设施番茄栽培智能补光系统关键技术研究

申惠芳 周杰

摘要 为了进一步提高设施番茄的品质与产量，在国内外对设施番茄栽培补光研究的基础上，研发了一套设施番茄栽培智能补光系统。该系统通过人工神经网络自主学习并识别番茄不同生长阶段，根据识别的番茄生长周期内所处的不同生长阶段，实现对补光光源红蓝光比例的动态调整，建立了对应于番茄不同生长阶段的补光控制线性模型，完成了对设施番茄生长全过程的精准补光诱导。测试结果表明，该系统识别准确度高，满足了设施番茄生长全过程精准补光的需求。

关键词 番茄;栽培;补光;机器学习

中图分类号 S123  文献标识码 A  文章编号 0517-6611（2024）03-0202-05

doi：10.3969/j.issn.0517-6611.2024.03.048

Research on Key Technology of Intelligent Light-filling System for Facility Tomato Cultivation

Abstract In order to further improve the quality and production of greenhouse tomatoes， a set of intelligent light supplement system for greenhouse tomatoes cultivation was developed on the basis of the research on greenhouse tomatoes cultivation at home and abroad. The system independently learns and recognizes different growth stages of tomatoes through artificial neural network， then adjusts the ratio of red and blue light according to the different growth stages of the tomatoes， and completes the precise supplementary light induction of the whole growth process of the greenhouse tomatoes at last. The test results show that the system has high recognition accuracy， which meets the needs of light supplement in the whole process of tomato growth in the facility.

Key words Tomato;Cultivation;Complement light;Machine learning

光照是植物光合作用最重要的能量来源，无论是光照强度还是光照时间对植物的生长都有很大的影响，人工补光的应用对农作物的生长具有重要的意义［1］。在设施环境下，采用人工光源对农作物进行补光诱导是对自然光的延续与补充，符合农作物的生长特性，满足农作物的生长需求［2-3］。

将LED 作为补光光源在农业中的应用范围愈来愈广泛。荷兰在花卉的多层栽培中大量运用LED补光，有效提高了花卉的产量［4］；三菱公司利用红色LED光源对茄果类蔬菜进行照射补光，缩短了番茄的生长周期，大大降低了生产成本；在德国，OSRAM公司利用自主研发的大功率LED照射温室蔬菜，使得部分蔬菜中维生素C的含量大幅度增加［5］。

1 番茄栽培补光研究现状及存在的问题

国内外大量研究表明，在不同颜色光诱导下番茄生长差别较大。Fan X X等［6］发现，红光下番茄红素含量最高，蓝光处理下番茄果实可溶性蛋白含量和维生素C含量均显著增加，番茄果实的糖酸比值在红蓝组合光处理下最高；Tewolde F T等［7］使用 LED 对温室中后期番茄补光，发现红光处理番茄茎粗增加，相对株高、叶面积、节间距显著降低，蓝光处理显著增加了番茄果实可溶性糖含量。黄丹丹等［8］研究发现，红色 LED 灯和蓝色 LED 灯比绿色 LED 灯更加有利于提高番茄的光合速率。

研究表明，红蓝（R∶B）混合光对番茄生长有益，然而已有的研究都是针对设施番茄的某个生长阶段，缺少贯穿于番茄整个生长周期不同生长阶段的补光研究，同时，较高的人工成本以及传统的管理模式在很大程度上也制约了其推广应用。

2 智能补光系统组成

该研究通过机器视觉准确识别番茄的生长状态，为实现番茄栽培LED补光光源红蓝（R∶B）混合比例的动态调节提供技术支持。系统主要由视觉巡检主机、可调LED光源及控制模块、物联网以及温室结构设施等组成（图1）。视觉巡检主机以设施温室内钢结构为轨道，以人工神经网络算法为核心，实现对大面积番茄生长状态的自主学习和识别，根据番茄植株生长状态通过物联网调制现场LED蓝红光的混合比例，以精确诱导番茄的生长过程。

