何文祥,李社蕾
(三亞學(xué)院信息與智能工程系,三亞572000)
人們將綠色植物視為家居設(shè)計(jì)中十分重要的一個(gè)元素,但是因工作學(xué)習(xí)而疏忽了對(duì)盆栽植物的培育從而造成了盆栽爛根、枯萎。市面上有許多打著“智能”旗號(hào)的智能盆栽,實(shí)際上都還是利用傳感器技術(shù)進(jìn)行數(shù)據(jù)采集,用戶只能憑借主觀經(jīng)驗(yàn)進(jìn)行手動(dòng)機(jī)械式設(shè)置參數(shù)運(yùn)行,缺乏對(duì)用戶在盆栽植物培育擁有時(shí)間和定量的指導(dǎo)。
智能家居盆栽搭載Exynos 4412開(kāi)發(fā)板,通過(guò)傳感器采集數(shù)據(jù)分析后進(jìn)行智能控制灌溉為主,以收集盆栽植物生長(zhǎng)狀況進(jìn)行用戶個(gè)性化控制方案功能為輔。利用在灌溉系統(tǒng)的控制算法中引入時(shí)間序列預(yù)測(cè)法對(duì)植物用水量進(jìn)行分析預(yù)測(cè)來(lái)提高灌溉的精確控制,從而保證植物的健康生長(zhǎng)和提高用水效率。通過(guò)攝像頭傳感器對(duì)植物生長(zhǎng)情況進(jìn)行拍攝和監(jiān)控,引入基于圖像分析的植物及其病蟲(chóng)害識(shí)別技術(shù),及時(shí)對(duì)盆栽植物生長(zhǎng)的異常情況進(jìn)行處理和用戶提示。
智能家居盆栽系統(tǒng),降低用戶專業(yè)知識(shí)學(xué)習(xí)成本,改變灌溉傳統(tǒng)控制方式,實(shí)現(xiàn)對(duì)盆栽植物的生長(zhǎng)情況實(shí)時(shí)監(jiān)控、分析并且針對(duì)植物特征進(jìn)行差異自動(dòng)化管理和控制。
該智能盆栽由花盆體、土壤傳感器(土壤pH、溫濕度、氮磷鉀合一傳感器)、光照傳感器、攝像頭模塊、迅為Exynos 4412開(kāi)發(fā)板(板載藍(lán)牙及Wi-Fi模塊、CAN/RS-485模塊等)、LED顯示屏、遠(yuǎn)紅光和紅藍(lán)光組合植物補(bǔ)光燈等組成。系統(tǒng)結(jié)構(gòu)框圖如圖1所示。
圖1 系統(tǒng)結(jié)構(gòu)
通過(guò)迅為Exynos 4412開(kāi)發(fā)板的Wi-Fi模塊與家庭局域網(wǎng)無(wú)線網(wǎng)絡(luò)的連接,將傳感器收集到的數(shù)據(jù)上傳到云端阿里云服務(wù)器處理和數(shù)據(jù)庫(kù)存儲(chǔ),以此來(lái)實(shí)現(xiàn)與移動(dòng)App客戶端的通信連通,從而將傳感器上檢測(cè)到的光照強(qiáng)度、土壤溫濕度、pH值、氮磷肥、盆栽植物圖像等數(shù)據(jù)以可視化的方式向用戶展示,同時(shí)經(jīng)過(guò)數(shù)據(jù)分析后給出盆栽植物照料的預(yù)測(cè)方案,有助于掌握植物生長(zhǎng)的實(shí)時(shí)狀況。智能家居盆栽接入小米IoT平臺(tái),支持小愛(ài)同學(xué)音箱語(yǔ)控功能,用戶可以與其進(jìn)行簡(jiǎn)單的對(duì)話交流,使得種植過(guò)程更加生動(dòng)、有趣。
