林孝騰，孫 茜，鄭書河

(福建農(nóng)林大學(xué) 機電工程學(xué)院，福建 福州 350100)

植物工廠是設(shè)施園藝發(fā)展的高級階段和必然趨勢，是顛覆性的土地利用方式和農(nóng)作方式。植物工廠利用計算機或嵌入式系統(tǒng)等控制設(shè)備對內(nèi)部的光照、CO濃度、溫濕度等生長環(huán)境進行控制，使植物的生長發(fā)育得以擺脫自然環(huán)境因素的制約，從而實現(xiàn)周期性生產(chǎn)。目前，高能耗是限制植物工廠大范圍推廣的重要因素。據(jù)統(tǒng)計，在植物工廠的運營成本中，人工光耗能約占總耗電量的82%；因此，對植物工廠的照明系統(tǒng)開展節(jié)能性研究具有積極的現(xiàn)實意義。Hendrawan等通過控制照明系統(tǒng)補光光源的數(shù)量，僅對植物栽種區(qū)域進行針對性補光的方式來降低能耗；張海輝等針對不同植物的不同生長階段、不同環(huán)境，進行按需分波長定量補光，提高了能源利用率；Kim等根據(jù)植物生長的需要，動態(tài)調(diào)節(jié)光源與植物之間的距離，降低光源的照明功率。植物工廠使用的LED燈為Lambertian光源，具有光束發(fā)散角，部分光線會照射至植物未覆蓋的區(qū)域，從而導(dǎo)致光能浪費。為此，Li等提出，可利用凸透鏡與菲涅爾透鏡陣列板的聚光作用，以光斑的形式對植物進行補光；但在實際生產(chǎn)中，對光斑大小的調(diào)節(jié)仍基于人眼觀察的方式進行，且多透鏡的共同聚光作用亦會導(dǎo)致較多的光能損耗。

針對以上問題，本研究提出一種低能耗植物工廠照明系統(tǒng)，針對大功率LED光源進行二次光學(xué)設(shè)計，發(fā)散的LED光線經(jīng)可伸縮聚光筒與凸透鏡的作用后，在目標(biāo)平面上形成可調(diào)節(jié)大小的光斑。為提高系統(tǒng)的自動化程度，基于樹莓派上的OpenCV(開源的計算機視覺庫)開發(fā)設(shè)計一套智能識別算法，用于識別光斑與植物體積的關(guān)系，以保證植物一直處于光斑內(nèi)部。最后，驗證該系統(tǒng)的節(jié)能效果與識別準確率，以期為該系統(tǒng)的實際應(yīng)用提供試驗基礎(chǔ)。

1 系統(tǒng)設(shè)計

1.1 照明系統(tǒng)設(shè)計

本研究對植物工廠的LED光源進行二次光學(xué)設(shè)計，使用可伸縮聚光筒將LED發(fā)散的光線聚集照射至凸透鏡上，以光斑的方式對栽培平面上的植物進行補光。在相同的LED功率下，將發(fā)散的光線聚集成一個光斑區(qū)域進行照明，與無序雜亂的散射照明方式相比，具有更高的光照強度與能量，能夠以較低的功率提供較大光強的補光，并減少未栽種植物區(qū)域的光能浪費。隨著植物生長，光斑大小應(yīng)動態(tài)調(diào)節(jié)。聚光筒可伸縮的特性為實現(xiàn)光斑大小的調(diào)節(jié)提供了結(jié)構(gòu)基礎(chǔ)。

在照明系統(tǒng)中，頂板固定在植物工廠支架上，可伸縮聚光筒、凸透鏡均固定在透鏡板上，透鏡板與滾珠絲杠滑塊固定連接(圖1)。光斑大小的調(diào)控實現(xiàn)過程如下：滾珠絲杠電機正轉(zhuǎn)驅(qū)動滾珠絲杠滑塊向上運動，進而帶動透鏡板上升，此時可伸縮聚光筒擠壓LED光源板，LED燈與凸透鏡之間的距離減小，光斑變大。反之亦然。本研究所設(shè)計的低能耗植物工廠的照明系統(tǒng)，實際工作場景如圖2所示。

1，LED光源；2，直線軸承；3，滾珠絲杠滑塊；4，透鏡板；5，凸透鏡；6，可伸縮聚光筒；7，頂板。1，LED source;2，Linear bearing;3，Slider of ball screw;4，Lens plate;5，Convex lens;6，Retractable condenser;7，Roof.圖1 照明裝置結(jié)構(gòu)圖Fig.1 Light device structure

