Machine Learning in Plant Factory: Current Status and Challenges

doi:10.11924/j.issn.1000-6850.casb2022-0581

Abstract

Abstract:

To effectively relieve the pressure from population, environment and resources, it is very important to develop plant factory. Intelligent plant factory is an advanced stage in the development of facility agriculture. It is a new topic to study how to apply machine learning in plant factory to effectively improve the production efficiency and promote the intelligent development of plant factory. Combining machine learning with crop phenotype study, a crop growth model is established and applied to plant growth environment monitoring (diseases, insects, grass, drought and water logging, nutrition, etc.), accurate plant factory indoor environment regulation, and intelligent nutrient solution regulation etc., so as to solve the problem of high cost and low crop yield of plant factories in China. The study can help plant factories develop towards the one with information technology, automation, intelligence, precision and individuation.

Key words: machine learning, plant factory, research, current status, challenge

SUN Bo, LI Jing, WANG Jing. Machine Learning in Plant Factory: Current Status and Challenges[J]. Chinese Agricultural Science Bulletin, 2023, 39(18): 142-150.

Figures/Tables 5

References 49

[1]	THAYER A, VARGAS A, CASTELLANOS A. et al. Integrating agriculture and ecosystems to find suitable adaptations to climate change[J]. Climate, 2020, 8(10):1-19. doi: 10.3390/cli8010001 URL
[2]	NASSANI A A, AWAN U, ZAMAN K, et al. Management of natural resources and material pricing: global evidence[J]. Resource policy, 2019(64):1-9.
[3]	CONRAD Z, NILES M T, NEHER D A, et al. Relationship between food waste, diet quality, and environmental sustainability[J]. PLoS one, 2018(13):1-18.
[4]	BENOS L, BECHAR A, BOCHTIS D. Safety and ergonomics in human-robot interactive agricultural operations[J]. Biosystem english, 2020(200):55-72.
[5]	吴思. 2030年的中国城市化[J]. 中国经济报告, 2014(7):93-98.
[6]	杨其长. 植物工厂发展史[J]. 生命世界, 2019(10):4-7.
[7]	GREENER J G, KANDATHIL S M, MOFFAT L, et al. A guide to machine learning for biologists[J]. Nature reviews molecular cell biology, 2021, 23(1):40-55. doi: 10.1038/s41580-021-00407-0 pmid: 34518686
[8]	刘勇, 康立山, 陈毓屏. 非数值并行算法(第二册)遗传算法[M]. 北京: 科学出版社, 1995.
[9]	MAHESH B. Machine learning algorithms-a review[J]. International journal of science and research, 2020(9):381-386.
[10]	SHOGO M, HIROKAZU F. High-Throughput growth prediction for Lactuca sativa L. seedlings using chlorophyll fluorescence in a plant factory with artificial lighting[J]. Frontiers in plant science, 2016, 7(245):394.
[11]	ZHANG P, LI D. EPSA-YOLO-V5s: A novel method for detecting the survival rate of rapeseed in a plant factory based on multiple guarantee mechanisms[J]. Computers and electronics in agriculture, 2022(193):106714.
[12]	仝宇欣, 方炜. 数字化植物工厂理论与实践[M]. 北京: 中国农业科学技术出版社, 2020.
[13]	孙忠富, 陈晴, 王迎春. 不同光照条件下温室黄瓜干物质生产模拟与试验研究[R]. 设施园艺产业可持续发展研讨会, 2005.
[14]	倪纪恒, 毛罕平. 电导率对温室黄瓜叶面积和干物质生产影响的动态模拟[J]. 农业工程学报, 2011, 27(12):105-109.
[15]	朱剑锋, 郑增威, 孙霖, 等. 基于无线传感网的温室花卉自适应调控系统[J]. 计算机测量与控制, 2016(10):96-100,112.
[16]	ZHENG Z, YAN P, CHEN Y, et al. Increasing crop yield using agriculture sensing data in smart plant factory[C]. International conference on security, privacy and anonymity in computation, communication and storage, 2020:345-356.
[17]	徐丹. 基于作物状态在线反馈的温室双闭环最优控制研究[D]. 北京: 中国农业科学院, 2020.
[18]	皮特·哈里顿. 机器学习实战[M]. 北京: 人民邮电出版社, 2013.
[19]	RAMCHARAN A, BARANOWSKI K, MCCLOSKEY P, et al. Deep learning for image-based cassava disease detection[J]. Frontiers in plant science, 2017, 8:1852. doi: 10.3389/fpls.2017.01852 pmid: 29163582
[20]	FERENTINOS K P. Deep learning models for plant disease detection and diagnosis[J]. Computers and electronics in agriculture, 2018, 145:311-318. doi: 10.1016/j.compag.2018.01.009 URL
[21]	SHIBATA S, KANEDA Y, MINENO H. Motion-specialized deep convolutional descriptor for plant water stress estimation[C]. International conference on engineering applications of neural networks. Springer,Cham, 2017:3-14.
