使用SensiML AI框架學習水培農業

2515147 2023-02-08 | zip | 0.67 MB | 次下載 | 免費

資料介紹

描述

1. 語境

作為受害者和貢獻者，農業在氣候變化現象中發揮了突出作用。傳統農業是在大片土地上濫用水資源的基礎上建立起來的。這一事實使得世界上一半的可居住土地用于糧食生產，這在中長期內是不可持續的。因此，迫切需要基于高端技術的園藝新方法來改變世界的喂養方式。在這個項目中，我們展示了水培農業概念驗證 (PoC) 的結果，該概念是使用 Quicklogic 的 QuickFeather 與 SensiML 結合開發的，以強調無土作物生長對氣候變化帶來的巨大好處。

2.簡介

根據歐盟 (EU) 的農業政策報告CAP 和氣候變化 | 歐盟委員會 (europa.eu)對聯合國糧食及農業組織 (FAO) 而言，傳統農業通過土地的廣泛利用、飼養牲畜和化石燃料的密集使用，是溫室氣體排放的驅動力。后者已成為制造化肥和殺蟲劑、為重型農業機械、運輸和谷物干燥等發電提供動力的必要條件。因此，隨著世界人口對食物需求的不斷增加，農業活動導致的二氧化碳 (CO2)、甲烷 (CH4) 和一氧化二氮 (N2O) 的數量已經失控，這些是全球變暖的主要原因。因此，迫切需要采取行動，通過可持續的新農業方法養活人類，同時需要更少的能源。盡管全球的石油公司都在推廣生物燃料作為一種替代品，以減輕化石能源對溫室氣體產生的影響，但現實情況是這些燃料的使用遠非大規模。為了減少對可燃物的依賴，農業必須在當地進行，以避免因運輸而產生的氣體排放；不用殺蟲劑和化肥，必須占用更少的土地來控制瘟疫；必須減少用水量以防止水土流失；并且必須是素食主義者。符合所有上述要求的有前途的方法之一是基于水培的園藝。現實情況是，這些燃料的引入遠非大規模。為了減少對可燃物的依賴，農業必須在當地進行，以避免因運輸而產生的氣體排放；不用殺蟲劑和化肥，必須占用更少的土地來控制瘟疫；必須減少用水量以防止水土流失；并且必須是素食主義者。符合所有上述要求的有前途的方法之一是基于水培的園藝。現實情況是，這些燃料的引入遠非大規模。為了減少對可燃物的依賴，農業必須在當地進行，以避免因運輸而產生的氣體排放；不用殺蟲劑和化肥，必須占用更少的土地來控制瘟疫；必須減少用水量以防止水土流失；并且必須是素食主義者。符合所有上述要求的有前途的方法之一是基于水培的園藝。并且必須是素食主義者。符合所有上述要求的有前途的方法之一是基于水培的園藝。并且必須是素食主義者。符合所有上述要求的有前途的方法之一是基于水培的園藝。

水培法是一種無土栽培作物的方法，它的根部不斷地用營養液灌溉。在這種情況下，植物生長得更快，因為與傳統的土壤栽培相比，光照、養分、氧氣和二氧化碳的量以及瘟疫可以得到大規模控制。由于這種方法不需要土壤，大城市已采用這種方法生產某些植物標本，如土豆、西紅柿和生菜，有助于減少運輸產生的溫室氣體。與水的消耗有關，它通過由泵組成的灌溉系統提供給作物。灌溉是作物生長的關鍵因素，因為養分的吸收取決于溶解在水中的氧氣量。所以，在水培系統中，當根區發生一定程度的枯竭時，必須提供水溶液，根區用作水庫。這樣，技術的使用就變得顯而易見，以便在植物需要時自動提供它們所需的東西。

在本文中，我們介紹了使用 QuickLogic 的 QuickFeather 1.2 版與機器學習 SensiML 框架結合使用的信息物理系統 (CPS) 的設計和實現。QuickFeather 板用于處理從溫度傳感器捕獲的數據，而機器學習框架則訓練一個模型，該模型可實時提供有關農作物需要灌溉的時間和所需營養量的準確信息。我們的系統模擬水培種植園，我們在水和能源消耗方面評估我們的解決方案，以驗證這種類型的糧食生產系統可以有效取代傳統農業。