圖2 低能耗植物工廠照明系統(tǒng)實際工作場景照片F(xiàn)ig.2 Photos of actual working scene of energy-saving lighting system

1.2 控制系統(tǒng)設(shè)計

根據(jù)低能耗照明系統(tǒng)的光調(diào)控裝置，設(shè)計相應(yīng)的控制系統(tǒng)(圖3)，以樹莓派為上位機，Arduino平臺為下位機。將24 V直流電源輸出的電壓經(jīng)直流降壓模塊作用后分別輸出24、12、5、3.3 V的直流電壓，分別供給光源模塊、電機模塊、圖像傳感器模塊與控制模塊。圖像傳感器模塊采用的是8 MP RPI普通攝像頭模塊，可直接通過CSI接口與樹莓派通訊。

LCD，液晶顯示；PPFD，光量子通量密度；DC，直流電。LCD，Liquid crystal display;PPFD，Photosynthetic photon flux density;DC，Direct current.圖3 控制系統(tǒng)整體結(jié)構(gòu)Fig.3 Overall structure of control system

控制系統(tǒng)的主要工作過程如下：圖像傳感器每間隔8 h獲取1次植物工廠內(nèi)部植物生長的圖像，經(jīng)樹莓派搭載的OpenCV識別處理后，判定光斑與植物體積的關(guān)系，通過串口發(fā)送命令至下位機，Arduino平臺解析命令后通過IO(輸入輸出)口控制滾珠絲杠電機的轉(zhuǎn)動方向，改變光斑大小。同時，樹莓派對比數(shù)據(jù)庫中的光量子通量密度(PPFD)與經(jīng)光量子通量密度計傳感器獲取的植物生長環(huán)境中的PPFD，發(fā)送光強變化的命令至Arduino平臺，經(jīng)解析后通過IO口控制PWM調(diào)節(jié)控制模塊輸出來控制LED光源的光照強度。

2 識別算法

為保證植物生長一直處在光斑內(nèi)，光斑大小應(yīng)隨植物生長動態(tài)調(diào)節(jié)。要實現(xiàn)系統(tǒng)的自動化識別與調(diào)節(jié)，保證植物獲得充足的光照，光斑大小與植物體積關(guān)系的識別算法是關(guān)鍵。為此，本文基于OpenCV的視覺庫，運用Python語言設(shè)計識別算法。

2.1 圖像預(yù)處理

植物工廠的光照環(huán)境會隨植物生長而不斷變化。弱光強下，攝像頭獲取的圖像噪聲較多。經(jīng)可伸縮聚光筒與凸透鏡的作用后，目標(biāo)平面的光照均勻性亦會對處理的結(jié)果產(chǎn)生影響。為此，特引入圖像預(yù)處理流程(圖4)，旨在將圖像中的噪聲等干擾因素去除，保留有價值的圖像信息。

圖4 圖像預(yù)處理流程Fig.4 Flow chart of image preprocessing

對獲取的圖像進行色彩空間轉(zhuǎn)換。色彩空間轉(zhuǎn)換的方法主要有加權(quán)平均法、最大值法與平均值法等。本研究調(diào)用函數(shù)cv.cvtColor()實現(xiàn)色彩空間轉(zhuǎn)換。該函數(shù)的實現(xiàn)原理為加權(quán)平均值法，即將所獲取的彩色圖像的R、G、B三分量的值分別以不同的權(quán)數(shù)加以平均后進行賦值，將得到的結(jié)果作為灰度值。計算公式參見式(1)，灰度化后的圖像如圖5所示。

圖5 灰度化后的圖像示例Fig.5 Demonstration of gray scaled image

(，)=0299×(，)+0587×(，)+0114×(，)。

(1)

式(1)中：(，)為點(，)的灰度值；(，)、(，)、(，)為點(，)對應(yīng)于R、G、B分量的值。

調(diào)用高斯濾波函數(shù)cv.GaussianBlur()抑制灰度化后圖像的噪聲。該函數(shù)使用的方法是離散化窗口滑窗卷積法，高斯核的求解與選取是其核心問題。高斯核的本質(zhì)是一個奇數(shù)大小的高斯模板，模板的參數(shù)可以通過高斯函數(shù)計算求解：

(2)