智能家居盆栽系統(tǒng)通過(guò)引入回歸預(yù)測(cè)的時(shí)間序列預(yù)測(cè)方法,這種預(yù)測(cè)方法是分別將土壤濕度、每次灌溉用水量的數(shù)值,按時(shí)間先后順序排到所形成的數(shù)列。然后通過(guò)編制和分析時(shí)間序列,根據(jù)時(shí)間序列所反映出來(lái)的趨勢(shì)來(lái)預(yù)測(cè)下一段時(shí)間可能達(dá)到的數(shù)值。
盆栽的穩(wěn)定生長(zhǎng)環(huán)境取決于土壤的含水量是否在科學(xué)合理的范圍內(nèi),而盆栽中的土壤含水量占比變化可以提前通過(guò)土壤濕度預(yù)測(cè)感知,并提前在盆栽瀕臨缺水狀態(tài)時(shí)對(duì)電磁閥進(jìn)行控制灌溉,使土壤濕度在該植物設(shè)定的合理濕度閾值之間穩(wěn)定變化。而土壤濕度的變化是動(dòng)態(tài)的,不同的天氣情況致使房間內(nèi)空氣濕度、溫度發(fā)生變化等因素的影響土壤的蒸發(fā)效果。智能家居盆栽系統(tǒng)對(duì)土壤濕度進(jìn)行預(yù)測(cè)的時(shí)間序列方法采用的是帶外源輸入的自動(dòng)回歸移動(dòng)平均模型(簡(jiǎn)稱ARMAX模型),ARMAX模型能將這些因素綜合到對(duì)土壤濕度的回歸預(yù)測(cè)函數(shù)中,使之能夠準(zhǔn)確地預(yù)測(cè)將來(lái)某一刻的土壤濕度情況,大大地提高預(yù)測(cè)的精度。
盆栽的用水消耗量是指由于植物需要進(jìn)行自身的呼吸作用、光合作用等引起需水消耗量,以及如土壤蒸發(fā)等外部因素引起的需水消耗量。我們可以把這種盆栽的用水消耗量與盆栽的灌溉時(shí)的用水量可以認(rèn)為是等價(jià)的,因此對(duì)盆栽的灌溉用水量的精準(zhǔn)控制可以通過(guò)盆栽的用水消耗量預(yù)測(cè)值來(lái)確定。同理,盆栽的用水消耗量也可以用建立ARMAX模型進(jìn)行預(yù)測(cè),當(dāng)灌溉用水量達(dá)到預(yù)測(cè)的盆栽用水消耗量值時(shí)電磁閥停止工作,使土壤濕度維持在科學(xué)合理的范圍內(nèi)。但是在剛開(kāi)始啟動(dòng)時(shí),數(shù)據(jù)庫(kù)并沒(méi)有歷史灌溉用水量記錄,只能通過(guò)土壤濕度設(shè)定初始閾值的方式控制灌溉用水量,隨后的每次灌溉后檢測(cè)土壤濕度變化,控制土壤濕度在合理的范圍內(nèi)。當(dāng)灌溉用水量數(shù)據(jù)足夠多時(shí),再使用盆栽用水消耗量預(yù)測(cè)的方式控制電子閥工作。隨后在每次灌溉時(shí),系統(tǒng)將盆栽歷史用水消耗量以及該次灌溉后土壤濕度所達(dá)到的峰值等數(shù)據(jù)建立用水消耗量預(yù)測(cè)模型,以保證預(yù)測(cè)模型是實(shí)時(shí)動(dòng)態(tài)更新的。根據(jù)建立的用水消耗量預(yù)測(cè)模型計(jì)算出在本次灌溉和下一次灌溉的時(shí)間區(qū)間內(nèi)盆栽的用水消耗量的預(yù)測(cè)值,將其作為盆栽該區(qū)間內(nèi)所需的灌溉用水量,達(dá)到對(duì)盆栽高精度灌溉的目的。
ARMAX模型建模過(guò)程如下:
(1)預(yù)處理數(shù)據(jù)序列,得到平穩(wěn)序列;