2.解決方案

我們的 CPS PoC 如下圖所示。如圖所示，它主要由濕度和溫度傳感器以及用于控制氧氣的氣石組成。此設置代表深水養殖系統，其中作物的根部被放置在一個裝滿基質的網盆中。根部直接暴露在水性營養液中，泵注入氣泡以保持作物充足的氧氣。因此，這種水培配置促進了植物的快速生長，同時保持了建筑的廉價和簡單。該系統的主要優點是它在泵發生故障時具有彈性，因為它使用了大量的溶劑，植物仍然可以存活很長時間。在我們的實驗中，

深層營養水庫儲存了大量富含營養的水。

值得注意的是，擴散的氧氣允許植物根部吸收最大量的養分，從而加速作物生長。這就是水培法對氣候變化產生積極影響的原因，因為有效的養分吸收有效地減少了所需的肥料量，同時縮短了食品生產的上市時間。

在這個項目中，我們通過濕度、pH 值和溫度傳感器跟蹤農作物的生長。根據我們的考慮，這些代表了可以提供有關功能的準確信息的指標

為了跟蹤不同的變量，我們將插入濕度和溫度傳感器。可以使用預測水管理的機器學習模型分析捕獲的數據。具體而言，我們有興趣研究溫度如何通過蒸發、酸度和土壤水分等現象影響生態系統動態。因此，可以在 QuickFeather 板上實施深度學習算法，以根據蔬菜的蒸發和蒸騰作用預測最佳灌溉。

2.1 設置

2.1.1 作物生長

我們在具有六孔植物尺寸的水培系統種植套件上開發了我們的項目。我們之所以選擇該套件，是因為它由堅固耐用的優質塑料制成，可適應任何植物家族的生長。更多信息可以在像這樣的外部零售商處找到。

1 / 3 ?水培入門套件

水培栽培由兩個階段組成：

初始植物發芽：種子很脆弱，在用于水培系統之前需要非常小心。種子需要潮濕的環境，而不會接觸到水培系統的營養物質。這就是為什么最初的植物發芽是在水培系統之外進行的原因。根據植物類型，此過程可能需要 1 到 2 周的時間。互聯網上的大多數教程都推薦使用巖棉來改善這個生長階段。我們放了一個塑料蓋以保持高濕度。

植物發芽。塑料蓋用于濕度保持。

水培系統中的植物生長：一旦植物長出小根，就可以將它們放在塑料海綿內以繼續生長周期，如下圖所示。

1 / 2 ?種植小型植物

2.1.2 氣泵

為了計算氣泵的尺寸，重要的是要考慮營養液儲存器的尺寸。通常，規則規定氣泵的電壓必須等于可用營養液的加侖數。在我們的案例中，對于這個微型 PoC，我們基本上可以使用任何氣泵，因為生長套件中的水可以在沒有任何具體問題的情況下被充氧。

2.2 硬件開發

QuickFeather 是開發該項目的基礎平臺。與其他開發板相比，它因受到開源硬件開發套件和軟件工具的支持而脫穎而出。市場上有其他微控制器，它們提供不同和相似的硬件模塊，例如 arduino Uno WiFi 或 Arduino MKR VIDOR 4000，但其中沒有 QuickFeather 擁有的廣泛支持，這使得它對新開發人員非常有吸引力。QuickFeather 的主要特性之一是其內置的 eFPGA，它可通過名為 SymbiFlow 的框架進行編程，以利用矢量化來計算高度并行化的程序。MCU 可以通過 Zephyr 和 FreeRTOS 刷寫。

讀者可以訪問此處提供的文檔。然而，仍然沒有可用的引腳圖，所以我提出以下一個：

quickfeather 的引出線

如圖所示，總共有 8 個 GPIO 和兩個 I2C 接口。模數轉換器 (ADC) 可用于連接多個傳感器，正如 QuickLogic 開放式可重構計算 (QORC) Quickfeather 軟件開發套件 (SDK) 文檔中所推薦的那樣。

本項目開發使用的除QuickFeather 1.2以外的組件如下：

2000毫安鋰聚合物電池
DS18B20溫度傳感器：是一種防水傳感器，可用于塑料容器內。它可以測量從 - 55 C 到 +125 C 范圍內的溫度。
土壤濕度傳感器：傳感器顯示 0-100 的相對值，可以使用參考文獻中的程序對其進行校準。
pH 傳感器：顯示 0 到 14 范圍內的 pH 值。