式(2)中：、分別表示領(lǐng)域內(nèi)中心像素與其他像素的距離；表示高斯分布的標(biāo)準差。將函數(shù)的高斯核設(shè)為7×7大小，高斯核標(biāo)準差設(shè)為0。

為使圖像中光斑的特征更明顯、暗區(qū)更暗，以利于后續(xù)的特征與輪廓提取，特對高斯濾波后的圖像進行Gamma校正。將圖像的灰度動態(tài)范圍變換到0～1，使用冪律函數(shù)進行校正，將校正系數(shù)設(shè)為1.5，校正后，將圖像的灰度范圍恢復(fù)至0～255。校正前、后的圖像如圖6所示。

圖6 Gamma校正前(左)、后(右)的圖像示意Fig.6 Demonstration of images before (left)and after (right)Gamma correction

輸出圖像在Gamma校正前、后的直方圖(圖7)，可以看出：經(jīng)過Gamma校正后的圖像，亮區(qū)得到了加強，暗區(qū)被減弱，圖像的動態(tài)范圍擴大。

圖7 Gamma校正前(a)、后(b)的圖像直方圖Fig.7 Image histogram before (a)and after (b)Gamma correction

為了將圖像中的關(guān)鍵信息在整體中凸顯出來，以便后續(xù)進一步處理，對Gamma變換后的圖像調(diào)用函數(shù)cv.threshold()進行二值化分割，調(diào)用函數(shù)np.mean()對Gamma變換后圖像中的光斑區(qū)域進行動態(tài)閾值獲取，并以獲取到的值的1.15倍作為分割閾值。為獲取對描繪區(qū)域和表達信息有價值的圖像分量，以便對圖像進行分析和目標(biāo)識別，進一步調(diào)用函數(shù)cv.erode()與cv.dilate()對圖像進行腐蝕與膨脹的形態(tài)學(xué)處理。

2.2 輪廓獲取和最小外接圓與矩形繪制

在對圖像進行預(yù)處理后，檢測并獲取到圖像中光斑與植物的輪廓是開展后續(xù)光斑與植物體積大小判別的關(guān)鍵。

輪廓獲取，及最小外接圓與最小外接矩形的繪制過程簡述如下。

(1)調(diào)用圖像處理工具包SciKit-Image中measure子模塊下的label()函數(shù)，對二值圖像中感興趣的連通區(qū)域的目標(biāo)像素進行標(biāo)記。若相鄰的2個像素點取值相同，則認定這2個像素點處于同一個連通的區(qū)域內(nèi)。最終，將各個獨立的區(qū)域整合成一個整體被標(biāo)識的塊。

(2)調(diào)用函數(shù)cv.findContours()對圖像中植物與光斑的輪廓進行檢測與獲取。設(shè)定函數(shù)中的參數(shù)為只檢測外輪廓，將圖像中植物與光斑的外輪廓提取出來。

(3)調(diào)用函數(shù)contours.sort_contours()對光斑與植株進行標(biāo)號，并按從左到右的順序排序，以便于后續(xù)對植物與亮斑進行聚類分析和統(tǒng)計。

(4)調(diào)用函數(shù)enumerate()、cv.boundingRect()、cv.minEnclosingCircle()對所有的亮斑與植物進行遍歷，獲得最小外接矩形與最小外接圓的相關(guān)參數(shù)。利用cv.circle()與cv.rectangle()函數(shù)繪制出包圍亮斑的最小外接圓與最小外接矩形，進而以圖形與坐標(biāo)來界定目標(biāo)物體之間的平面關(guān)系。

(5)為減少直徑較小的外接圓與長寬較小的外接矩形對后期聚類分析和判別結(jié)果的影響，剔除較小的和處于邊界的外接圓與外接矩形。剔除誤差前與剔除誤差后的圖像如圖8所示。

圖8 剔除誤差前(左)、后(右)最小外接圓與外接矩形繪制圖像示意Fig.8 Demonstration of the smallest circumscribed circle and rectangle image before (left)and after (right)removing errors

以上操作均選取的是光斑大于植物體積的圖像。另選取植物生長過程中光斑小于植物體積(圖9)、相鄰光斑重疊的圖像(圖10)進行處理。當(dāng)光斑大小小于植物體積時，處理后的圖像中一個植物或光斑會被分為多個最小外接圓或最小外接矩形；當(dāng)相鄰兩光斑重疊時，多個光斑與植物會被一個最小外接圓與外接矩形包圍。

