Автоматизация гидропонной установки – как это сделать и зачем
Выращивание на гидропонике позволяет достичь поразительных результатов: цветения тропических растений, урожая фруктов и овощей зимой. В домашних условиях для экзотических, ягодных и плодовых культур требуется создать особые условия. Для этих целей можно поставить теплицу или оранжерею, приобрести гроубокс, либо купить готовый гроутент. Автоматизация гидропонной установки облегчает владельцам уход за растениями, с ее помощью постоянно поддерживается идеальная для них среда.
Для чего нужна автоматизация процессов выращивания
Метод гидропоники предполагает соблюдение ряда условий: температуры, влажности, питательности раствора, уровня рН, освещенности, своевременного полива. Ошибки в уходе владельцев могут привести к гибели растений, либо к ухудшению их здоровья. Автоматизация процессов позволит этого избежать, избавит от постоянного контроля за питанием и климатом.
Преимущества автоматизации гидропонной установки
Датчики, контроллеры, другое оборудование, используемое для автоматизации гидропоники, в первую очередь экономит время: нет необходимости самому включать/выключать свет, добавлять питательный раствор, проветривать домашнюю оранжерею. Автоматика способна регулировать практически все показатели в гидропонных системах:
- температуру воздуха и субстрата;
- влажность, количество углекислого газа;
- продолжительность и интенсивность освещения;
- содержание питательных веществ в растворе;
- кислотно-щелочной уровень.
Как автоматизировать выращивание — полезные советы
Системы автоматизации в гидропонике основаны на таймерах и блоках управления, с помощью которых настраивается график работы вентиляторов, освещения, насосов, подачи СО2.
Освещенность. Должна имитировать естественную смену дня и ночи, настраивается в зависимости от вида растений и периода роста. Таймер задает нужный режим: например, 18 часов «день»/6 часов «ночь», либо 12/12. Различные типы ламп отличаются спектром и интенсивностью света, а также способностью нагревать воздух.
Как поддерживать влажность в гроубоксе. Одна из самых надежных систем — капельный полив, который можно настроить с помощью таймера. Также применяется автоматическая система с датчиками влажности: если уровень ниже заданного, включается система орошения, если же влажность повышена — запускаются вентиляторы.
Как поддерживать температуру в гроубоксе. Для этой цели обычно используют термостаты. Рекомендуемая температура зависит от сорта растений и стадии их роста, плодоношения или цветения, но она не должна превышать 29-30 о С.
Как регулировать температуру в гроубоксе. Для понижения температуры используют дополнительные вентиляторы, для повышения — обогреватели. Периодичность включения и продолжительность их работы настраивают с помощью таймеров либо автоматических устройств.
Регулировка рН раствора. Этот показатель со временем повышается, рН контроллеры измеряют кислотность и выравнивают этот показатель, подавая нужные компоненты.
Подача питательного раствора. Автоматика определяет уровень в гидропонной системе, если он ниже требуемого — включает насос для подачи раствора.
Как автоматизировать выращивание полностью. Универсальные блоки способны управлять несколькими приборами: лампами освещения, насосами для подачи питательного раствора и полива, вентиляторами. Один такой блок будет автоматически регулировать практически все основные функции системы.
Источник
Умная теплица на базе arduino из подручного материала с регулятором температуры
Дорогие читатели представляю вашему вниманию детский проект под моим руководством «Smart greenhouse».
Данному проекту уже три года, но он полностью функционирует и до сих пор даёт урожай в домашних условиях.
Техническая структура теплицы
Материал – картон, пластик прозрачный и не прозрачный, пищевая плёнка, удобрение.
Электронная начинка – Arduino Uno, DC двигатель (водяная помпа), светодиоды, двухканальный модуль реле 5В, керамический нагреватель, кулер, блок питания на 12 В и 60 Вт, датчик влажности почвы, датчик температуры и влажности воздуха.
Как показало время — выбранный материал оправдал все идеи.
В качестве ёмкостей для выращивания урожая использовали коробки из под обуви (мужская детская обувь).
Коробки были покрыты изнутри акриловой краской, которую часто используют в декоративных целях. После высыхания краски, каждая коробка было покрыта изнутри и снаружи пищевой плёнкой. Коробки прикручены к фанере, которая является соединительной опорой двух коробок. Для прочности конструкции, фасад теплицы был обклеен пластиковыми футлярами из под CD дисков (набралось огромное количество не нужного софта, музыки и фильмов). Клей использовали двух видом — клей момент кристалл для крепления к коробкам термоклей для заливки места стыков пластика.