(2)在建模前通過(guò)序列分別生成自相關(guān)(ACF)函數(shù)和偏自相關(guān)函數(shù)(PACF)的相關(guān)圖,通過(guò)相關(guān)圖特點(diǎn),選用以ARMA模型為基礎(chǔ)的ARMAX模型;
(3)使用赤池信息量準(zhǔn)則確定ARMAX模型模型最佳階數(shù);
(4)估計(jì)模型未知參數(shù);
(5)將模型預(yù)測(cè)值用累積和序貫分析法(CU?SUM)對(duì)盆栽植物是否缺水、盆栽用水消耗量進(jìn)行準(zhǔn)確度判斷。
ARMAX模型預(yù)測(cè)表達(dá)式如下:
系統(tǒng)中的數(shù)據(jù)使用MySQL數(shù)據(jù)庫(kù)存儲(chǔ),存儲(chǔ)的數(shù)據(jù)包括盆栽種類信息、傳感器采集的溫濕度氮磷鉀等數(shù)值、澆灌用水量數(shù)據(jù)、預(yù)測(cè)值等數(shù)據(jù)。
土壤濕度預(yù)測(cè)與灌溉用水量預(yù)測(cè)系統(tǒng)模塊主要由Exynos 4412開(kāi)發(fā)板控制,土壤傳感器與開(kāi)發(fā)板RS-485端口連接并插入盆栽土壤中,澆灌水泵模塊連接繼電器,繼電器連接開(kāi)發(fā)板端子J38的管腳10,硬件的結(jié)構(gòu)如圖2所示,Exynos 4412 RS-485端口原理如圖3所示。
圖2 土壤濕度預(yù)測(cè)與灌溉用水量預(yù)測(cè)硬件結(jié)構(gòu)
圖3 Exynos 4412 RS-485端口原理
最后,為了驗(yàn)證模型的精確度,以土壤濕度預(yù)測(cè)為例,通過(guò)數(shù)據(jù)庫(kù)中定時(shí)存儲(chǔ)的土壤濕度預(yù)測(cè)值和實(shí)際檢測(cè)值進(jìn)行函數(shù)擬合對(duì)比,如圖4所示,可以看到兩條線的波動(dòng)基本一致,擬合度較好。
圖4 ARMAX模型對(duì)土壤濕度的預(yù)測(cè)值與實(shí)際檢測(cè)值的擬合
資料收集表明,植物的葉片出現(xiàn)病斑往往是大部分植物病蟲(chóng)害出現(xiàn)的依據(jù),并且不同的病害,葉片上病斑的紋理、顏色和形狀也不同,葉片存活時(shí)間長(zhǎng)、易于收集。葉片圖像的顏色是植物病蟲(chóng)害識(shí)別的重要特征,因此構(gòu)建了三通道CNNs并將其應(yīng)用于植物病蟲(chóng)害識(shí)別。在植物病害葉片圖像特征提取和病害分類研究中,過(guò)程概括為:
(1)圖像收集與預(yù)處理。采集家庭常見(jiàn)盆栽種植植物相對(duì)應(yīng)的病蟲(chóng)害葉片的原始圖像,通過(guò)線下拍攝以及線上爬蟲(chóng)搜集葉片病蟲(chóng)害圖片,對(duì)每張圖片使用隨機(jī)翻轉(zhuǎn)、顏色抖動(dòng)、多角度旋轉(zhuǎn)等方式,得到大量的數(shù)據(jù)集后隨機(jī)劃分為訓(xùn)練集和測(cè)試集,避免訓(xùn)練模型時(shí)出現(xiàn)過(guò)擬合現(xiàn)象。將每張病蟲(chóng)害葉片圖像通過(guò)MATLAB中的imread函數(shù)處理得到RGB三個(gè)通道空間圖像,再進(jìn)行歸一化后作為輸入層輸入CNNs的第一個(gè)卷積層對(duì)象。
(2)模型設(shè)計(jì)。針對(duì)智能家居盆栽系統(tǒng)設(shè)計(jì)的三通道CNNs模型基本結(jié)構(gòu)如圖5所示。
