使用SensiML AI框架学习水培农业

2515147 2023-02-08 | zip | 0.67 MB | 次下载 | 免费

资料介绍

描述

1. 语境

作为受害者和贡献者，农业在气候变化现象中发挥了突出作用。传统农业是在大片土地上滥用水资源的基础上建立起来的。这一事实使得世界上一半的可居住土地用于粮食生产，这在中长期内是不可持续的。因此，迫切需要基于高端技术的园艺新方法来改变世界的喂养方式。在这个项目中，我们展示了水培农业概念验证 (PoC) 的结果，该概念是使用 Quicklogic 的 QuickFeather 与 SensiML 结合开发的，以强调无土作物生长对气候变化带来的巨大好处。

2.简介

根据欧盟 (EU) 的农业政策报告CAP 和气候变化 | 欧盟委员会 (europa.eu)对联合国粮食及农业组织 (FAO) 而言，传统农业通过土地的广泛利用、饲养牲畜和化石燃料的密集使用，是温室气体排放的驱动力。后者已成为制造化肥和杀虫剂、为重型农业机械、运输和谷物干燥等发电提供动力的必要条件。因此，随着世界人口对食物需求的不断增加，农业活动导致的二氧化碳 (CO2)、甲烷 (CH4) 和一氧化二氮 (N2O) 的数量已经失控，这些是全球变暖的主要原因。因此，迫切需要采取行动，通过可持续的新农业方法养活人类，同时需要更少的能源。尽管全球的石油公司都在推广生物燃料作为一种替代品，以减轻化石能源对温室气体产生的影响，但现实情况是这些燃料的使用远非大规模。为了减少对可燃物的依赖，农业必须在当地进行，以避免因运输而产生的气体排放；不用杀虫剂和化肥，必须占用更少的土地来控制瘟疫；必须减少用水量以防止水土流失；并且必须是素食主义者。符合所有上述要求的有前途的方法之一是基于水培的园艺。现实情况是，这些燃料的引入远非大规模。为了减少对可燃物的依赖，农业必须在当地进行，以避免因运输而产生的气体排放；不用杀虫剂和化肥，必须占用更少的土地来控制瘟疫；必须减少用水量以防止水土流失；并且必须是素食主义者。符合所有上述要求的有前途的方法之一是基于水培的园艺。现实情况是，这些燃料的引入远非大规模。为了减少对可燃物的依赖，农业必须在当地进行，以避免因运输而产生的气体排放；不用杀虫剂和化肥，必须占用更少的土地来控制瘟疫；必须减少用水量以防止水土流失；并且必须是素食主义者。符合所有上述要求的有前途的方法之一是基于水培的园艺。并且必须是素食主义者。符合所有上述要求的有前途的方法之一是基于水培的园艺。并且必须是素食主义者。符合所有上述要求的有前途的方法之一是基于水培的园艺。

水培法是一种无土栽培作物的方法，它的根部不断地用营养液灌溉。在这种情况下，植物生长得更快，因为与传统的土壤栽培相比，光照、养分、氧气和二氧化碳的量以及瘟疫可以得到大规模控制。由于这种方法不需要土壤，大城市已采用这种方法生产某些植物标本，如土豆、西红柿和生菜，有助于减少运输产生的温室气体。与水的消耗有关，它通过由泵组成的灌溉系统提供给作物。灌溉是作物生长的关键因素，因为养分的吸收取决于溶解在水中的氧气量。所以，在水培系统中，当根区发生一定程度的枯竭时，必须提供水溶液，根区用作水库。这样，技术的使用就变得显而易见，以便在植物需要时自动提供它们所需的东西。

在本文中，我们介绍了使用 QuickLogic 的 QuickFeather 1.2 版与机器学习 SensiML 框架结合使用的信息物理系统 (CPS) 的设计和实现。QuickFeather 板用于处理从温度传感器捕获的数据，而机器学习框架则训练一个模型，该模型可实时提供有关农作物需要灌溉的时间和所需营养量的准确信息。我们的系统模拟水培种植园，我们在水和能源消耗方面评估我们的解决方案，以验证这种类型的粮食生产系统可以有效取代传统农业。