Для того, чтобы было освещение в любую погоду построили рамку, где закрепили светодиоды (лучше ультрафиолетовые) — расстояние между ними не более 5 см на высоте не менее 25 см. Рамка создана из пластиковых уголков, которых полно в строительных магазинах.
К данной рамке закрепили пластиковую трубку диаметром 1,5 см (дети принесли, от какой то конструкции), где просверлили множество отверстий (до 3мм в диаметре) с одной стороны трубки, расстояние между отверстиями не менее 3 см.
Так как растениям нужен ультрафиолет, и его очень много от естественного освещения, то принято решение сделать прозрачные стенки. Так как стекло поглощает ультрафиолет, взяли пластик от тех же футляров из под компакт дисков.
Так как растения могут быть разной высоты, то одну из сторон было решено сделать выше на один футляр. Крышка также сделана из футляров и спокойно может открываться.
Для скрепления применяли те же клеи, что описаны были ранее. Для прочности к краям приклеены деревянные рейки, купленные в строительных магазинах.
Места стыка крышки и стенок покрыли теплоизоляцией — получилось немного коряво, но я старался не вмешиваться в процесс творчества детей — это их проект и они должны получить личный опыт в разработке проекта.
Теперь настало время проектировки электроники в теплицу.
Задачи
Разработка структуры «Умной теплицы»
Разработка ПО по ручному управлению и автономной работе проекта, отвечающего поставленным задачам.
Электромонтаж проекта «Умная теплица» — автономное и автоматическое отслеживание состояния влажности почвы и воздуха, температуры воздуха в теплице, автоматический полив (увлажнение) почвы и нагрев воздуха до комфортной, растениям, температуры, автоматическое освещение.
Разработка модели с возможностью реализации её любому человеку и для любых природных условиях по выращиванию растений любого вида.
Возможности модели
Автоматическое управление освещением
Автоматическое управление поливом.
Автоматическое регулировка температуры и влажности воздуха и почвы.
Описание принципа работы
Датчики влажности почвы и датчик температуры и влажности воздуха каждую секунду отслеживают показания. Данные показания обрабатываются в плате Arduino Uno и выдаются команды согласно загруженной в неё программе.
Программа содержит два условия и бесконечный цикл. Если температура воздуха меньше 20 градусов по Цельсию, то подаётся команда на включение через электромагнитное реле керамического нагревателя и кулера. Под действием конвекции воздух начинает равномерно прогреваться, когда воздух прогреется до 21 градуса по Цельсию, то подаётся команда на отключения нагревателя через реле.
Если влажность почвы будет выше установленного значения, то также подаётся команда на реле, где запускается насос для полива растений и увлажнения почвы, пока не понизится до нужного значения.
В данном проекте есть керамический нагреватель — его мы прикрутили к радиатору с кулером, чтобы нагретый воздух быстрее циркулировал. По идеи в помещении для большинства растений он не нужен, за исключением тропических видов.
На видео показана работа теплицы
На сегодняшний день теплица выполняет свою функцию, хорошо получается вырастить капризные растения. Сейчас идёт модернизация её управления и улучшения качества.
Всё дорожает и фрукты с овощами тоже. Выращенный томат, огурцы и сладкий перец намного вкуснее магазинных. Очень насыщенный вкус. Попробуйте, не пожалеете.
Больше интересных проектов можно посмотреть здесь.
Источник
Роботы и клубничка: как AI повышает урожайность полей
Население Земли стремительно растёт, и по прогнозам ООН к 2030 году достигнет 8,5 млрд человек. Аналитики Всемирного банка считают, что к 2050 году нам нужно будет увеличить количество продуктов питания на 50 процентов, чтобы поддержать растущее население планеты, а изменение климата приведет к снижению урожайности на 25 процентов на открытом воздухе. Но территории, лучше всего подходящие для выращивания культурных растений, уже обрабатываются. Найти новые места трудно, а добиться значительного прироста урожайности — ещё труднее.
Решать эту проблему нужно с помощью новых технологий. И здесь наиболее перспективным направлением кажется использование нейросетей и искусственного интеллекта для создания сельскохозяйственных роботов и систем контроля урожая.
Почему именно нейросети? Они лучше всего подходят для решения прикладных задач. Не будем описывать технические подробностях их функционирования, лучше опишем преимущества. Нейросеть не программируется в классическом понимании этого процесса. Она «обучается», находя закономерности в загруженных данных и способна использовать их в дальнейшей работе.