[22]	SHIMAMURA S, UEHARA K, KOAKUTSU S. Automatic Identification of plant physiological disorders in plant factories with artificial light using convolutional neural networks[J]. International journal of new computer architectures and their applications, 2019, 9(1):25-31. doi: 10.17781/P002611 URL
[23]	PANE C, MANGANIELLO G, NICASTRO N, et al. Powdery mildew caused by Erysiphe cruciferarum on wild rocket (Diplotaxis tenuifolia), hyperspectral imaging and machine learning modeling for non-destructive disease detection[J]. Agriculture, 2021, 11(4):337. doi: 10.3390/agriculture11040337 URL
[24]	TRAN D, DUTOIT F, NAJDENOVSKA E, et al. Electrophysiological assessment of plant status outside a Faraday cage using supervised machine learning[J]. Scientific reports, 2019(9):17073.
[25]	A.M.史密斯, G.库普兰特, L.多兰, 等. 植物生物学[M]. 北京: 科学出版社, 2012.
[26]	BENGIO Y, DELALLEAU O. On the expressive power of deep architectures[C]. International conference on algorithmic learning theory. Springer, Berlin, Heidelberg, 2011:18-36.
[27]	XU Y. Nature and source of light for plant factory[J]. Plant factory using artificial light, 2019:47-69.
[28]	ZHANG Y, KACIRA M, AN L. A CFD study on improving air flow uniformity in indoor plant factory system[J]. Biosystems engineering, 2016.
[29]	林真紀夫, 大田直大山克己う. 施设園芸におけゐヒートポンプの有效利用[M]. 東京: 社団法人農業電化協会, 2009.
[30]	FRANTZ J M, RITCHIE G, COMETTI N N, et al. Exploring the limits of crop productivity: beyond the limits of tipburn in lettuce[J]. Journal of the American society for horticultural science, 2004, 129(3):331-338. pmid: 15776542
[31]	陈桂芬, 李静, 陈航, 等. 大数据时代人工智能技术在农业领域的研究进展[J]. 吉林农业大学学报, 2018, 40(4):502-510.
[32]	李跃洋, 苏铁, 王胤, 等. 中国与荷兰设施园艺对比分析[J]. 中国蔬菜, 2020(6):11-15.
[33]	王小菁. 植物生理学[M]. 北京: 高等教育出版社, 2019:67-112.
[34]	张明秋. 人工光源型植物工厂温湿度环境控制与试验研究[D]. 密山: 黑龙江八一农垦大学, 2021.
[35]	周健民. 土壤学大辞典[M]. 北京: 科学出版社, 2013:10
[36]	BAN B, LEE J, RYU D, et al. Nutrient solution management system for smart farms and plant factory[C]. 2020 International conference on information and communication technology convergence (ICTC). 2020.
[37]	何海东. 营养液自适应控制机制研究[D]. 合肥: 中国科学技术大学, 2011.
[38]	NAGANO S, MORIYUKI S, WAKAMORI K, et al. Leaf-movement-based growth prediction model using optical flow analysis and machine learning in plant factory[J]. Frontiers in plant science, 2019, 10:227. doi: 10.3389/fpls.2019.00227 pmid: 30967880
[39]	MORIMOTO T, HASHIMOTO Y. Speaking plant/fruit approach for greenhouses and plant factories[J]. Environment control in biology, 2009, 47(2):55-72. doi: 10.2525/ecb.47.55 URL
[40]	YAMAMOTO K, GUO W, YOSHIOKA Y, et al. On plant detection of intact tomato fruits using image analysis and machine learning methods[J]. Sensors, 2014, 14(7):12191-12206. doi: 10.3390/s140712191 pmid: 25010694
[41]	WAKAHARA T, MIKAMI S. Adaptive nutrient water supply control of plant factory system by reinforcement learning[J]. Journal of advanced computational intelligence & intelligent informatics, 2011, 15(7):831-837.
[42]	MORIMOTO T, TORII T, HASHIMOTO Y. Computer integrated system for plant factory - application of optimal regulator and genetic algorithm to the optimal control of physiological processes of plant[J]. IFAC proceedings volumes, 1993, 26(2):1165-1168. doi: 10.1016/S1474-6670(17)48655-1 URL
[43]	DOBBELAERE M R, PLEHIERS P P, VIJVER R V D, et al. Machine learning in chemical engineering: strengths, weaknesses, opportunities, and threats[J]. Engineering, 2021, 7(9):1201-1211. doi: 10.1016/j.eng.2021.03.019 URL
[44]	BININDA-EMONDS O R P, JONES K E, PRICE S A, et al. Garbage in, garbage out[M]. Phylogenetic supertrees. Springer,Dordrecht, 2004:267-280.
[45]	何清, 李宁, 罗文娟, 等. 大数据下的机器学习算法综述[J]. 模式识别与人工智能, 2014, 27(4):327-336.
[46]	施玮囡. 基于深度学习的植物工厂幼苗表型信息获取及定植装备研究[D]. 杭州: 浙江大学, 2019.
[47]	何子力. 基于视觉巡检机器人的植物工厂控制系统的设计与实现[D]. 合肥: 中国科学技术大学, 2019.
[48]	王新忠. 温室番茄收获机器人选择性收获作业信息获取与路径规划研究[D]. 镇江: 江苏大学, 2012.
[49]	赵春江. 智慧农业的发展现状与未来展望[J]. 中国农业文摘-农业工程, 2021, 33(6):4-8.

