АВТОМАТИЗИРОВАННАЯ СИСТЕМА УПРАВЛЕНИЯ МИКРОКЛИМАТОМ В ТЕПЛИЦАХ
DOI:
https://doi.org/10.52167/1609-1817-2025-139-4-262-269Ключевые слова:
теплица, микроклимат, автоматизированная система, машинное обучение, IoTАннотация
В данной статье рассматриваются методы проектирования автоматизированной системы управления микроклиматом в теплицах. Основная цель исследовательской работы-автоматическое регулирование температуры, влажности, освещения и уровня углекислого газа на основе параметров, регулирующих уровень роста растений. Эта система основана на технологиях машинного обучения и компьютерного зрения. Система состоит из двух основных модулей: первый – это блок модуля обработки изображений растений, определение этапов роста и анализа, второй-исполнительный блок, который анализирует и контролирует параметры микроклимата в соответствии с полученной информацией.
В исследовании использовались три различных метода: многослойная нейронная сеть, архитектура mobilenetv2 и эталонный векторный метод. Сравнение трех методов показало точность модели CNN 88,2% и самый высокий показатель распознавания изображений, модель mobilenetv2 отличалась энерго эффективностью, а подход SVM + HOG предлагал простое и простое в вычислении решение.
Выбранный метод, в отличие от других традиционных систем управления теплицами, влияет на рост растений изнутри, а не снаружи. То есть решение зависит не только от параметров окружающей среды, но и от биологического состояния растения. Это одно из новых направлений автоматизации сельского хозяйства, которое вносит реальный вклад в интеллектуальное развитие теплиц.
Библиографические ссылки
[1] Edan, Y., Adamides, G., Oberti, R. (2023). Agriculture Automation. In: Nof, S.Y. (eds) Springer Handbook of Automation. Springer Handbooks. Springer, Cham. https://doi.org/10.1007/978-3-030-96729-1_49
[2] Regmi A, Rueda-Kunz D, Liu H, Trevino J, Kathi S, et al. 2024. Comparing resource use efficiencies in hydroponic and aeroponic production systems. Technology in Horticulture 4: e005 doi: 10.48130/tihort-0024-0002
[3] Soheli, S.J., Jahan, N., Hossain, M.B. et al. Smart Greenhouse Monitoring System Using Internet of Things and Artificial Intelligence. Wireless Pers Commun 124, 3603–3634 (2022). https://doi.org/10.1007/s11277-022-09528-x
[4] H. Jaiswal, K. R. P, R. Singuluri and S. A. Sampson, "IoT and Machine Learning based approach for Fully Automated Greenhouse," 2019 IEEE Bombay Section Signature Conference (IBSSC), Mumbai, India, 2019, pp. 1-6, doi: 10.1109/IBSSC47189.2019.8973086
[5] Lanitha, B., Poornima, E., Sudha, R., David, D. Beulah, Kannan, K., Jegan, R., Peroumal, Vijayakumar, Kirubagharan, R., Tesfaye, Meroda, IoT Enabled Sustainable Automated Greenhouse Architecture with Machine Learning Module, Journal of Nanomaterials, 2022, 1314903, 6 pages, 2022. https://doi.org/10.1155/2022/1314903
[6] Elvanidi, A.; Katsoulas, N. Machine Learning-Based Crop Stress Detection in Greenhouses. Plants 2023, 12, 52. https://doi.org/10.3390/plants12010052
[7] Chen, T.-H.; Lee, M.-H.; Hsia, I.-W.; Hsu, C.-H.; Yao, M.-H.; Chang, F.-J. Develop a Smart Microclimate Control System for Greenhouses through System Dynamics and Machine Learning Techniques. Water 2022, 14, 3941. https://doi.org/10.3390/w14233941
[8] K. Pothuganti, B. Sridevi and P. Seshabattar, "IoT and Deep Learning based Smart Greenhouse Disease Prediction," 2021 International Conference on Recent Trends on Electronics, Information, Communication & Technology (RTEICT), Bangalore, India, 2021, pp. 793-799, doi: 10.1109/RTEICT52294.2021.9573794
[9] Morales-García J, Bueno-Crespo A, Martínez-España R, Cecilia JM. Data-driven evaluation of machine learning models for climate control in operational smart greenhouses. Journal of Ambient Intelligence and Smart Environments. 2023;15(1):3-17. doi:10.3233/AIS-220441
[10] Platero-Horcajadas, M.; Pardo-Pina, S.; Cámara-Zapata, J.-M.; Brenes-Carranza, J.-A.; Ferrández-Pastor, F.-J. Enhancing Greenhouse Efficiency: Integrating IoT and Reinforcement Learning for Optimized Climate Control. Sensors 2024, 24, 8109. https://doi.org/10.3390/s24248109
[11] Ferrández-Pastor, F.J., Cámara-Zapata, J.M., Alcañiz-Lucas, S., Pardo, S., Brenes, J.A. (2023). Reinforcement Learning Model in Automated Greenhouse Control. In: Bravo, J., Urzáiz, G. (eds) Proceedings of the 15th International Conference on Ubiquitous Computing & Ambient Intelligence (UCAmI 2023). UCAmI 2023. Lecture Notes in Networks and Systems, vol 842. Springer, Cham. https://doi.org/10.1007/978-3-031-48642-5_1
[12] A. Rokade and M. Singh, "Analysis of Precise Green House Management System using Machine Learning based Internet of Things (IoT) for Smart Farming," 2021 2nd International Conference on Smart Electronics and Communication (ICOSEC), Trichy, India, 2021, pp. 21-28, doi: 10.1109/ICOSEC51865.2021.9591962
[13] Contreras-Castillo, J.; Guerrero-Ibañez, J.A.; Santana-Mancilla, P.C.; Anido-Rifón, L. SAgric-IoT: An IoT-Based Platform and Deep Learning for Greenhouse Monitoring. Appl. Sci. 2023, 13, 1961. https://doi.org/10.3390/app13031961
[14] Gong, L.; Yu, M.; Jiang, S.; Cutsuridis, V.; Pearson, S. Deep Learning Based Prediction on Greenhouse Crop Yield Combined TCN and RNN. Sensors 2021, 21, 4537. https://doi.org/10.3390/s21134537
[15] Guesbaya, M.; García-Mañas, F.; Rodríguez, F.; Megherbi, H. A Soft Sensor to Estimate the Opening of Greenhouse Vents Based on an LSTM-RNN Neural Network. Sensors 2023, 23, 1250. https://doi.org/10.3390/s23031250
[16] Shorten C., Khoshgoftaar T.M. A survey on image data augmentation for deep learning // Journal of Big Data. - 2019. - Vol. 6. - Art. 60. DOI: 10.1186/s40537-019-0197-0.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2025 Айнур Толеушова, Динара Уйпалакова, Венера Керимбаева, Айжан Адильбекова
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