圖5 三通道CNNs模型基本結(jié)構(gòu)
如果輸入經(jīng)過(guò)雙線性插值法裁剪后的葉片圖像大小都是n×n,卷積核的大小是k×k,采用最大值進(jìn)行池化操作的局部窗口大小為p×p,則完全連接層中的神經(jīng)元數(shù)約為1000,輸出層是輸出C種植物病害類型的C個(gè)神經(jīng)元。
卷積層通過(guò)一個(gè)k×k大小的卷積核來(lái)獲得,每個(gè)神經(jīng)元在輸入的病蟲(chóng)害葉片圖像指定的k×k感受野中卷積,獲取多個(gè)不同但大小為(n-k+1)×(n-k+1)的特征圖,再通過(guò)ReLU激活函數(shù)計(jì)算后將結(jié)果輸出到池化層。
池化層對(duì)上一個(gè)卷積層的特征圖的下采樣。所采用的最大值池化操作下采樣在上一卷積層特征圖p×p區(qū)域中取最大值進(jìn)行聚合統(tǒng)計(jì),但特征圖的大小不變。
兩個(gè)完全連接的層F包含1000個(gè)完全連接到S3的神經(jīng)元。
在輸出層中選擇Softmax分類器,計(jì)算輸入樣本落入每個(gè)類別的概率,然后執(zhí)行圖像識(shí)別。
(3)參數(shù)初始化。在開(kāi)始訓(xùn)練CNNs之前,需要初始化權(quán)重和偏差參數(shù),常見(jiàn)范圍為[-0.5,0.5]或[-1,1]。
(4)微調(diào)。微調(diào)是使用訓(xùn)練數(shù)據(jù)庫(kù)來(lái)訓(xùn)練訓(xùn)練后的CNNs,以便使訓(xùn)練后的模型參數(shù)適合當(dāng)前數(shù)據(jù)庫(kù),并從圖像中提取更多抽象特征以進(jìn)行圖像識(shí)別。
如表1所示,以常見(jiàn)的4種室內(nèi)盆栽為例,分別進(jìn)行十折交叉驗(yàn)證,并重復(fù)60次實(shí)驗(yàn)的實(shí)驗(yàn)結(jié)果。智能家居盆栽采用的基于三通道CNNs的病蟲(chóng)害識(shí)別方法識(shí)別效果優(yōu)秀。
表1 基于三通道CNNs病蟲(chóng)害識(shí)別方法實(shí)驗(yàn)結(jié)果
總的來(lái)說(shuō),智能家居盆栽通過(guò)基于時(shí)間序列預(yù)測(cè)方法的土壤濕度預(yù)測(cè)與灌溉用水量預(yù)測(cè)對(duì)盆栽植物進(jìn)行灌溉控制,精準(zhǔn)監(jiān)控土壤溫濕度、氮磷鉀等數(shù)據(jù),為植物生長(zhǎng)提供適宜的生長(zhǎng)環(huán)境,同時(shí)在植物生長(zhǎng)過(guò)程中使用深度卷積神經(jīng)網(wǎng)絡(luò)技術(shù)及時(shí)對(duì)植物病蟲(chóng)害進(jìn)行識(shí)別預(yù)警,光線弱時(shí)智能補(bǔ)光,輔助植物茁壯成長(zhǎng)。智能家居盆栽自動(dòng)化管理控制將消費(fèi)者從學(xué)習(xí)專業(yè)種植知識(shí)枯燥中解放出來(lái),隨時(shí)隨地多種途徑查看盆栽植物生長(zhǎng)情況,接入米家IoT平臺(tái),小愛(ài)同學(xué)智能語(yǔ)音聲控為盆栽種植添加一份樂(lè)趣與便捷,與其他家居設(shè)備場(chǎng)景聯(lián)動(dòng),讓消費(fèi)者融入到舒適健康、高效智能的智能家居生活中。