分类	算法	数学模式
用作监督学习的用途	k-近邻算法	线性回归
	朴素贝叶斯算法	局部加权线性回归
	支持向量机	Ridge回归
	决策树	Lasso最小回归系数估计
用作无监督学习的用途	k-均值	最大期望算法
用作无监督学习的用途	DBSCAN	Parzen窗设计

分类	算法	数学模式
用作监督学习的用途	k-近邻算法	线性回归
	朴素贝叶斯算法	局部加权线性回归
	支持向量机	Ridge回归
	决策树	Lasso最小回归系数估计
用作无监督学习的用途	k-均值	最大期望算法
用作无监督学习的用途	DBSCAN	Parzen窗设计

机器学习类型	机器学习算法	优点	缺点	适用数据范围
监督学习	k-近邻算法	精度高、对异常值不敏感、无数据输入假定	计算复杂度高、空间复杂度高	数值型和标称型
	决策树	计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据	可能会产生过度匹配问题	数值型和标称型数据
	朴素贝叶斯	在数据较少的情况下仍然有效，可以处理多类别问题	对于输入数据的准备方式较为敏感	标称型数据
	Logistic回归	计算代价不高，易于理解和实现	容易欠拟合，分类精度可能不高	数值型和标称型数据
	支持向量机	泛化错误率低，计算开销不大，结果易解释	对参数调节和核函数的选择敏感	数值型和标称型数据
	AdaBoost	泛化错误率低，易编码，可以应用在大部分分类器上，无参数调整	对离群点敏感	数值型和标称型数据
	线性回归	结果易于理解，计算上不复杂	对非线性的数据拟合不好	数值型和标称型数据
	树回归	可以对复杂和非线性的数据建模	结果不易理解	数值型和标称型数据
无监督学习	k-均值聚类算法	容易实现	可能收敛到局部最小值，在大规模数据集上收敛较慢	数值型数据
	Apriori算法	易编码实现	在大数据集上可能较慢	数值型或标称型数据
	FP-growth算法	计算速度一般要快于Apriori算法	实现比较困难，在某些数据集上性能会下降	标称型数据