圖9 當(dāng)植物體積超出光斑時的原圖像(左)和處理后圖像(右)示意Fig.9 Demonstration of original image (left)and processed image (right)when plant does not fit spot image

圖10 當(dāng)相鄰光斑重疊時的原圖像(左)和處理后圖像(右)示意Fig.10 Demonstration of original image (left)and processed image (right)when adjacent spots overlap

2.3 判別算法

根據(jù)上文分析可知，隨植物生長，光斑與植物體積的關(guān)系發(fā)生變化，最小外接圓與最小外接矩形的繪制結(jié)果也相應(yīng)改變；因此，可以基于所繪制的最小外接圓與最小外接矩形，實現(xiàn)對光斑與植物體積關(guān)系的判別。

使用聚類分析的方法對圖像中的最小外接圓劃分組別，分析各個組內(nèi)光斑與植物體積的關(guān)系，統(tǒng)計圖像中不同大小關(guān)系的光斑與植物的組別數(shù)量，判定此時植物工廠中多數(shù)植物體積與光斑的關(guān)系，驅(qū)動滾珠絲杠電機動作從而相應(yīng)地調(diào)整光斑大小。聚類分析的流程如圖11所示。

圖11 聚類分析流程圖Fig.11 Process of clustering analysis

對圖像中的最小外接圓循環(huán)遍歷，考慮圖像大小與植物栽種的距離，將閾值(50 pixel)作為聚類分組的臨界值，當(dāng)遍歷的兩最小外接圓的圓心距離小于閾值時，將其歸為同一組別，同時將已歸類的第個圓標(biāo)記為已遍歷；如兩最小外接圓的圓心距離大于閾值，則往后繼續(xù)遍歷，以此循環(huán)。遍歷完成后，圖像中所有的最小外接圓被聚類為組最小外接圓集合。

植物工廠內(nèi)部培育的植物雖處在共同的栽培環(huán)境下，但各個植物的形態(tài)仍存在差異，各個組別中光斑與植物體積的關(guān)系也存在不同；因此，確定各個組別中光斑與植物體積的關(guān)系對整張圖像所屬類別的判別具有重要影響。具體的判別流程如下：當(dāng)組內(nèi)最小外接圓的個數(shù)大于2時，即一個光斑或植物被劃分為多個最小外接圓與外接矩形時，認為該組的光斑小于植物體積，記為調(diào)節(jié)組；當(dāng)組內(nèi)最小外接圓的個數(shù)小于2時，以最小外接矩形的寬/長>3/2或<2/3作為判別依據(jù)，滿足該條件的(即為長條矩形時)，認為該組中相鄰兩光斑重疊，記為重疊組；當(dāng)以上情況均不滿足時，認為該組光斑大于植物體積，記為光斑組(圖12)。

圖12 組內(nèi)光斑與植物體積關(guān)系的判別流程Fig.12 Flow chart of judgment of relationship between spot and plant in group

統(tǒng)計圖像中調(diào)節(jié)組、光斑組、重疊組的數(shù)量，如果圖像中的調(diào)節(jié)組大于3組，判斷此時植物工廠內(nèi)部植物體積超出光斑，需調(diào)大光斑；如果小于3組，且重疊組的數(shù)量大于光斑組，則判斷此時植物工廠中出現(xiàn)相鄰兩亮斑重疊；反之，則判斷此時植物工廠中的光斑大于植物體積。

為驗證上述方法的可靠性與穩(wěn)定性，獲取生菜從幼苗至相鄰兩光斑重疊的圖像50張作為測試集，在PyCharm 2018.3.3軟件中運用完整的程序進行測試。結(jié)果顯示，該圖像處理程序的識別準確率達92%。

3 栽種試驗與結(jié)果分析

3.1 試驗設(shè)計

將上述設(shè)計的低能耗照明系統(tǒng)應(yīng)用至實際生產(chǎn)中。以奶油生菜(L.)為供試品種，取其種子，采用深液流水培技術(shù)進行培育。以普通散射方式補光的照明系統(tǒng)為對照組，試驗組采用自主設(shè)計的低能耗照明系統(tǒng)。設(shè)置第1～6天、第7～12天，及自第13天起的PPFD(距離光源20 cm)分別為50、80、120 μmol·m·s，以滿足作物生長所需?？刂?組生菜的生長環(huán)境一致：相對濕度(55±5)%，光期時長16 h·d，光期溫度(22.0±0.5)℃，暗期溫度(18.0±0.5)℃，栽培密度30株·m。營養(yǎng)液的pH值均控制在6.2±0.2，電導(dǎo)率(EC)控制在(1.5±0.2)mS·cm。當(dāng)試驗組中出現(xiàn)相鄰兩光斑重疊時結(jié)束培育，因為此時相互交叉的光照得不到有效利用，造成能源浪費。