Как и человек, нейросеть умеет быстро распознавать образы фото и видео, умеет прогнозировать и принимать решения. При этом искусственные нейронные сети работают с большими объемами данных быстрее и эффективнее человека. То, что нужно для оптимизации сельхозугодий, где площади измеряются сотнями гектаров, персонал – тысячами сотрудников, а поголовье – миллионами особей. Да-да, количество овец в стране — это и есть Big Data. Первичной информации для обучения хватит почти у любой компании в отрасли. Главное – собрать её в понятном для обучении формате и интегрировать в рабочие процессы.
Качество и количество урожая, увеличение поголовья скота зависят от многих факторов. Проанализировать их все, чтобы принять правильное решение, человек не в состоянии, сколь опытным бы он ни был. Так что необходимость в современных технологах очевидна. Тем более что уже существует большое количество успешных разработок, помогающих фермерам собирать урожай, следить за скотом и строить прогнозы. Расскажем о наиболее интересных проектах с роботами и AI в сельском хозяйстве.
Сельские роботы
Начнём, пожалуй, с роботов. Их бывают большими и маленькими, есть даже утко-роботы.
Испанская компания Agrobot предложила робота для автоматического сбора нежных ягод клубники. Устройство полностью автономно и может ориентироваться в пространстве. Роботизированные руки (их может быть до 24 штук) работают независимо, снимая с куста по одной ягоде. Для оценки зрелости ягод робот использует технологии искусственного интеллекта. Сенсоры анализируют ягоды, а графические процессоры оценивают цвет плода и его товарный вид, причем в базу записываются данные о каждом плоде.
За три дня Agrobot способен собрать клубнику с 800 соток. После каждого собранного ряда он останавливается и пересылает информацию оператору. Машина быстро справляется с задачей и подходит для разных фермерских участков. Первое успешное испытание клубничного робота провели на фермерском хозяйстве Driscoll в Калифорнии.
Конкурент испанского робота, созданный в Великобритании. Устройство предназначено для сбора мягких фруктов. Оно способно автономно перемещаться по рядам культур, находить и собирать спелые фрукты, сортировать собранные ягоды и фасовать их в упаковку. После сбора ягод видеокамеры осматривают плод со всех сторон, чтобы определить сорт, форму, измерить массу, обнаружить дефекты (вмятины, плесень и т.д.). Отбракованные плоды помещаются в мусорные контейнеры.
Сортировка плодов и их упаковка происходит на месте, поэтому дополнительные затраты на труд сортировщиков исключены, а продукт поступает на прилавки быстрее. Ориентация в пространстве происходит с помощью высокоточных координат GPS.
У робота есть некоторые интересные особенности. Например, англичане привыкли покупать в торговых сетях спелую клубнику с небольшой частью стебля. Машина учитывает эту особенность, собирая ягоду с небольшой частью стебля.
Vegebot — рабочий прототип роботизированного сборщика салата Айсберг, созданный инженерами из Кембриджского университета. Устройство может самостоятельно распознавать готовые к срезанию неповрежденные кочаны салата, а также аккуратно их обрабатывать и собирать. Подробнее о роботе рассказал denis-19 в недавней статье на Хабре.
Детище бургундского изобретателя Кристофа Миллота (Франция) усердно трудится на виноградниках. Устройство с четырьмя колесами, двумя руками и шестью камерами весит 20 килограмм, выбирает путь автоматически и использует искусственный интеллект для того, чтобы определить, чем заняться в данный момент. В день может обрезать до 600 виноградных лоз.
Wall-Ye V.I.N. занимается не только обрезкой и пасынкованием, но и накапливает важные данные о состоянии и витальности почвы, плодов и лозы. Он двигается от лозы к лозе, выявляет те или иные особенности растения, фотографирует и записывает данные с шести камер, отмечая каждую лозу, после чего в работу включаются его манипуляторы.
Рука с секатором предназначена не только для того, чтобы обрезать ветки, с помощью неё он может защититься от воров. В аппарат встроен гироскоп, и если его поднимут с земли, то он будет обороняться с помощью секатора, сотрёт с жёсткого диска все данные и пошлёт владельцу сигнал о помощи. К тому же, встроенный приёмник GPS не позволит ему выйти за пределы рабочей зоны.
Безымянный яблочный робот от Abundant Robotics
Калифорнийский робот, у которого до сих пор нет названия несмотря на внушительные инвестиции со стороны GV (ранее Google Ventures), создан для сбора яблок. Устройство перемещается по рядам между яблонями с помощью лидара, который рисует мир лазерами и изображает фрукты с помощью машинного зрения.