机器学习类型	机器学习算法	优点	缺点	适用数据范围
监督学习	k-近邻算法	精度高、对异常值不敏感、无数据输入假定	计算复杂度高、空间复杂度高	数值型和标称型
	决策树	计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据	可能会产生过度匹配问题	数值型和标称型数据
	朴素贝叶斯	在数据较少的情况下仍然有效，可以处理多类别问题	对于输入数据的准备方式较为敏感	标称型数据
	Logistic回归	计算代价不高，易于理解和实现	容易欠拟合，分类精度可能不高	数值型和标称型数据
	支持向量机	泛化错误率低，计算开销不大，结果易解释	对参数调节和核函数的选择敏感	数值型和标称型数据
	AdaBoost	泛化错误率低，易编码，可以应用在大部分分类器上，无参数调整	对离群点敏感	数值型和标称型数据
	线性回归	结果易于理解，计算上不复杂	对非线性的数据拟合不好	数值型和标称型数据
	树回归	可以对复杂和非线性的数据建模	结果不易理解	数值型和标称型数据
无监督学习	k-均值聚类算法	容易实现	可能收敛到局部最小值，在大规模数据集上收敛较慢	数值型数据
	Apriori算法	易编码实现	在大数据集上可能较慢	数值型或标称型数据
	FP-growth算法	计算速度一般要快于Apriori算法	实现比较困难，在某些数据集上性能会下降	标称型数据

引用文献	完成的工作	方法	优点
[38]	建立基于光流分析和机器学习的植物工厂叶片运动的生长预测模型	决策树(Decision Tree)、梯度推进回归(Gradient Boost Regression)、光流分析(Optical Flow Analysis)、主成分分析(Principal Component Analysis, PCA)、支持向量回归(Support Vector Regression, SVR)、时间序列分析(Time Series Analysis)	建立multiple plant imaging (MPI)系统收集数据、使用了多种机器学习方法对数据进行处理、对数据进行了合理的降维
[10]	人工光源型植物工厂中应用叶绿素荧光对莴苣幼苗进行高通量生长预测	人工神经网络(Artificial Neural Network)	应用基于生物信息的神经网络预测植物生长，如叶片面积和叶绿素荧光(CF)的6次时间测量：4、8、12、16、20、24 h和4个昼夜节律特征
[39]	温室和植物工厂里的植物和水果说话途径的实现	人工神经网络(Artificial Neural Network)、遗传算法(Genetic Algorithm)	应用传感器收集而来的结果，通过神经网络建模、通过遗传算法寻优，实现了在前人研究的基础上，通过机器学习的方法使环境控制更优化
[24]	利用监督机器学习对法拉第笼外植物状态的电生理评估	梯度增强树(Gradient Boosted Trees, GBT)、人工神经网络（深度学习)、Logistic回归、主成分分析(Principal Component Analysis, PCA)	作者通过测量植物工厂中番茄的潜在的电生理信号，通过主成分分析的方法预处理数据，通过梯度增强树的方法计算出了番茄苗是否处于水分充足或是水分胁迫的状态
[23]	野生细叶万寿菊（莴苣）上Erysiphe cruciferarum白粉真菌致白粉病：非破坏性疾病检测的高光谱成像和机器学习模型	递归特征减少法(Recursive Feature Elimination, RFE)、随机森林(Random Forests, RF)、极度梯度增加法(Extremely Gradient Boosting, XGB)	通过分析温室中作物的图像，运用随机森林的方法找到4个波长在403~446 nm的波段，运用时下最流行的极度梯度增加法(XGB)学习高光谱图像，得到了可以预测植株是否感染了白粉病的机器学习模型
[40]	基于图像分析和机器学习的完整番茄果实植物检测	回归树(Regression Tree, CART)、随机森林(Random Forests, RF)、X均值聚类算法 (X-means Clustering Algorithm)	作者通过传统RGB相机拍摄的番茄照片，通过图像分割、运用回归树(CART)和决策树分类器，较为成功地检测出番茄的成熟、未成熟和幼果，成功地预测了番茄的产量
[16]	智能植物工厂农业传感数据提高作物产量	深度神经网络(Deep Neural Network, DNN)、确定性策略梯度算法 (Deterministic Policy Gradient Algorithms, DDPG)	作者应用深度强化学习的方法，接受环境对植物作用的反馈，不断优化自身的算法，实现了植物工厂中多环境因素的最优控制
[41]	基于强化学习的植物工厂系统自适应营养供水控制	改进的强化学习算法 (Reinforcement Learning, RL)	作者在没有参考模型的基础上，建立了一个有别于标准强化学习模型(RL)的改进型强化学习模型，该模型能较好的优化植物工厂中的营养供水