Vytauto Didžiojo universiteto Žemės ūkio akademijos Inžinerijos fakulteto (VDU ŽŪA) ir VDU Informatikos fakulteto mokslininkai sukūrė ir išbandė automatizuotą metodą, leidžiantį nepažeidžiant augalų stebėti hidroponinių kviečių želmenų biomasės pokyčius viso auginimo ciklo metu. Pasitelkus RGB vaizdus, kompiuterinę regą ir mašininį mokymąsi, augalų būklę galima vertinti automatizuotai ir dideliu dažniu, o sukurtas metodas atveria galimybes ateityje tiksliau valdyti hidroponines auginimo sistemas.
Augalų augimą galima stebėti jų nepažeidžiant
Biomasė yra vienas svarbiausių augalų augimą apibūdinančių rodiklių, tačiau tradiciniai jos nustatymo metodai turi esminį trūkumą – augalus dažnai tenka nuimti, pasverti ar išdžiovinti. Toks matavimas yra destruktyvus, todėl neleidžia tų pačių augalų augimo nuosekliai stebėti viso auginimo ciklo metu. Tai ypač aktualu tiriant trumpo auginimo ciklo hidroponinius augalus, kurių būklė ir biomasė gali sparčiai keistis.
VDU tyrėjų sukurtame sprendime augalų stebėjimas automatizuotas. Hidroponiniai kviečių želmenys buvo auginami trijuose specialiai sukonstruotuose stenduose, kontroliuojamomis aplinkos sąlygomis. RGB kamera augalus fotografavo kas penkias minutes, o auginimo lovelių masė svorio jutikliais buvo registruojama kas 60 sekundžių. Taip augalų augimą buvo galima stebėti dažnai ir jų nepažeidžiant.
„Norėjome, kad augalų augimą būtų galima vertinti ne tik auginimo ar eksperimento pabaigoje, bet reguliariai viso auginimo ciklo metu ir nepažeidžiant pačių augalų. Sujungę RGB vaizdus, svorio jutiklius ir mašininio mokymosi modelius, sukūrėme inovatyvų metodą, kuris iš vaizdo požymių leidžia įvertinti biomasės dinamiką. Tai yra praktinis pagrindas kitam žingsniui – auginimo sąlygų valdymui pagal faktinę augalų būklę ir jų reakciją į aplinkos sąlygas“, – teigia VDU ŽŪA mokslininkas dr. Andrius Grigas.
Tūkstančiai matavimų paverčiami informacija apie augalų būklę
Tyrimo metu suformuotas 3 024 sinchronizuotų vaizdo ir masės stebėjimų duomenų rinkinys. Vaizdai buvo automatiškai apdorojami, iš jų išskiriant 17 augalų augimą apibūdinančių vaizdo požymių – žalumą, lovelio padengimą augalais, tankumą, spalvinius ir struktūrinius parametrus. Šie duomenys susieti su tuo pačiu metu registruotais masės matavimais ir panaudoti biomasės prognozavimo modeliams kurti.
Išbandžius kelis biomasės prognozavimo modelius, geriausius rezultatus pagrindiniame vertinime parodė atraminių vektorių regresijos (SVR) modelis. Jo santykinė prognozės paklaida (sMAPE) siekė 3,64 proc., o vidutinė absoliuti biomasės prognozės paklaida – 0,13 kg.
Tyrimas taip pat parodė, kad vertinant augalų būklę svarbus ne tik pats vaizdas, bet ir informacija apie auginimo aplinką. Pasikeitus apšvietimo sąlygoms, modelių prognozės tikslumas kito, tačiau į modelį įtraukus apšvietimo intensyvumą, rezultatai pagerėjo. Tai svarbi įžvalga kuriant sistemas, kurios ateityje turėtų patikimai veikti kintančiomis auginimo sąlygomis.
Žingsnis išmanesnio hidroponinių sistemų valdymo link
Sukurtas metodas kol kas nėra autonominė hidroponinės sistemos valdymo technologija, tačiau jis suteikia techninį pagrindą tolesniam tokių sistemų vystymui. Reguliariai gaunama informacija apie augalo būklę ateityje galėtų būti naudojama kuriant uždarojo grįžtamojo ryšio sistemas, kuriose pagal realią augalų reakciją būtų koreguojamas apšvietimas, drėkinimo režimas, CO₂ koncentracija ar maisto medžiagų tiekimas.
Tokie sprendimai aktualūs siekiant pereiti nuo iš anksto nustatytų auginimo režimų prie duomenimis grįsto valdymo, kai sprendimai priimami atsižvelgiant į faktinę augalo būklę. Tai gali sudaryti prielaidas efektyviau ir nuosekliau valdyti kontroliuojamos aplinkos auginimo sistemas bei anksčiau nustatyti nukrypimus nuo įprastos augimo trajektorijos.
Vykdyti tyrimai subūrė skirtingų sričių mokslininkus – VDU Žemės ūkio akademijos ir VDU Informatikos fakulteto tyrėjus. Eksperimentiniai tyrimai atlikti VDU ŽŪA Žemės ūkio mašinų technologinių procesų tyrimų laboratorijoje. Projekto metu gauti tyrimų rezultatai paskelbti tarptautiniuose recenzuojamuose mokslo žurnaluose.
Tyrimai vykdyti įgyvendinant 2024–2026 m. projektą „Inovatyvus dirbtinio intelekto integravimas į hidroponiką: neuroninių tinklų ir mašininio mokymosi panaudojimas siekiant padidinti efektyvumą, produktyvumą ir tvarumą“ (HydroAID).
Finansavimą skyrė Lietuvos mokslo taryba (LMTLT), sutarties Nr. S-ITP-24-10.
About the Author
