基于人工神经网络的营养液逼近以最小化废弃物的可持续水培草莓生长研究

《Sustainability》:Sustainable Hydroponic Strawberry Growth by Minimizing Waste Through Nutrient Solution Approximation Using an Artificial Neural Network

【字体: 大 中 小 】 时间:2026年07月16日 来源:Sustainability 4.1

编辑推荐:

  可持续水培草莓栽培需要对营养液进行精确、实时的管理,以减少浪费并提高家庭种植者的资源利用效率。本研究提出了一种基于人工神经网络(Artificial Neural Network,ANN)的系统,用于估计并逼近适用于草莓水培的最优营养液配方,其主要目标是实现养

  
可持续水培草莓栽培需要对营养液进行精确、实时的管理,以减少浪费并提高家庭种植者的资源利用效率。本研究提出了一种基于人工神经网络(Artificial Neural Network,ANN)的系统,用于估计并逼近适用于草莓水培的最优营养液配方,其主要目标是实现养分与水资源节约。该ANN系统以硬件形式实现,用于实时运行,并与传统比例-积分-微分控制器(Proportional-Integral-Derivative controller,PID控制器)进行比较,以评估其在营养液管理中的性能。ANN以温度、湿度、水体pH、营养浓度和光照作为输入,并输出推荐的营养液参数。训练采用梯度下降法(gradient descent),平均在2500个训练轮次(epochs)后达到收敛,均值误差(mean error)为0.001,工作频率为84 MHz。机械结构设计经过优化,形成紧凑且适于3D打印装配的原型,以促进小规模和家庭生产者的应用。采用15 min采样进行验证表明,该系统能够维持目标营养条件,使幼苗和果实的重量及尺寸均出现可测增幅,同时显著降低水和养分浪费。这些结果表明,ANN驱动的实时营养估计可使精准水培(precision hydroponics)对家庭种植者更加可及且更具可持续性。在对比分析中,基于ANN的系统在维持精确养分浓度和减少资源浪费方面表现优于PID控制器,对目标养分水平实现了更准确的跟踪。
该文发表于《Sustainability》,围绕家庭与小规模场景下草莓水培系统的可持续化管理问题展开。研究背景在于,传统农业虽然仍是重要生产方式,但普遍存在水分与养分浪费、果实品质较低、易受病虫害影响以及土壤退化和资源消耗等问题。相较之下,水培为城市家庭种植提供了更具潜力的替代路径,但其高效运行依赖于营养液、水分、pH、温湿度、光照和电导率等关键环境因子的协同调控。如果缺乏精确监测与动态调节,草莓植株容易出现营养失衡、缺乏或过量供给,从而影响产量与品质。因此,开发一种能够在家庭尺度上实现低成本、实时化、智能化控制的系统,具有明显的应用价值和可持续意义。

研究人员据此提出一种将人工神经网络(Artificial Neural Network,ANN)应用于草莓水培决策的方案,旨在通过对关键环境变量和营养液状态的逼近与调节,减少水与养分浪费,并提升生长表现。研究首先完成了适用于家庭环境的紧凑型水培原型设计,随后构建ANN控制架构,将温度、湿度、pH、电导率(electrical conductivity,EC)和光照强度作为输入变量,并将营养液进液阀、pH调节阀、进水泵、灌溉泵、窄光谱LED、风扇和加热垫等8个执行部件作为输出对象。通过实验采集样本数据、进行离线训练、在Arduino Due硬件平台部署,并对系统响应、误差收敛、作物生长及与传统PID控制器的比较表现进行评估。研究结论表明,该系统能够在较低误差下逼近目标营养液条件,实现稳定实时控制,并在草莓幼苗及果实重量、尺寸方面优于传统栽培,同时有效降低资源浪费,说明ANN在家庭水培草莓精准管理中具有可行性与可持续应用潜力。

就主要技术方法而言,研究人员采用SolidWorks?(v2025)完成紧凑型四株位草莓水培原型及其3D打印结构设计,并进行受力与载荷分析;以温度、湿度、pH、EC和LDR(光敏电阻)为输入,构建5-10-8结构的反向传播人工神经网络(backpropagation ANN),通过梯度下降与最小均方(Least Mean Square,LMS)算法训练1600组样本数据,其中70%用于训练、15%用于验证、15%用于测试;随后将网络部署于Arduino Due,实现实时执行器控制,并以15 min采样间隔开展系统验证,同时结合传统栽培与水培对照观察草莓生长和结果表现。