光源采用可调光LED圆形灯，单盏直径约28 cm，功率小于24 W，紅光波长为630 nm，蓝光波长为460 nm。视觉镜头拟采用美国星瞳带变焦功能的2.5 mm广角镜头，清晰度1 080 P，系统主控芯片为STM32。

3 系统研究及试验方法

系统要解决番茄生长阶段的机器视觉自主识别以及LED光源R∶B精确配比及控制技术，为此采取的研究试验方法如图2所示。将番茄幼苗分为试验组和对照组两部分同步进行。

以番茄一个完整的生长周期作为试验时间，选取长势大小基本一致、没有病虫的番茄幼苗置于日光温室中进行培养。试验期间，白天光照为自然光，室内温度为25～28 ℃，除LED光源外，试验组与对照组其他培养条件均相同。幼苗期夜间补光4 h，花期过后坐果时增至8 h。

试验组通过分组手动调节LED光源R∶B的值，并根据不同阶段番茄生长参数检测的结果，筛选出最有利于番茄生长的R∶B比值范围［RB1，RB2］。对照组在温室自然光下生长，一方面为试验组提供同阶段的比对数据，另一方面为机器视觉系统提供学习训练的数据，以优化人工神经网络内部结构参数，使得视觉系统能准确识别番茄的各生长阶段。控制器根据视觉系统识别的番茄生长状态数据，在［a∶b，c∶d］比值范围内通过线性调节实现对LED准确调控，从而实现对番茄生长的精准诱导。

4 关键技术的实现

4.1 系统实现的技术路径（图3）

将番茄幼苗分为6组，每组15株，株距约20 cm，其中5组为试验组，1组为对照组；每3株分配1盏LED光源，光源与幼苗顶端的距离根据所选品种番茄植株高度决定，满足光照强度不低于10 μmol/（m2·s）。

4.2 番茄生长阶段识别

番茄生长状态的识别是该研究的关键技术，视觉特征是图像直接呈现的事物的自然特征，对颜色、纹理、形状的提取与分析可以作为评价农作物生长状态的重要依据［9］。笔者通过卷积神经网络对番茄植株视觉特征在多维空间进行模式分类，从而识别其所处的生长阶段。识别过程如图4所示。

番茄图像采集通过视觉镜头完成，基准图像是剔除了随机干扰的采集图像，将基准图像处理成224×224大小输入卷积神经网络，输出为番茄所处的生长阶段［10］。之所以将基准图像处理成224×224大小是因为训练网络时除了使用现场采集的图像，还利用了ImageNet数据集强化训练以提高识别准确度。

4.2.1 卷积神经网络的结构设计（图5）。

卷积神经网络输入为224×224×3的彩色图像，其中3表示R＼G＼B 3种颜色特征，输出為8个神经元，表示番茄的8个生长阶段。网络首先对输入的番茄植株图像2次卷积运算后进行1次池化，然后1次卷积进行1次池化，连续4次后通过2个全链接层F4、F5输出。网络执行了6次卷积运算，有6个深度，前2次卷积分别提取形状和纹理特征，后4次卷积得到更多局部整体特征。网络越深就能更多地学习图像的特征，较深的网络使得神经元数量庞大，训练速度也就越慢。项目设计了5次池化过程，将输入224×224×3的彩色图像转化为7×7×128的特征图像。

激活函数拟选用S函数：

4.2.2 输出层设计。将番茄一个完整生长周期分为4个时期，通过8个阶段特征识别，因此设计输出层由8个神经元组成，每个神经元对应含义如图6所示。

4.2.3 训练样本的获取。训练样本是番茄在生长过程中的各个状态图像。由于番茄生长过程缓慢，需通过下面的方法获得训练测试样本。自然光下，将15株番茄分为2组种植，第1组10株，第2组5株，如图3所示。第1组为训练样本采集对象，第2组为测试样本采集对象。这样设计的目的是为了保证测试时系统没有见过测试图像。数据采集期间巡检机器人每日巡检1次，巡检时采集10帧第1组图像和1帧第2组图像保存至存储卡中。这样可以在番茄一个生长周期（以100 d计算）内得到1 000帧训练图像及100帧测试图像。

