горным наукам, а именно к геокриологии, и позволяет определять содержание незамерзшей воды в различных минеральных и органогенных мерзлых грунтах, а также в мерзлых загрязненных породах, содержащих органические (нефть, нефтепродукты и др.) и солевые...
Тип: Изобретение
Номер охранного документа: 0002654832
Дата охранного документа: 22.05.2018
19.04.2019
№219.017.2b85

Способ получения высокомощного катодного материала на основе твердого раствора life1-x-ymnxcoypo4 со структурой оливина для литий-ионных аккумуляторов

Изобретение относится к области электродных материалов на основе сложных фосфатов переходных металлов и лития и может быть использовано для получения катодного активного материала для литий-ионных аккумуляторов и батарей на основе такого материала. Способ получения материала формулы LiFeMnCoPO,...
Тип: Изобретение
Номер охранного документа: 0002684895
Дата охранного документа: 16.04.2019
27.04.2019
№219.017.3ca9

Система виртуальной реальности на основе смартфона и наклонного зеркала

Изобретение относится к системам мобильной виртуальной реальности, в частности к системам мобильной виртуальной реальности, осуществляющим отслеживание положения пользователя с 6 степенями свободы с помощью камеры смартфона в качестве единственного устройства формирования изображения....
Тип: Изобретение
Номер охранного документа: 0002686029
Дата охранного документа: 23.04.2019
03.07.2019
№219.017.a418

Способ изготовления наночастиц оксидов марганца и аэрогелей на их основе и полученный таким способом аэрогель

Изобретение относится к синтезу наночастиц оксидов марганца и аэрогелей оксидов марганца. Способ включает растворение металлорганического прекурсора марганца в сверхкритическом диоксиде углерода в реакторе высокого давления с добавлением в качестве окислителя чистого кислорода. Затем проводят...
Тип: Изобретение
Номер охранного документа: 0002693200
Дата охранного документа: 01.07.2019
05.07.2019
№219.017.a665

Многоэлектродная гармонизированная ионная ловушка кингдона со слившимися внутренними электродами

Изобретение относится к области масс-спектрометрии. Ионная ловушка содержит по меньшей мере два внешних электрода, вытянутых вдоль продольной оси ловушки, и две пары внутренних электродов, вытянутых вдоль продольной оси ловушки и расположенных таким образом, что каждый электрод из одной...
Тип: Изобретение
Номер охранного документа: 0002693570
Дата охранного документа: 03.07.2019
10.07.2019
№219.017.a999

Способ добычи природного газа из газогидратной залежи

Изобретение относится к газовой промышленности, в частности, к разработке газогидратных месторождений. Способ добычи природного газа из газогидратной залежи заключается в том, что сооружают скважину на газопроницаемый газогидратный пласт, вскрывают этот пласт и периодически проводят закачку в...
Тип: Изобретение
Номер охранного документа: 0002693983
Дата охранного документа: 08.07.2019
11.07.2019
№219.017.b2bc

Тонкопленочный гибридный фотоэлектрический преобразователь и способ его изготовления

Настоящее изобретение относится к полупроводниковым гибридным структурам для преобразования энергии светового излучения в электрическую энергию и может быть использовано при создании альтернативных источников энергии. Согласно изобретению предложены тонкопленочные гибридные фотоэлектрические...
Тип: Изобретение
Номер охранного документа: 0002694113
Дата охранного документа: 09.07.2019
+ добавить свой РИД