在試驗過程中測量兩組消耗的電能，以及植物生物量變化。具體地：使用PY-G8型電量計量插座(余姚市品益電器有限公司)測量系統(tǒng)消耗的電能；將植物分為地上部和地下部，用吸水紙吸去表面殘留的水分后，將其置于烘箱中烘至質(zhì)量恒定，用BSM-120.4型電子天平(精確至0.000 1 g，上海卓精電子科技有限公司)分別測其干重。

3.2 結(jié)果分析

試驗共持續(xù)了18 d。記錄試驗期間對照組與試驗組照明系統(tǒng)的電能消耗(表1)。可以看出，試驗組照明系統(tǒng)消耗的電能較對照組大幅下降(降幅達55.8%)，試驗期間(18 d)共計節(jié)省電能7.552 kW·h。

表1 不同處理下照明系統(tǒng)的電能消耗Table 1 Power consumption of light system under different treatments kW·h

為了進一步說明試驗組照明系統(tǒng)的節(jié)能效果與能源利用率，按照式(3)測算電能利用效率(EUE，%)，即栽培系統(tǒng)中累積的干物質(zhì)質(zhì)量的化學(xué)能與照明系統(tǒng)消耗的電能的比值。

(3)

式(3)中：為試驗期間生菜的電能利用效率；代表單株生菜積累的干物質(zhì)質(zhì)量(含地上部與地下部)，即干重，單位為g；代表栽培密度，取30株·m；代表栽培面積，取0.3 m；代表干物質(zhì)質(zhì)量與化學(xué)能的轉(zhuǎn)化系數(shù)，取20 kJ·g；代表試驗期間照明系統(tǒng)消耗的電能，單位為J。

經(jīng)測算，試驗組的EUE為0.521%，對照組的EUE為0.302%，試驗組的EUE較對照組提高了72.7%。

4 討論

為降低植物工廠照明系統(tǒng)的能耗，本研究利用可伸縮聚光筒與凸透鏡對LED燈進行二次光學(xué)設(shè)計，將原本發(fā)散的LED光線聚集成圓形光斑對植物進行補光，實現(xiàn)了以小功率提供大光強的照明，降低了照明系統(tǒng)的能耗，同時也減少了植物未栽種區(qū)域的光能浪費。根據(jù)植物不同生長時期對光的需求，基于OpenCV視覺庫設(shè)計圖像識別算法，經(jīng)圖像預(yù)處理后，繪制最小外接圓與最小外接矩形，經(jīng)聚類分析后，以最小外接矩形的長寬比和各個組內(nèi)最小外接圓的個數(shù)作為判別光斑與植物體積的依據(jù)，從而驅(qū)動滾珠絲杠電機做相應(yīng)動作，最終實現(xiàn)圓形光斑大小隨植物生長的自適應(yīng)動態(tài)變化，提高了照明系統(tǒng)的自動化程度。

以奶油生菜種子為供試品種，以普通散射方式補光的照明系統(tǒng)為對照組，以上述設(shè)計的低能耗植物工廠照明系統(tǒng)為試驗組進行栽種試驗。結(jié)果表明：試驗組的能耗較對照組下降了55.8%，電能利用率提高了72.7%。

本研究設(shè)計的照明系統(tǒng)在植物生長的幼苗期具有明顯的節(jié)能特性與較高的電能利用率，但隨植物生長，以光斑方式補光的照明設(shè)計并不能夠很好地滿足植物后期生長對光的需要。今后，可進一步在該系統(tǒng)的基礎(chǔ)上，設(shè)計開發(fā)出可轉(zhuǎn)換補光方式的照明系統(tǒng)，在植物生長的前期采用光斑方式補光，僅開啟植物上方的LED光源補光，在植物快速生長后期轉(zhuǎn)換補光方式，采用普通散射方式補光，開啟光源板上所有的LED燈。這樣既能降低照明系統(tǒng)能耗，又可滿足植物不同生長階段的光照需求。