4.2.4 网络训练。整个网络采用有监督的误差反向传播算法进行训练，误差是目标值与输出值的偏差，实际输出值从输出层神经元输出，目标值自定义设置且满足2点要求，期望值的个数是输出层节点数，输出层神经元输出值受激活函数S的限制，输出值区间为（0，1）。因此，设计目标值的最大值为0.99，最小值为0.01。网络权重更新方法如下：

oldWjk是训练之前初始化随机权重矩阵，newWjk是更新之后的权重矩阵，减号表示权重变化的方向，如果偏差e变大则权重值减小，反之则权重值增加。α是为了防止神经网络饱和设置的学习率，初始α=0.1。

4.3 LED调光控制

网络训练结束后，巡检机器人白天巡检1次，识别出番茄生长状态后，夜晚在试验获得的红蓝光R∶B比例调节范围内实现对温室中的LED光源线性调节。LED控制信号由控制器线性化计算得出，神经网络的输出有8个状态值，在STM32中用Python将输出结果保存在一个数组中，记为array［9］，数组array中最大值的索引号max（array）.index即为输出结果，结合试验筛选的红蓝光调节范围［a∶b，c∶d］，控制器的输出x表示为：

5 试验测试

选取2种不同生长状态的番茄图像作为试验对象，受激活函数的限制，每个生长状态值的范围都为0.01～0.09，8个输出状态值中的最大值即表示识别出的输出状态，试验结果如图7所示。

从图7可以看出，处于开花期的番茄植株，识别结果在第5个生长阶段出现了接近于1的最大值，即对应图6中的第5个神经元；对于结果期的番茄植株，识别结果在第7个生长阶段出现了最大值，对应于图6中的第7个神经元，同时在第8个生长阶段网络输出值并没有下降至0.0，而是停留在0.3～0.4，说明识别出了部分果实开始着色。

6 结论

笔者研究了设施番茄栽培智能补光系统的关键技术，并通过机器视觉识别番茄生长状态，为番茄栽培全过程中补光光源对番茄生长的精准诱导提供了技术支持。测试结果表明，该方法能准确地识别番茄的生长状态，获得了较好的效果，可以进一步扩展到设施农业其他类别的蔬菜补光系统中。

参考文献

［1］ 李蔚，李新旭，李红岺，等.植物生长灯不同补光时间对日光温室番茄产量及品质的影响［J］.安徽农业科学，2019，47（11）：49-50，55.

［2］ 段青青，张禄祺，张自坤.不同生育期补光对温室甜椒生长、产量及品质的影响［J］.植物生理学报，2021，57（4）：950-962.

［3］ 张子鹏，温健新，黄爱政，等.LED灯补光对温室甜椒产量及品质的影响［J］.安徽农业科学，2016，44（29）：24-25，29.

［4］ 李晓慧，王一迪，班甜甜，等.LED补光对番茄幼苗形态特征及相关生理特性的影响［J］.北方园艺，2020（4）：1-6.

［5］ 张云，吕镇城，徐良雄，等.LED红蓝光对植物生长发育和光合特性影响的研究进展［J］.惠州学院学报，2019，39（6）：33-40.

［6］ FAN X X，XU Z G，LIU X Y，et al.Effects of light intensity on the growth and leaf development of young tomato plants grown under a combination of red and blue light［J］.Scientia horticulturae，2013，153：50-55.

［7］ TEWOLDE F T，LU N，SHIINA K，et al.Nighttime supplemental LED inter-lighting improves growth and yield of single-truss tomatoes by enhancing photosynthesis in both winter and summer［J］.Frontiers in plant science，2016，7：1-10.

［8］ 黄丹丹，张士秀，贾淑霞，等.LED补光对番茄光合特性的影响［J］.中国农学通报，2014，30（22）：102-108.

［9］ 朱颢东，吴迪，孙振，等.基于PCA和 AdaBoost.M1的植物叶片图像识别方法［J］.江苏农业科学，2016，44（12）：372-374.

［10］ 杨健，邹阳.基于智能图像识别的番茄典型病害远程诊断系统研究［J］.软件导刊，2017，16（9）：199-201.