Jenseits der technischen und ökologischen Überlegungen beeinflusst das Bewässerungssystem das Wachstum des Gemüses sehr stark. Deshalb ist es ein Schlüsselparameter, den sowohl das Vertical Farming als auch die künstliche Intelligenz berücksichtigen müssen, die ich im kommenden Bereich vorstelle.
Tensorflow Lite
Die recht komplexe Tensorflow-Plattform bringt zahlreiche Komponenten mit: Das Tensorboard hilft beim Debuggen und Studieren der Trainingsschritte. TensorFlow.js erlaubt es, das Model und die Berechnungen im Webbrowser auszuführen. Tensorflow Lite eignet sich für Geräte mit wenig Speicher und geringen Rechenkapazitäten.
Tensorflow Lite bringt alle nötigen Bausteine mit, um ein Tensorflow-Modell auf Mobil-, Embedded- und IoT-Geräten zu erzeugen, zu konvertieren und zu optimieren, um es dann auf dem ressourcenarmen Edge-Device auszuführen. Allerdings lässt sich Tensorflow Lite, anders als Tensorflow, bislang nur in Ansätzen dazu verwenden, ein Machine-Learning-Modell zu entwickeln und zu trainieren.
Vereinfacht umfasst Tensorflow Lite zwei Komponenten: den Tensorflow Lite Converter und die Tensorflow Lite Runtime. Ersterer bietet alle notwendigen APIs an und bringt Optimierer mit, um den Speicher-Footprint des Tensorflow-Modells sowie die Berechnungskosten zu reduzieren und die Ausführungsgeschwindigkeit zu steigern. Der nächste Abschnitt geht detaillierter darauf ein.
Üblicherweise nimmt der Python-gestählte Datenwissenschaftler eine Analyse und Vorverarbeitung der Daten auf seinem Computer vor, indem er Pandas- [2] oder Numpy-Bibliotheken [3] verwendet. Danach greift er zu Tensorflow, um das Deep-Learning-Modell zu entwerfen und zu trainieren. Die Trainingsphase lässt sich optional auf eine GPU in der Cloud auslagern.
Schließlich setzt der Forscher auf seinem Computer den zur Tensorflow-Distribution gehörenden Tensorflow Lite Converter ein, um das trainierte Modell zu optimieren und in ein .tflite-Modell zu konvertieren, das sich für Edge-Geräte eignet. Dieses .tflite-Modell schiebt am Ende ein Software-Update auf das Edge-Gerät.
Zur Laufzeit verwendet das Edge-Gerät die Tensorflow-Lite-Laufzeitumgebung, um das Modell auszuführen und Vorhersagen auf Basis der Live-Daten aus der Vertical Farm zu treffen. Ein wichtiger Punkt hierbei: Auf dem Gerät läuft nicht die Tensorflow-Distribution, sondern nur eine alleinstehende Tensorflow-Lite-Runtime. Abhängig von der Plattform des Edge-Geräts, gibt es die Tensorflow Lite Runtime entweder als AAR-Paket von JCenter für Android, als Python-Wheel-Paket oder als in C geschriebene Shared Library für Embedded-Geräte.
Tensorflow Lite im Vertical Farming
Wir haben den in Abbildung 1 gezeigten Glasschrank für die vertikale Landwirtschaft in Innenräumen entworfen. Er verfügt über vier Regale, die zwölf auf einem Gitter verteilten Pflanzen Platz bieten. Das komplette Vertical-Farming-System umfasst vier Komponenten (Abbildung 2).
Abbildung 2: Im Schrank stecken vier Etagen mit Gemüse, die Daten landen zuerst auf einem lokalen Raspberry Pi.
Da wären erstens das Gehäuse sowie die Sensoren, Aktoren und Bewässerungssysteme. Die zweite Komponente ist eine Hauptplatine, in unserem Fall ein Raspberry Pi 3B+. Drittens benötigt das Setup einen Cloud-Server und viertens einen Forschungs- und Entwicklungsrechner (F&E).
Die erste Komponente, der Glasschrank, beherbergt die in Tabelle 1 aufgelisteten acht Sensoren sowie zwei Kameras pro Etage. Der Prototyp implementiert die vier verschiedenen Bewässerungssysteme, die ich weiter oben skizziert habe (eines auf jeder Schicht), um ihre Auswirkungen auf das Wachstum und die Qualität der Pflanzen zu untersuchen. Zusätzlich helfen Aktuatoren, die Temperatur, den CO2-Gehalt und die Beleuchtung zu kontrollieren.
|
Sensorfunktion |
Maßeinheit |
|---|---|
|
CO2-Messung |
Millionstel Teile |
|
gelöster Sauerstoff |
Millionstel Teile |
|
elektrolytische Leitfähigkeit |
Mikrosiemens pro Zentimeter (µS/cm) |
|
Redoxspannung |
Millivolt (mV) |
|
photosynthetische Photonenflussdichte (PPFD) |
Mikromol pro Quadratmeter pro Sekunde (µmol/m2/s) |
|
pH-Wert des Wassers |
ohne Einheit |
|
Feuchtigkeit |
Prozent |
|
Temperatur |
Grad Celsius |
Der Raspberry Pi dient als Gehirn des Systems. Er sammelt die Daten der Sensoren und steuert die Bewässerungssysteme sowie Aktoren. Es berechnet auch die Pflanzenblattfläche mithilfe der Kameras und verschiedener Bildverarbeitungsalgorithmen, die auf Basis von OpenCV [4] laufen (Abbildung 3).
Abbildung 3: OpenCV behält die Salatköpfe im Auge und misst deren Größe. Tensorflow sagt dann das Erntedatum voraus.
Zugleich führt der RasPi die Tensorflow-Lite-Runtime aus, um den Deep-Learning-Algorithmus zur Vorhersage des Pflanzenwachstums in Echtzeit auszuführen. Alle Daten speichert er lokal zwischen, bevor er sie an eine Cloud-API sendet, sobald eine Internet-Verbindung zur Verfügung steht. Die Software, die den Raspberry Pi steuert, ist in Python geschrieben.
Die von uns eingesetzte Cloud bietet drei zentrale Features. Eine in Go entwickelte API sammelt die Daten vom Motherboard, also dem Raspberry Pi. Eine Postgres-Datenbank speichert die Daten, die der RasPi aus dem Glasschrank erhält, aber auch Informationen über die Details zu den Experimenten. Sie merkt sich auch Pflanzeneigenschaften – hauptsächlich für Agrarforschungszwecke –, zu denen die Sorte, das Anbaudatum und so weiter zählen. Drittens bietet die Cloud ein Webinterface zur Datenvisualisierung, das auf dem ELK-Stack (Elasticsearch, Logstash, Kibana [5]) beruht.