3. Mechanical Design
论文首先介绍机械系统设计。研究人员基于草莓理想生长环境构建了一个适于家庭场景的水培原型,整体高度34 cm,可调至60 cm,最多容纳4株草莓,株间距10 cm。系统集成湿度、温度、pH、LDR和EC传感器,以及调节阀、窄光谱LED、风扇、灌溉泵、进水泵和加热垫等执行器。主体材料以塑料为主,辅以用于承托种植盆的丙烯酸底座;种植盆内采用岩棉与海绵作为无机基质,其中岩棉承担支撑、排水和营养液保持功能。主营养液混合容量为2.5 L,另设3个独立储液罐用于储存营养液和pH调节液,每个最大容量500 mL。研究人员还进行了部件重量、应力和位移分析,并在上部储罐支撑区域施加1.5 kg载荷进行测试,结果表明结构不存在失效风险。该部分说明系统设计不仅考虑了草莓水培需求,也强调了紧凑、便于运输维护和低成本制造的工程适配性。

3. Neural Networks
在神经网络部分,研究人员提出用于调控草莓生长关键变量的ANN模型。通过Matlab?(v2025)NNtool仿真筛选,确定最优结构为5个输入神经元、10个隐含层神经元和8个输出神经元。输入分别为X1温度、X2湿度、X3pH、X4电导率和X5LDR;输出则对应8个执行变量:y1营养液入口阀、y2正向pH调节阀、y3负向pH调节阀、y4进水泵、y5灌溉泵、y6窄光谱LED、y7风扇和y8加热垫。研究采用反向传播算法(backpropagation algorithm),前向传播使用Sigmoid激活函数,权重调整使用梯度下降和LMS算法。为防止输入量纲差异影响收敛,所有输入数据先归一化到[0,1]区间,输出后再进行反归一化,以恢复物理意义。网络训练使用1600个实验获得的数据点,并在误差极小的条件下实现收敛。文中指出,D1–D8为目标信号,YN1–YN8为网络输出,当两者误差非常小时,即认为神经网络完成营养液数值的逼近与调节。为实现执行器对正负调节量的控制,系统还采用H桥(H-bridge)实现阀门开闭控制,并在Arduino板上完成硬件实现。

Code for the Neural Network Algorithm
在算法实现层面,研究人员将ANN部署到Arduino Due开发板。程序首先完成输入层到隐含层、再到输出层的前向计算,随后依据均方误差(mean squared error,MSE)和学习率更新各层权重与阈值。该硬件实现的总网络处理时间为5 ms,程序存储占用26,540 bytes,仅占开发板容量的5%。这一结果说明所提出的ANN不仅可在仿真中工作,也具备嵌入式实时部署能力,适用于家庭尺度的轻量级智能控制。

4. System Characterization
在系统表征部分,研究人员以传感器工作范围和电压范围为基础,对神经网络输入输出关系进行硬件验证。Arduino Due上的电子连接用于驱动8个输出端A1–A8,功率级使用2N2222晶体管、1N4004二极管、1 kΩ电阻和LED等元件构建。以初始值和目标信号为测试条件后,网络输出AR1–AR8与Matlab仿真结果几乎一致,仅存在极小误差,证明嵌入式硬件实现能够较好复现软件训练效果。

研究人员进一步用MSE分析各输出的收敛过程。与pH控制相关的前两个输出在约2000个epochs时误差已接近于零;与营养液阀门和进水泵相关的输出误差约为0.001;其余与LED、灌溉泵、风扇和加热垫相关的输出在2500个epochs左右达到收敛。离线训练误差为0.001,表明网络能够有效逼近训练样本中所包含的确定性成分。论文同时明确指出,低训练误差并不等于真实温室环境中的长期物理稳定性,因为实际环境存在光照、pH、EC波动、传感器漂移、生物蒸腾变化和执行器磨损等随机不确定性。此处还说明附录中给出了以PID控制器作为基线的对照分析,用于比较不同控制方法对物理原型的适配效果。

4.1. Experimental Test
实验测试部分显示,研究人员将预训练ANN用于真实水培系统,并输入来自传感器的非归一化随机物理量,考察网络在实际工况下的输出。实验中比较了Matlab仿真结果和Arduino实测数据,证实两者高度一致。草莓发芽和栽培试验中设置了传统栽培与水培两种方式。水培系统中的营养液按制造商建议配制,每次220 mL,并通过ANN对接近485 ppm的通用溶液进行监测和修正,使其更适配草莓生长。研究人员还说明了湿度传感器、pH传感器和TDS传感器在容器中的布置方式,指出传感器与投加点距离过大可能导致饱和和系统失衡,因此采用靠近调节位置的布局以加快检测。

