描述

查看Remyx.ai的新功能

Kindbot的黎明

2018 年初，我們開始開發一種植物監測器，以探索加州本土種植的大麻。大麻花的平均價值為320 盎司，在理想的生長條件下需要幾個月的時間才能長成。

通常，家庭種植愛好者會搭建小空間或帳篷，在那里他們可以懸掛 HID/LED 燈、用于通風的風扇、用于溫度控制的空調和用于水培的灌溉泵。

種植者通常依靠計時器來協調所有這些設備的調度，而過熱往往是維持有助于花卉茁壯成長的穩定性的挑戰。

除了這些設備之外，種植優質農產品還需要一些生物學和植物科學領域的知識。論壇和昂貴的應用程序有助于填補知識空白，但建議很少是按需提供的，而且由于顧問對問題的描述方式存在偏見或提供建議的人的經驗，這些建議往往是錯誤的。

環境控制器技術面向定價和用戶體驗假設方面的商業應用。

在 Kindbot 中，我們開發了一個系統來維持理想的生長條件，該系統利用環境控制和植物健康診斷中的深度學習。

為了使 Kindbot 成為功能最強大且易于使用的環境控制器，我們使用簡單的硬件設計并通過 picamera 促進計算機視覺。

最終，我們擁有理想的平臺來支持：

• 保持穩定、最佳的環境控制
• 通過移動應用程序遠程訪問照片和儀表板
• 豐富的數據記錄和智能通知

構建 Kindbot

我們從緊湊而靈活的 Raspberry Pi Zero 微控制器開始，探索了一系列大氣傳感器，包括DHT11 、Si7021 、BME280 ，然后才選擇后者。

至少，我們需要溫度和濕度讀數。根據這些值，我們求助于 Arrhenius 方程來計算蒸氣壓虧缺(VPD)。該統計數據提供了一個參考框架，根據驅動植物光合作用的物理壓力將溫度和濕度背景化。

根據這一統計數據，我們可以針對不同的范圍以最佳方式支持自然生長周期。

通過使用sqlite3記錄我們的傳感器數據，我們發現一些零星的讀數異常異常。對于一個健壯的控制器，我們需要意識到這種錯誤。

由于我們的目標是保持穩定的生長條件，因此我們采用了一個簡單的“時間上的溫度連續性”假設。簡而言之，我們忽略在短時間內偏差太大的讀數。

一旦我們可以信任并記錄我們的讀數，我們就可以啟動一個slackbot來報告當前狀況，當狀況超出目標范圍時使用twilio發送短信通知，或通過電子郵件發送報告以獲得概覽以檢查任何指示問題的異常情況.

在設計 Kindbot 時，我們測試了 YL-69 傳感器來探測土壤濕度，并測試了TSL-2561來測量光強度，然后更多地使用相機來簡化設備配置文件。

在我們努力控制最重要的環境參數的過程中，我們甚至開發了一個姊妹設備 Budtender，用于執行 pH 控制和營養素自動計量。

在強調現代消費電子美學優于傳統環境控制器設備的同時，我們探索了與智能家居設備的集成。我們已經嘗試使用 VUI 運行帶有 Alexa Smart Home Skills 和flask-assistant Google Home Assistant Actions的flask-ask服務器。

最終，我們的目標是實現一個非常簡單的設計，并在 iOS 和 android 中采用我們的 UI mobile。

Kindbot酷

最后，我們想要的不僅僅是日志記錄和通知，我們還想要控制。一個簡單的想法是定期檢查最新的溫度讀數，并根據溫度是否超過預定閾值應用簡單的“開-關”決策。在我們在 N 分鐘后重新評估之前，該決定將告知我們的 AC 是否正在運行下一個周期。然而，這通常會導致不希望的溫度波動。

標準方法是使用PID控制。這里是對用于調整 PID 模型的啟發式方法的一個很好的概述。通過一些試驗和錯誤，我們可以在 74 F 的設定點附近實現合理的穩定性，而不會在每天早上開燈時出現過多的超調。

我們還通過將我們的溫度控制問題重新定義為強化學習范式中的游戲來探索深度學習的應用。

例如，假設將代理置于一個環境中，在該環境中允許的操作是在下一個 N 分鐘周期內打開或關閉空調。在每個周期開始時，我們都會評估我們的狀態，其中還可能包括溫度、濕度和任何其他重要的、最近的環境統計數據。

然后，如果我們達到目標，在一個小的公差范圍內加上或減去設定點，我們的代理就會得到獎勵。另一方面，如果溫度超出可接受的公差范圍，我們的智能體就會受到與這種差異程度成正比的懲罰。

像上面這樣的代理可以在線方式學習策略函數，以使用REINFORCE算法（即策略梯度）來專門化環境控制。

Kindbot 通過控制溫度及其變化來幫助減少能源使用、控制過熱和促進新陳代謝。

Kindbot，喂我！

控制灌溉通常要簡單得多，而且是基于時間表的。一些研究可以根據灌溉設計（無論是水培、氣培還是土壤）來決定澆水頻率。對于 Kindbot，它總是歸結為知道要控制哪個智能插頭以及運行它的時間/頻率。

我們使用pyHS100 repo 來控制灌溉泵、燈和風扇等設備。您甚至可以使用 TP-Link HS110 智能插頭查詢能源使用情況。

在另一種一年生木本植物：一品紅中，研究表明，使用動態灌溉控制（灌溉頻率與當前 VPD 測量值成正比）可以更好地促進插條的根系發育。

我們可以將一系列 VPD 值轉換為一系列噴霧頻率，以便我們更頻繁地灌溉以提供額外的冷卻，并使用植物的自然水力來驅動氣培或滴灌系統中的養分吸收。

Kindbot Cannavision

由于人們自豪地分享他們大麻種植的照片，我們有大量的開源數據來探索基于計算機視覺的技術，從我們種植空間的圖像中提取有價值的信息。

我們從可以通過簡單的谷歌圖片搜索收集到的信息開始，利用非常方便的 firefox插件。我們可以通過改進我們的搜索查詢、嘗試其他搜索引擎和反向圖像搜索良好的原型圖像來擴展我們的結果集。

