Lietuvoje DI augina išmanesnę hidroponikos ateitį

Lietuvos mokslininkai žengė svarbų žingsnį išmanesnio ir tvaresnio žemės ūkio link. Vytauto Didžiojo universiteto Žemės ūkio akademijos Inžinerijos fakulteto ir VDU Informatikos fakulteto tyrėjai sukūrė automatizuotą metodą, leidžiantį viso auginimo ciklo metu stebėti hidroponinių kviečių želmenų biomasės pokyčius nepažeidžiant pačių augalų.

Sprendime derinamos RGB kameros, kompiuterinė rega, svorio jutikliai ir mašininio mokymosi algoritmai. Ši technologija gali tapti ateities hidroponikos sistemų pagrindu: augimo procesai jose būtų vertinami ne pagal iš anksto nustatytą grafiką, bet pagal realią augalų būklę.

Augimo stebėjimas be destruktyvių matavimų

Biomasė yra vienas svarbiausių rodiklių, padedančių įvertinti augalų augimą ir produktyvumą. Tačiau įprastai jai nustatyti augalus reikia nuimti, pasverti arba išdžiovinti. Vadinasi, matuojant sunaikinamas tiriamasis objektas ir nebelieka galimybės nuosekliai stebėti tų pačių augalų vystymosi.

Ši problema ypač aktuali hidroponikoje, kur augalai dažnai auginami trumpą laiką, o jų masė ir būklė gali pasikeisti vos per kelias valandas. VDU mokslininkų sprendimas leidžia dažnai ir neinvaziniu būdu rinkti duomenis, todėl augimo procesą galima stebėti nenutrūkstamai.

Kaip veikė eksperimentinė sistema?

Eksperimentui naudoti trys specialiai sukonstruoti stendai, kuriuose hidroponiniai kviečių želmenys augo kontroliuojamomis aplinkos sąlygomis. RGB kamera augalus fotografavo kas penkias minutes, o auginimo lovelių masė svorio jutikliais buvo fiksuojama kas 60 sekundžių.

Nuolatinis vaizdų ir masės duomenų rinkimas leido tyrėjams susieti augalų išvaizdos pokyčius su faktiniu biomasės augimu. Vėliau ši informacija panaudota kuriant prognozavimo modelius, galinčius įvertinti augalų būklę pagal vaizdo požymius ir papildomus aplinkos duomenis.

Dirbtinis intelektas apdorojo tūkstančius stebėjimų

Tyrimo metu sudarytas 3024 sinchronizuotų vaizdo ir masės matavimų rinkinys. Iš kiekvieno vaizdo automatiškai išskirta 17 augalų augimą apibūdinančių požymių. Tarp jų – žalumo lygis, augalais padengtas lovelio plotas, augalų tankumas, spalvinės charakteristikos ir struktūriniai parametrai.

Šie požymiai palyginti su tuo pat metu užfiksuotais masės matavimais. Gauti duomenys tapo pagrindu keliems mašininio mokymosi modeliams, skirtiems hidroponinių augalų biomasės prognozavimui.

Geriausius rezultatus parodė SVR modelis

Išbandžius skirtingus algoritmus, pagrindiniame vertinime tiksliausias buvo atraminių vektorių regresijos, arba SVR, modelis. Jo santykinė prognozės paklaida, vertinama pagal sMAPE rodiklį, siekė 3,64 proc. Vidutinė absoliuti prognozės paklaida buvo 0,13 kilogramo.

Rezultatai rodo, kad kompiuterinė rega ir dirbtinis intelektas gali būti praktiškai taikomi vertinant augalų biomasę. Vis dėlto modelio tikslumą lemia ne tik augalo vaizdas, bet ir aplinka, kurioje jis auginamas.

Apšvietimas – svarbus tikslumo veiksnys

Tyrimas atskleidė, kad keičiantis apšvietimo sąlygoms kito ir biomasės prognozės tikslumas. Tai natūralu, nes skirtingas šviesos intensyvumas gali pakeisti augalų spalvą ir vaizdo kontrastą, nors tikroji jų būklė nebūtinai kinta tokiu pačiu mastu.

Į modelį įtraukus apšvietimo intensyvumo duomenis, prognozavimo rezultatai pagerėjo. Ši įžvalga itin svarbi kuriant patikimas kontroliuojamos aplinkos žemės ūkio sistemas, kurios veiktų ne tik laboratorijoje, bet ir realiuose ūkiuose, vertikaliuose ūkiuose ar komerciniuose šiltnamiuose.

Nuo stebėsenos prie automatinio hidroponikos valdymo

Sukurta technologija kol kas nėra visiškai autonominė hidroponikos sistema. Ji neatlieka visų valdymo funkcijų, tačiau suteikia tvirtą techninį pagrindą tolesnei automatizacijai. Reguliariai gaunama informacija apie augalų būklę ateityje galėtų būti naudojama koreguojant LED apšvietimą, drėkinimo režimą, CO₂ koncentraciją ar maistinių medžiagų tiekimą.

Toks uždaro grįžtamojo ryšio principas leistų pereiti nuo vienodų, iš anksto nustatytų auginimo režimų prie duomenimis grįsto valdymo. Sistema galėtų pastebėti, kad augalai vystosi lėčiau nei įprastai, ir anksčiau pasiūlyti arba automatiškai atlikti reikalingus pakeitimus.

Ką tai reiškia Lietuvai ir šalies rinkai?

Lietuvoje hidroponika ir vertikalusis ūkininkavimas vis dažniau vertinami kaip būdai efektyviai auginti produkciją ribotoje erdvėje ir sunaudoti mažiau vandens. Tokie sprendimai gali būti aktualūs ūkiams, maisto technologijų įmonėms, mokslinių tyrimų centrams ir miestų ūkiams Vilniuje, Kaune bei kituose Lietuvos miestuose.

Automatizuota augalų stebėsena galėtų padėti Lietuvos verslui mažinti rankinio darbo poreikį, tiksliau planuoti derlių ir greičiau pastebėti augimo sutrikimus. Lietuviams, besidomintiems vietiniu, ištisus metus auginamu maistu, tai taip pat reikštų galimybę ateityje užtikrinti stabilesnę produkcijos kokybę ir efektyviau naudoti išteklius.

Ši kryptis atitinka pasaulines tendencijas, kai dirbtinis intelektas, daiktų internetas ir kompiuterinė rega integruojami į žemės ūkį. Lietuvos rinka dar nėra tokio masto kaip didžiųjų pasaulio valstybių, tačiau vietos mokslininkų kuriamos technologijos gali padėti kurti konkurencingus sprendimus tiek šalies ūkiams, tiek tarptautinėms rinkoms.

Tarptautinis tyrimas, finansuojamas Lietuvoje

Projektas subūrė VDU Žemės ūkio akademijos ir VDU Informatikos fakulteto tyrėjus. Eksperimentai atlikti VDU ŽŪA Žemės ūkio mašinų technologinių procesų tyrimų laboratorijoje, o rezultatai paskelbti tarptautiniuose recenzuojamuose mokslo žurnaluose.

Tyrimas vykdytas pagal 2024–2026 metų projektą „Inovatyvus dirbtinio intelekto integravimas į hidroponiką: neuroninių tinklų ir mašininio mokymosi panaudojimas siekiant padidinti efektyvumą, produktyvumą ir tvarumą“ (HydroAID). Projektą finansavo Lietuvos mokslo taryba, sutarties numeris S-ITP-24-10.