在执行器响应方面,ANN与灌溉泵、LED的联动结果表明,总响应时间由神经网络运算时间与执行器稳定时间共同决定。Arduino Due的网络输出时间为2232 μs,泵电机响应约0.47 s,另外由于基质初始吸水影响,又增加了33 s的稳定延迟;而LED仅表现出达到最大值所需的稳定延迟。系统工作频率为84 MHz,但输入传感器采样间隔设为15 min,因为更短采样周期不会带来显著变化。此结果说明该系统并非持续高频闭环驱动,而是以较低采样周期进行阶段性智能调控,更符合家庭水培的应用场景。

在光照调节试验中,研究人员以0.4 W/m2作为最低补光参考值,并借助校准后的Huawei P30 Pro传感器测定照度,测试地点位于Technological Institute of Higher Studies of Ecatepec。对于生长势较弱植株,系统采用466 nm蓝光和611 nm红光两种窄波段LED进行补光,以弥补自然照度不足。研究人员指出,光源与叶面的距离会影响实际照射强度,因此该设计主要作为补充性措施,而非完全替代自然光。

4.2. Observations on Development Between Traditional and Hydroponic Cultivation
在传统栽培与水培生长观察部分,研究人员记录了从2024年5月萌发到2025年6月采收的全过程。种子萌发阶段采用层积处理(stratification),基质为蚯蚓粪和黑土,利用毛细作用供水并通过带孔橡胶覆盖保持湿度。随后的发育观察表明,在ANN控制的水培系统中,草莓植株生长过程稳定,达到了适宜移栽与结果的条件。结果显示,水培草莓单果平均重量为63–80 g,而传统栽培草莓单果平均重量仅为33–45 g。研究还指出,传统栽培样本中部分草莓出现病害和缺素表现,导致产量与品质降低。文中通过图像对比展示了水培草莓、传统草莓以及存在缺陷的传统草莓个体,直观支持了系统在果实品质与产量方面的改进效果。此外,研究人员还将所提原型与文献中的4种草莓水培原型进行了比较,以说明该系统在变量控制维度上的扩展性。

Discussion
综合全文,论文讨论的核心在于:ANN能够在家庭尺度草莓水培系统中承担多变量环境管理任务,并通过较少计算资源实现实时部署。与传统农业及一般静态营养液管理方式相比,该系统更重视对pH、营养液浓度、水量、温度、光照和通风等因子的综合调控,体现出精准农业(precision agriculture)和可持续农业(sustainable agriculture)的结合。研究结果显示,ANN方法相较PID控制器在目标营养水平跟踪与资源浪费减少方面更具优势,同时原型结构紧凑、可3D打印、便于家庭和小规模生产应用。论文也如实指出系统局限,包括栽培周期数量有限、长期运行中的传感器漂移、多季节验证不足、对特定硬件平台的依赖,以及不同环境条件下数据分布假设可能不成立等问题。这些限定了结论的外推范围,但不影响其作为家庭草莓智能水培原型的验证价值。

结论部分翻译:
本研究使用人工神经网络对水培系统中实现草莓最优生长所需的关键变量进行了逼近与调节。该方案评估了pH、养分、水量、温度、光照和通风等因素,相较于文献中的其他原型覆盖了更多变量。经过长期测试,神经网络算法证明其功能完整,可连续运行超过1年且未出现问题。根据测试前后对营养液的测量结果,与最优溶液相比误差极小,在网络学习过程完成后未观察到显著偏差。就水培系统结果而言,实现了更强的植株生长和更高的产量。

从可持续性视角看,该系统在促进循环经济原则的同时最大化了资源利用效率。原型通过结合植物基本尺寸需求,对可用空间进行了优化,并简化了城市与家庭环境中的种植区域。依托模块化架构,该水培系统可由4株植物的基础单元扩展至任意数量的模块或更大型装置,前提是各模块复制所提出的核心组件。此外,采用3D打印PLA和PETG丝材可显著降低制造成本,提供一种低碳、易获得且符合人体工学的本地化食品生产方案。尽管该系统在利用神经网络驱动营养液逼近以促进草莓栽培方面展现出较强潜力,未来仍需通过农场尺度模拟和分阶段中试试验验证其在更大规模装置中的可扩展性与性能。

但该系统仍存在如下限制:(i)栽培周期数量有限;(ii)长期运行下可能出现传感器漂移;(iii)缺乏跨季节验证;(iv)依赖特定硬件平台;(v)数据分布中的若干假设在不同环境条件下可能不成立。未来研究将围绕增量再训练、漂移补偿以及扩展的跨季节测试展开。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号