通過這種方式，我們收集了數千張照片并使用labelimg對每張照片進行注釋以識別重要的植物結構。這有助于我們通過識別芽結構來探索產量或收獲時間估計，或通知種植者植被變黃，這可能意味著需要人工接觸的營養/pH 問題，甚至可以識別表明水壓低的柔軟、下垂的葉子，以便Kindbot 可以觸發灌溉事件。

正如我們記錄溫度讀數一樣，我們也記錄計算機視覺模型結果，這有助于我們平均掉圖像之間的噪聲，以獲得更強大的警報系統。

另一個簡單的想法是對 HSV 顏色空間中的圖像進行閾值處理，以便我們可以測量 picamera 視野中綠色像素的比例。以下代碼塊可用于通過葉面積指數量化營養質量的發展。

img = cv2.imread('YOUR_IMG_FILE.png', 1)
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
mask = cv2.inRange(hsv, (36, 0, 0), (70, 255,255))
imask = mask>0
green = np.zeros_like(img, np.uint8)
green[imask] = img[imask]
green = np.where(green > 0, 1, 0)
lai = np.mean(green)

選擇 Kindbot 拍攝的幾張照片，我們設置閾值以隔離足夠的綠色像素。

計算這些圖像中綠色像素的比例（我們假設是植被），我們得到葉面積指數。

下圖顯示了我們計算的葉面積如何隨著時間的推移而變化，如上圖所示。在 Kindbot 幫助維持的一致條件下，我們觀察到爆炸式增長。

Kindbot 將此信息應用于：

• 提供相機定位反饋
• 跟蹤每周的相對增長
• 改變光照時間表以在充足的蔬菜后觸發結果
• 通知用戶停電

Kindbot 一般

生長環境中的照明條件可能因設置而異。看看“LED 生長燈”的圖片搜索結果：

我們計算葉面積指數需要在 HSV 顏色空間中對圖像進行閾值處理。然而，不自然的光溫會極大地影響這種測量。

我們探索了 GAN 來學習圖像變換以執行顏色校正：

因為我們最初的物體檢測模型依賴于數以千計的樣本物體來舉例說明許多常見的生長室配置，所以該模型對色溫差異仍然非常穩健。

盡管如此，我們并沒有就此停止收集數據。從 ImageNet 及其大麻圖像鏈接開始，我們在網上抓取了更多圖像。此外，我們開發了一個名為Buddy的專門分類器來診斷由于環境、害蟲和養分/水壓力因素的視覺指標引起的問題。

python request 和 lxml 庫等工具在這里提供幫助。熟悉 xpath 將使它變得容易。Scrapy讓事情更上一層樓，如果你真的想建立你的數據集，請查看這篇關于在 polipo 后面整合 SOCK5 代理的帖子。

Kindbot 外殼

Kindbot 從一臺計算機和一組環境傳感器開始，然后我們積極淘汰那些計算機視覺為其提供代理信息的傳感器。

當我們壓縮設備時，我們測試了幾種設計和材料。同樣，我們探索了 Kindbot 的不同表面處理技術，使用木材染色、聚丙烯、打磨和拋光 PLA 材料以及用于 ABS 的丙酮蒸氣浴。

最初的設計使用了光滑的球窩旋轉附件。

最近，我們放棄了球窩接頭以獲得更纖薄的外形，同時使用標準相機安裝硬件，以便用戶可以利用現成的配件。

Kindbot 包裝理念...

Kindbot超越

每個種植者至少應該監測溫度和濕度。許多人會選擇在他們的室內花園中安裝網絡攝像頭，以實現遠程監控和安全。園丁們通常依靠機械定時器來對他們的灌溉系統進行編程。

Kindbot 將所有這些重要功能集成到一個裝有 AI 的微型設備中，以從圖像提要中提取有價值的見解，以根據可靠的園藝科學執行操作。

計算機視覺應用程序已經進入農業科技領域，盡管早期的工作依賴于對對象的大小和形狀相當敏感的簡單方法。應用機器學習來更穩健地識別植物脅迫表型是一項相對現代的工作。一些研究使用深度學習來識別具有編碼器-解碼器神經網絡架構的植物結構。有些使用經典機器學習。其他人則使用 3D 激光掃描儀作為工業機械臂的有效載荷來獲取更多數據。

通過訓練圖像分類模型來識別數十種植物毒性、缺陷和害蟲，我們構建了一項服務，通過簡單的圖像上傳來診斷植物。

我們相信這將構成節水智能灌溉系統的基礎。它可以在大麻種植之外有應用，例如太空食品生產。

通過這個花園番茄植物示例，我們可以看到結果如何轉移到大麻種植之外。

Kindbot 灌溉控制可以通過引入帶 pH 控制的自動加藥器來改進。這是我們稱之為 Budtender 的相關產品背后的使命。

Github 回購

致謝

我們要感謝：

• 加州大學伯克利分校莫菲特圖書館 Makerspace免費 3D 打印和培訓
• 伯克利室內花園進行有見地的對話
• Bitraf Makerspace挪威奧斯陸的熱情好客
• 種植者網絡讓我們關注這項新技術

更新：2018 年 4 月 20 日在加州大學伯克利分校的 Memorial Glade舉行的派對上，我們分發了近 100 個來自我們首次收獲的有機無農藥花蕾樣本，以推廣 Kindbot。

?