2.解决方案

我们的 CPS PoC 如下图所示。如图所示，它主要由湿度和温度传感器以及用于控制氧气的气石组成。此设置代表深水养殖系统，其中作物的根部被放置在一个装满基质的网盆中。根部直接暴露在水性营养液中，泵注入气泡以保持作物充足的氧气。因此，这种水培配置促进了植物的快速生长，同时保持了建筑的廉价和简单。该系统的主要优点是它在泵发生故障时具有弹性，因为它使用了大量的溶剂，植物仍然可以存活很长时间。在我们的实验中，

深层营养水库储存了大量富含营养的水。

值得注意的是，扩散的氧气允许植物根部吸收最大量的养分，从而加速作物生长。这就是水培法对气候变化产生积极影响的原因，因为有效的养分吸收有效地减少了所需的肥料量，同时缩短了食品生产的上市时间。

在这个项目中，我们通过湿度、pH 值和温度传感器跟踪农作物的生长。根据我们的考虑，这些代表了可以提供有关功能的准确信息的指标

为了跟踪不同的变量，我们将插入湿度和温度传感器。可以使用预测水管理的机器学习模型分析捕获的数据。具体而言，我们有兴趣研究温度如何通过蒸发、酸度和土壤水分等现象影响生态系统动态。因此，可以在 QuickFeather 板上实施深度学习算法，以根据蔬菜的蒸发和蒸腾作用预测最佳灌溉。

2.1 设置

2.1.1 作物生长

我们在具有六孔植物尺寸的水培系统种植套件上开发了我们的项目。我们之所以选择该套件，是因为它由坚固耐用的优质塑料制成，可适应任何植物家族的生长。更多信息可以在像这样的外部零售商处找到。

1 / 3 •水培入门套件

水培栽培由两个阶段组成：

初始植物发芽：种子很脆弱，在用于水培系统之前需要非常小心。种子需要潮湿的环境，而不会接触到水培系统的营养物质。这就是为什么最初的植物发芽是在水培系统之外进行的原因。根据植物类型，此过程可能需要 1 到 2 周的时间。互联网上的大多数教程都推荐使用岩棉来改善这个生长阶段。我们放了一个塑料盖以保持高湿度。

植物发芽。塑料盖用于湿度保持。

水培系统中的植物生长：一旦植物长出小根，就可以将它们放在塑料海绵内以继续生长周期，如下图所示。

1 / 2 •种植小型植物

2.1.2 气泵

为了计算气泵的尺寸，重要的是要考虑营养液储存器的尺寸。通常，规则规定气泵的电压必须等于可用营养液的加仑数。在我们的案例中，对于这个微型 PoC，我们基本上可以使用任何气泵，因为生长套件中的水可以在没有任何具体问题的情况下被充氧。

2.2 硬件开发

QuickFeather 是开发该项目的基础平台。与其他开发板相比，它因受到开源硬件开发套件和软件工具的支持而脱颖而出。市场上有其他微控制器，它们提供不同和相似的硬件模块，例如 arduino Uno WiFi 或 Arduino MKR VIDOR 4000，但其中没有 QuickFeather 拥有的广泛支持，这使得它对新开发人员非常有吸引力。QuickFeather 的主要特性之一是其内置的 eFPGA，它可通过名为 SymbiFlow 的框架进行编程，以利用矢量化来计算高度并行化的程序。MCU 可以通过 Zephyr 和 FreeRTOS 刷写。

读者可以访问此处提供的文档。然而，仍然没有可用的引脚图，所以我提出以下一个：

quickfeather 的引出线

如图所示，总共有 8 个 GPIO 和两个 I2C 接口。模数转换器 (ADC) 可用于连接多个传感器，正如 QuickLogic 开放式可重构计算 (QORC) Quickfeather 软件开发套件 (SDK) 文档中所推荐的那样。

本项目开发使用的除QuickFeather 1.2以外的组件如下：

2000毫安锂聚合物电池
DS18B20温度传感器：是一种防水传感器，可用于塑料容器内。它可以测量从 - 55 C 到 +125 C 范围内的温度。
土壤湿度传感器：传感器显示 0-100 的相对值，可以使用参考文献中的程序对其进行校准。
pH 传感器：显示 0 到 14 范围内的 pH 值。

