Mr. Black

Soldier to Solider

国际智慧温室种植挑战赛 (International Autonomous Greenhouse Challenge)

范叶亮 / 2019-09-21


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:

  1. Kaspro 温室模型
  2. Intkam 作物模型
  3. 经济模型

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)
Autonomous Greenhouse Challenge 2019

Autonomous Greenhouse Challenge 2019

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:

Net Profit & Points Result

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:

大胆的假设,小心的求证。 – 胡适

💪 壮志未酬,来年再战!💪