2.2.1數據采集方式

為了訓練機器學習模型，必須使用 QuickFeather 捕獲足夠的數據。從 Quickfeather 讀取數據有兩種方法：通過其他設備（如 esp32）通過 WiFi 傳輸數據或使用串行連接。

我們將 USB 串行連接連接到 Raspberry 3B i，以便擁有用于數據收集的低功率設備。以下方案描述了如何與不同的電子元件建立連接。

1 / 2 ?集合數據架構

2.2.2模型推理狀態

我們假裝證明鋰電池的使用足以為 QuickFeather 供電，以實時訓練機器學習模型，使設備完全自主。這是我們為驗證 PoC 設定的目標，因為我們想證明技術是擴大水培農業糧食生產的關鍵。

如下圖所示，執行器直接連接到 QuickFeather 的引腳，其激活和睡眠模式直接取決于經過訓練的機器學習預測模型。在下一節中，將詳細解釋 SensiML 如何用于部署我們的自主智能 CPS。

1 / 2 ?推理狀態

2.2.3 水和能源消耗

我們已經對我們的系統進行了大規模測試，并得出了以下指標來評估我們的解決方案與傳統農業的比較。由于我們使用的是鋰電池，所以我們將總消耗電量計算為電池容量與使用時間的乘積。我們處理了正在使用的 2000mAH 電池。根據這份報告，通過假設我們的電源無休止地使用，與歐洲生產一種食物所消耗的能源相比，我們的解決方案的能源消耗比傳統農業低 80% 左右。https://edepot.wur.nl/278550

在耗水量方面，我們在單位面積灌溉方面優于傳統農業高達 90%。我們在種植套件中裝滿了四升水，并在同一地區更換了兩周。通過擴大這個值并與世界銀行的數字進行比較，https ://www.worldbank.org/en/topic/water-in-agriculture#3 ，我們得出結論，水培可以減少高達 90% 的用水量每平方公里。

2.3 軟件開發

SensiML 還提供了一個用于數據采集的開源實用程序，稱為SensiML Open Gateway。我們通過遠程服務器使用它為該軟件做出了貢獻，對于我們的研究案例來說，它是一個 Raspberry Pi，因為它可以在硬件開發部分中顯示。Raspberry Pi 使用 UART 串??行連接從 Quickfeather 接收數據，并將其保存在內存 SD 卡中。然后將此數據傳輸到本地機器或云端進行分析。

SensiML 的一大優勢是其工具的多功能性：

數據捕獲實驗室用于捕獲、標記、訓練和導出機器學習模型。這對于不想直接處理機器學習的最終用戶來說尤其有趣。
另一種選擇是在 Jupyter 筆記本中使用 AutoML Python 庫，這樣可以在機器學習訓練期間提供更大的靈活性。此方法面向希望對界面有更多控制權的數據科學家。

我們從溫度和 pH 傳感器獲取數據。水培設備在室內，白天水溫變化不大。然而，由于植物不斷生長，pH 值的影響更大。下圖顯示了這兩個變量的演變。

溫度和 pH 值變化

這兩個值的理想范圍是：溫度為 15 至 26°C，pH 為 5.8 至 6.4。我們還注意到 pH 值受氣泵狀態的影響，因此當泵運行時它會增加，而當泵不轉動時它會降低（變得更酸）。我們認為這可能是一個很好的用例，機器學習模型應該檢測何時打開泵。

為了訓練機器學習模型，我們將數據標記為“ON”，即當 pH 值較低且需要打開氣泵時。在下圖中，您可以在泵應打開時看到 1 上的綠線。

pH值受泵狀態影響

在數據科學 (DS) 中，此用例對應于二元分類問題。我們使用 SensiML SDK 定義了一個管道，其中數據在窗口中被切片，進行特征提取，然后將其饋送到機器學習模型，在該模型中輸出決定是否應該打開氣泵。在選擇可以使用的模型類型時也有靈活性（更多信息和示例可以在SensiML 教程中找到），對于我們的案例，我們使用了具有 6 個順序層的神經網絡。該模型在驗證數據上具有 76% 的準確率和 86% 的召回率（敏感度），如下圖所示。