Операторы могут адаптировать его для конкретного сорта яблок, посоветовавшись с фермером, который по опыту знает, какой цвет соответствует зрелому. После распознавания степени зрелости яблок в режиме реального времени робот с помощью вакуумной трубки высасывает плоды с дерева, отправляя его по конвейеру в корзину. Робот может собирать яблоки 24 часа в сутки, пропуская не совсем созревшие фрукты, чтобы вернуться к ним позже, как это сделал бы человек-сборщик.
Швейцарский ecoRobotix — робот, созданный для автоматического прореживания посадок и прополки сорняков. Идея витала в воздухе уже давно. Нейросеть можно научить отличать полезные культуры от сорняков. «Изучив» на старте несколько миллионов фотографий здоровых и больных растений на разных стадиях роста, система с помощью видеокамеры может за несколько миллисекунд определить, находится ли перед ней здоровый побег или сорняк. А также сможет оценить степень угрозы для урожая и предложить способы решения проблемы, если заметны признаки заражения культур.
ecoRobotix оснащён системой компьютерного зрения, предназначенной для идентификации сорняков. Ориентация в пространстве происходит с использованием GPS и сенсорных датчиков. Способен обработать около 3 га посевов в день. При объезде «владений» в случае необходимости опрыскивает сорняк небольшой дозой гербицида. Такой подход снижает объем использования химикатов в 2-3 раза.
Сорняки — вообще больная тема для аграриев, так что имеются и другие проекты в этой сфере. Например, индийский умный опрыскиватель для садов с помощью системы ультразвуковых датчиков определяет размер дерева и расстояние до него. Полученные сведения анализируются и влияют на мощность струи и количество распыляемого вещества. Тестирование показало высокую эффективность применения системы, при снижении до 26% расхода.
А компании Bayer и Bosh разрабатывают технологии умного опрыскивания Smart Spraying. Она будет отличаться от имеющихся на рынке систем благодаря способности отличать сорняки от сельскохозяйственных культур. Предполагается, что система будет «узнавать» сорняк и определять вид и необходимое количество пестицида, с учётом запрограммированных параметров применения.
Похожие технологии использует компания IBM. Причём успешно использует! Для одного из своих клиентов в Юго-Восточной Азии компания смогла предсказать стресс урожая в регионе из-за заражения вредителями/болезнями. Затем наземной команде понадобилось несколько часов, чтобы просто добраться до этого места.
«Умные» системы
AI-системы тоже приносят пользу фермерам. Спектр их применения чуть шире, чем у роботизированных устройств, однако и задачи зачастую другие. Хотя имеются и точки пересечения.
Да, это не робот, а технология. Однако тоже достойная внимания. Sonoma, принадлежащая Microsoft, стала победителем тепличного эксперимента Autonomous Greenhouse Challenge, который проходил в Нидерландах с 27 августа по 7 декабря. 5 ИТ-гигантов выясняли, как технологии машинного обучения смогут справиться с выращиванием растений и насколько реально использовать эти технологии в «традиционном» садоводстве.
Системы автоматизированного сбора урожая применяются довольно давно. Однако в эксперименте речь шла о полном контроле ИИ над производством. Технология команды Sonoma позволила вырастить 50 кг огурцов на один квадратный метр. Нейронная сеть управляла ирригацией, газовым составом, внесением подкормки, температурным режимом и другими аспектами, влияющими на рост огурцов.
Команда iGrow из Tencent и Китайская академия сельскохозяйственных наук заняли второе место. Команда Deep Green из Intel заняла последнее место.
Израильский стартап Taranis позволяет контролировать состояние растений, своевременно выявлять негативные факторы и устранять их. Для мониторинга используются показания полевых датчиков наблюдения, метеорологические данные, аэрофотосъёмка. Для анализа используются снимки с ультравысоким разрешением (до 8 см на пиксель) компании Mavrx.
Изучение больших объёмов данных позволяет локализовать участки посевов с угнетённым ростом, идентифицировать болезни растений, проблемы с вредителями, определить обеспеченность растений питательными веществами, потенциальную урожайность и др. Система не только предлагает способы решения обнаруженных проблем, но и на основе метеорологического прогноза определяет оптимальные сроки их проведения.
