国际智慧温室种植挑战赛
International Autonomous Greenhouse Challenge
分类: 智慧农业 / 字数: 1896 / 标签: 农业, Agriculture, 智慧农业, Intelligent Agriculture, 荷兰, Netherlands, 瓦赫宁根大学, Wageningen University, 瓦赫宁根大学研究中心, Wageningen University & Research, Wageningen UR, 国际智慧温室种植, International Autonomous Greenhouse Challenge, 物联网, IoT, 番茄, 西红柿, Tomatos, 植物生长模型, Plant Growth Model, 机器学习, Machine Learning, 深度学习, Deep Learning, 强化学习, Reinforcement Learning, 知识图谱, Knowledge Graph
国际智慧温室种植挑战赛 是一个由 瓦赫宁根大学研究中心 (Wageningen University & Research) 主办的旨在利用自动化、信息技术和人工智能技术控制温室以实现增加产量、降低成本等目标的大赛。第一届赛事的种植作物为黄瓜，第二届赛事为樱桃西红柿。
很幸运能够在晚些时候加入到 CPlant 队伍中一同参与到这次赛事，虽然加入到队伍中比较晚，但工作之余也参与了大部分赛事的准备工作。
整个赛事分为初赛和复赛两个部分，初赛采用 Hackathon 的形式通过仿真模拟进行，初赛晋级的队伍将会在后续 6 个月的时间内通过远程控制进行真实的作物种植比赛。本次赛事吸引了全球顶级的农业与 AI 领域的企业、大学和研究机构参与，组成来自 26 个国家的 21 支团队，超过 200 名专家与学生。
初赛黑客马拉松评分主要由三部分组成：团队构成 （20％)、人工智能方法（30％)，以及虚拟西红柿种植净利润（50％)。仿真部分，采用了 Venlo 类型的温室，模拟时间从 2017/12/15 日至 2018/06/01，荷兰本地的外部天气，整个模拟过程并未考虑病虫害问题 (主要受到湿度影响)。仿真模型包含三个子模型：
Kaspro 温室模型：主要通过温室的控制器 (例如：通风口，加热管道，CO2 补充器，遮阳帘，灌溉系统等) 控制温室内的环境变量 (例如：光照，温度，湿度，CO2 浓度，水量，水 EC 值等)，进而控制作物生长。环境控制模型是相对复杂的一个模型，因为控制器和环境变量之间并不是一对一的关系。
Intkam 作物模型：主要通过设置茎的密度，叶片的去留策略，去顶时间，果实个数保留策略等控制作物的生长。
经济模型：主要定义了不同时间、不同果重、不同糖分樱桃番茄的价格，不同时间段内光照、加热和 CO2 的成本，以及相关的人工成本。
最终经过 24 小时的 Hackathon，我们队伍的成绩如下，最后排名 9/21，很遗憾未能进入到决赛。
| Team Composition (20%) | Strategy and AI Approach for the Growing Challenge (30%) | Obtained Points Following Rankings in Hackathon (50%) | Obtained Final Results in Hackathon (Net Profit) | Total Score |
|---|---|---|---|---|
| 15.6 (Ranking 6/21) (Max: 17.6) (Min: 7.6) |
21.6 (Ranking 4/21) (Max: 23.1) (Min: 4.8) |
21 (Ranking 9/21) (Max: 50) (Min: 1) |
92.0 (Ranking 9/21) (Max: 154.5) (Min: 0.7) |
58.2 (Ranking 9/21) (Max: 88.8) (Min: 13.4) |
所在的 CPlant 队伍是本次比赛中人数最多的一只队伍 (21 人，最少的队伍为 5 人，虽然人最多却未能进入决赛 😥)，评审从国籍，研究和企业组成等多个角度对团队构成进行了评分，最终我们拿到了一个中等偏上的成绩。
人工智能方法方面是我们在准备过程中讨论比较多的内容，每个人根据自己的优势不同分别负责了 Plant Growth Model, Machine Learning, Deep Learning, Reinforcement Learning 和 Knowledge Graph 等不同部分的设计。答辩过程中多位评委对于我们的 Knowledge Graph 在整个人工智能中的应用很感兴趣，在最后点评中也提到我们是唯一一只提到 Knowledge Graph 及其在智慧农业中应用的队伍。我认为智慧农业不同于其他人工智能应用领域分支，其具有一定的特殊性，数据和实验并不像其他领域容易获取和实现，我们需要更多地结合农业科学本身的相关经验和知识。由于我之前从事过 NLP 和 Knowledge Graph 相关工作，我深信 Knowledge Graph 一定会是一个将农业和人工智能有机地结合起来的好工具，但至于如果结合和实现落地还需要进一步探索和研究。最终这部分我们拿到了一个相对不错的成绩。
分数占比最多的仿真部分我们做的有所欠缺，同时这也是我们最为陌生的一个部分。整个 Hackathon 从当地时间 12 日 13 时开始，至 13 日 13 时结束，我们通宵达旦，一整夜的 Coding 陪伴我们度过了中秋佳节。整个过程中我们几乎将全部的精力投入到了 Kaspro 温室模型参数的优化中来，Intkam 作物模型则是根据相关的农业经验进行了简单的优化配置，经济模型并没有直接的控制参数，而是通过相关投入和产出进行计算得到。通过不断的优化，净收益从 10 几分不断提高到 80 几分，后面则一直卡在了 80 几分未能进一步提高。整个 Hackathon 过程中，组委会不定时地公布一些不包含具体组名的成绩统计信息，在第一天白天就已经有队伍拿到了接近 100 分的成绩，在半夜的一次公布中有队伍已经拿到了接近 120 分的净收益。面对巨大的压力，我们仍不断地优化 Kaspro 温室模型参数，虽然成绩在稳步提高，但提高的幅度甚微。在临近比赛的时候，我们终于决定在 Intkam 作物模型做一些大胆的尝试，设置了一些现实中绝对不可能达到的参数，居然取得了很高的提升。在最后 10 几分钟内我们将成绩又提高了 10 分左右，但由于时间限制我们未能来得及进一步调整测试。
所有队伍的 Net Profit 和 Points 成绩从大到小排列结果如下：
一些与现实相差很远的参数设置却能够得到一个更好的结果，这个问题我们在最开始确实没有敢想。但其实开赛前的技术文件中有提及，整个模拟就是一个黑盒游戏，并没有任何规则可言，最终的评判准则只有净收益。虽然仿真模型与现实会有些差距，但对于这个单纯的游戏而言，先入为主的种植经验确实限制了我们的想象。而对于我这个正在朝着产品经理发展的野生程序猿而言，我正需要的就是这种想象和实践想象的能力，让我以胡适先生的一段话总结这次赛事的经验教训吧：
💪 壮志未酬，来年再战！💪大胆的假设，小心的求证。 – 胡适
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。