2.2.1数据采集方式

为了训练机器学习模型，必须使用 QuickFeather 捕获足够的数据。从 Quickfeather 读取数据有两种方法：通过其他设备（如 esp32）通过 WiFi 传输数据或使用串行连接。

我们将 USB 串行连接连接到 Raspberry 3B i，以便拥有用于数据收集的低功率设备。以下方案描述了如何与不同的电子元件建立连接。

1 / 2 •集合数据架构

2.2.2模型推理状态

我们假装证明锂电池的使用足以为 QuickFeather 供电，以实时训练机器学习模型，使设备完全自主。这是我们为验证 PoC 设定的目标，因为我们想证明技术是扩大水培农业粮食生产的关键。

如下图所示，执行器直接连接到 QuickFeather 的引脚，其激活和睡眠模式直接取决于经过训练的机器学习预测模型。在下一节中，将详细解释 SensiML 如何用于部署我们的自主智能 CPS。

1 / 2 •推理状态

2.2.3 水和能源消耗

我们已经对我们的系统进行了大规模测试，并得出了以下指标来评估我们的解决方案与传统农业的比较。由于我们使用的是锂电池，所以我们将总消耗电量计算为电池容量与使用时间的乘积。我们处理了正在使用的 2000mAH 电池。根据这份报告，通过假设我们的电源无休止地使用，与欧洲生产一种食物所消耗的能源相比，我们的解决方案的能源消耗比传统农业低 80% 左右。https://edepot.wur.nl/278550

在耗水量方面，我们在单位面积灌溉方面优于传统农业高达 90%。我们在种植套件中装满了四升水，并在同一地区更换了两周。通过扩大这个值并与世界银行的数字进行比较，https ://www.worldbank.org/en/topic/water-in-agriculture#3 ，我们得出结论，水培可以减少高达 90% 的用水量每平方公里。

2.3 软件开发

SensiML 还提供了一个用于数据采集的开源实用程序，称为SensiML Open Gateway。我们通过远程服务器使用它为该软件做出了贡献，对于我们的研究案例来说，它是一个 Raspberry Pi，因为它可以在硬件开发部分中显示。Raspberry Pi 使用 UART 串行连接从 Quickfeather 接收数据，并将其保存在内存 SD 卡中。然后将此数据传输到本地机器或云端进行分析。

SensiML 的一大优势是其工具的多功能性：

数据捕获实验室用于捕获、标记、训练和导出机器学习模型。这对于不想直接处理机器学习的最终用户来说尤其有趣。
另一种选择是在 Jupyter 笔记本中使用 AutoML Python 库，这样可以在机器学习训练期间提供更大的灵活性。此方法面向希望对界面有更多控制权的数据科学家。

我们从温度和 pH 传感器获取数据。水培设备在室内，白天水温变化不大。然而，由于植物不断生长，pH 值的影响更大。下图显示了这两个变量的演变。

温度和 pH 值变化

这两个值的理想范围是：温度为 15 至 26°C，pH 为 5.8 至 6.4。我们还注意到 pH 值受气泵状态的影响，因此当泵运行时它会增加，而当泵不转动时它会降低（变得更酸）。我们认为这可能是一个很好的用例，机器学习模型应该检测何时打开泵。

为了训练机器学习模型，我们将数据标记为“ON”，即当 pH 值较低且需要打开气泵时。在下图中，您可以在泵应打开时看到 1 上的绿线。

pH值受泵状态影响

在数据科学 (DS) 中，此用例对应于二元分类问题。我们使用 SensiML SDK 定义了一个管道，其中数据在窗口中被切片，进行特征提取，然后将其馈送到机器学习模型，在该模型中输出决定是否应该打开气泵。在选择可以使用的模型类型时也有灵活性（更多信息和示例可以在SensiML 教程中找到），对于我们的案例，我们使用了具有 6 个顺序层的神经网络。该模型在验证数据上具有 76% 的准确率和 86% 的召回率（敏感度），如下图所示。