Платформа Watson Decision Platform for Agriculture от IBM консультирует фермеров при помощи обработки данных дистанционного зондирования Земли. Используя ИИ для объединения данных с нескольких спутников, решение IBM способно обнаруживать неэффективные участки культуры почти с той же точностью, что и у наземных датчиков Интернета вещей (IoT). Watson от IBM определит для фермера вид, количество и оптимальные сроки для обработки пестицидами поражённых площадей.
Поможет в проведении профилактической обработки. С помощью индекса растительной активности с высоким разрешением (HD-NDVI) оценит состояние растения, определит необходимые профилактические меры (внесение удобрений, питательных веществ и др.). Объединяя данные о влажности (HD-SM) с данными о местности и метеорологическими замерами моделируется динамика изменения влажности почвы. Аграрий также получает прогноз урожайности, динамику изменения урожайности на основе снимков и сведений прошлых сезонов и др.
Health Change Maps and Notifications
Разработанная компанией Farmers Edge ИИ-платформа Health Change Maps and Notifications информирует фермера об эффективности работы техники, состоянии растений, появлении вредителей или болезней, дефиците питательных веществ и др. Программа обрабатывает спутниковые изображения и отправляет пользователю сообщения о возможных рисках и необходимых мерах.
ET Agricultural Brain
«Свинский» AI-проект от Alibaba позволяет обнаруживать беременность свиней, что позволяет фермерам определить дату опороса и подготовиться к последующему процессу беременности и рождению помета здоровых поросят. Система развертывает интеллектуальные камеры наблюдения в сараях, и алгоритмы машинного обучения дают результаты, основанные на наблюдении за сном свиноматок, положением стоя и условиями питания. Например, свиноматка, скорее всего, будет беременна, если она спит на спине, стоит на месте и мало бегает и потребляет постоянное количество пищи. Инженеры Alibaba также планируют добавить прогноз количества подстилки на основе характеристик фигуры беременной свиньи.
Система использует методы компьютерного зрения для настройки профилей для каждой свиньи — документирование их породы, возраста, веса, условий питания, интенсивности и частоты упражнений, а также траектории движения. Между тем, алгоритмы распознавания голоса используются для мониторинга здоровья поросят и защиты от удушья, что снижает уровень смертности на три процента и увеличивает ежегодный уровень производства на три поросенка на свиноматку.
Финансовое подразделение другого крупного китайского холдинга JD.com также нацелилось на скотоводство. В прошлом месяце компания представила набор сельскохозяйственных решений на базе AI.
Продолжая тему животноводства, расскажем про весьма интересный ирландский проект Cainthus, который журналисты окрестили «Facebook для коров». Идентификация коров по индивидуальным чертам морд позволяет собирать разнообразную информацию о каждом животном, начиная от особенностей их поведения, заканчивая аппетитом. Данные могут быть использованы владельцами фермерских хозяйств для мониторинга здоровья молочных коров и повышения их надоев.
Компания предлагает фермерам повысить комфорт коров в течение всего жизненного цикла, отслеживая их индивидуальные потребности и немедленно сигнализируя о необходимости вмешательства, если с животным что-то не так. Для наблюдения используется система компьютерного зрения.
По мнению разработчиков, платформа необычайно актуальна и востребована. Они также утверждают, что она единственная в своём роде. Однако же это не так.
Ещё один интересный проект с российскими корнями, Cattle Care, предлагает похожий функционал. Разработчики создали систему видеомониторинга здоровья и продуктивности коров на основе компьютерного зрения. Видеоаналитика для молочных ферм позволяет обеспечить максимально комфортные условия для каждой бурёнки.
Принцип работы довольно прост. Узор на шкуре коровы уникален подобно человеческим отпечаткам пальцев. Используя эту особенность, обученная на фотографиях подопечных система собирает информацию с видеокамер, установленных на фермах, детектирует и идентифицирует каждую конкретную корову. Подсчитывая количество шагов, жевательных движений, количество потребленного корма, выпитой воды и других поведенческих паттернов компьютер составляет медицинскую карту каждой коровы. Благодаря Cattle Care фермер сразу видит, если у его подопечной что-то не в порядке.
Заключение
Как видно, искусственный интеллект и роботы вполне способны увеличить эффективность сельского хозяйства и упростить труд фермеров. Однако по силам ли этим технологиям решить потенциальную угрозу дефицита продуктов питания? Интересно ваше мнение.
Что ещё полезного можно почитать в блоге Cloud4Y
Подписывайтесь на наш Telegram-канал, чтобы не пропустить очередную статью! Пишем не чаще двух раз в неделю и только по делу.
Источник