智能家居盆栽系統技術的研究與設計

何文祥，李社蕾

（三亞學院信息與智能工程系，三亞572000）

0 引言

人們將綠色植物視為家居設計中十分重要的一個元素，但是因工作學習而疏忽了對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”旗號的智能盆栽，實際上都還是利用傳感器技術進行數據采集，用戶只能憑借主觀經驗進行手動機械式設置參數運行，缺乏對用戶在盆栽植物培育擁有時間和定量的指導。

智能家居盆栽搭載Exynos 4412開發板，通過傳感器采集數據分析后進行智能控制灌溉為主，以收集盆栽植物生長狀況進行用戶個性化控制方案功能為輔。利用在灌溉系統的控制算法中引入時間序列預測法對植物用水量進行分析預測來提高灌溉的精確控制，從而保證植物的健康生長和提高用水效率。通過攝像頭傳感器對植物生長情況進行拍攝和監控，引入基于圖像分析的植物及其病蟲害識別技術，及時對盆栽植物生長的異常情況進行處理和用戶提示。

智能家居盆栽系統，降低用戶專業知識學習成本，改變灌溉傳統控制方式，實現對盆栽植物的生長情況實時監控、分析并且針對植物特征進行差異自動化管理和控制。

1 智能家居盆栽系統整體設計思路

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開發板（板載藍牙及Wi-Fi模塊、CAN/RS-485模塊等）、LED顯示屏、遠紅光和紅藍光組合植物補光燈等組成。系統結構框圖如圖1所示。

圖1 系統結構

通過迅為Exynos 4412開發板的Wi-Fi模塊與家庭局域網無線網絡的連接，將傳感器收集到的數據上傳到云端阿里云服務器處理和數據庫存儲，以此來實現與移動App客戶端的通信連通，從而將傳感器上檢測到的光照強度、土壤溫濕度、pH值、氮磷肥、盆栽植物圖像等數據以可視化的方式向用戶展示，同時經過數據分析后給出盆栽植物照料的預測方案，有助于掌握植物生長的實時狀況。智能家居盆栽接入小米IoT平臺，支持小愛同學音箱語控功能，用戶可以與其進行簡單的對話交流，使得種植過程更加生動、有趣。

2 智能家居盆栽功能設計

2.1 土壤濕度預測與灌溉用水量預測

智能家居盆栽系統通過引入回歸預測的時間序列預測方法，這種預測方法是分別將土壤濕度、每次灌溉用水量的數值，按時間先后順序排到所形成的數列。然后通過編制和分析時間序列，根據時間序列所反映出來的趨勢來預測下一段時間可能達到的數值。

盆栽的穩定生長環境取決于土壤的含水量是否在科學合理的范圍內，而盆栽中的土壤含水量占比變化可以提前通過土壤濕度預測感知，并提前在盆栽瀕臨缺水狀態時對電磁閥進行控制灌溉，使土壤濕度在該植物設定的合理濕度閾值之間穩定變化。而土壤濕度的變化是動態的，不同的天氣情況致使房間內空氣濕度、溫度發生變化等因素的影響土壤的蒸發效果。智能家居盆栽系統對土壤濕度進行預測的時間序列方法采用的是帶外源輸入的自動回歸移動平均模型（簡稱ARMAX模型），ARMAX模型能將這些因素綜合到對土壤濕度的回歸預測函數中，使之能夠準確地預測將來某一刻的土壤濕度情況，大大地提高預測的精度。

盆栽的用水消耗量是指由于植物需要進行自身的呼吸作用、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的用水量可以認為是等價的，因此對盆栽的灌溉用水量的精準控制可以通過盆栽的用水消耗量預測值來確定。同理，盆栽的用水消耗量也可以用建立ARMAX模型進行預測，當灌溉用水量達到預測的盆栽用水消耗量值時電磁閥停止工作，使土壤濕度維持在科學合理的范圍內。但是在剛開始啟動時，數據庫并沒有歷史灌溉用水量記錄，只能通過土壤濕度設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土壤濕度變化，控制土壤濕度在合理的范圍內。當灌溉用水量數據足夠多時，再使用盆栽用水消耗量預測的方式控制電子閥工作。隨后在每次灌溉時，系統將盆栽歷史用水消耗量以及該次灌溉后土壤濕度所達到的峰值等數據建立用水消耗量預測模型，以保證預測模型是實時動態更新的。根據建立的用水消耗量預測模型計算出在本次灌溉和下一次灌溉的時間區間內盆栽的用水消耗量的預測值，將其作為盆栽該區間內所需的灌溉用水量，達到對盆栽高精度灌溉的目的。

ARMAX模型建模過程如下：

（1）預處理數據序列，得到平穩序列；

（2）在建模前通過序列分別生成自相關（ACF）函數和偏自相關函數（PACF）的相關圖，通過相關圖特點，選用以ARMA模型為基礎的ARMAX模型；

（3）使用赤池信息量準則確定ARMAX模型模型最佳階數；

（4）估計模型未知參數；

（5）將模型預測值用累積和序貫分析法（CU?SUM）對盆栽植物是否缺水、盆栽用水消耗量進行準確度判斷。

ARMAX模型預測表達式如下：

系統中的數據使用MySQL數據庫存儲，存儲的數據包括盆栽種類信息、傳感器采集的溫濕度氮磷鉀等數值、澆灌用水量數據、預測值等數據。

土壤濕度預測與灌溉用水量預測系統模塊主要由Exynos 4412開發板控制，土壤傳感器與開發板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，繼電器連接開發板端子J38的管腳10，硬件的結構如圖2所示，Exynos 4412 RS-485端口原理如圖3所示。

圖2 土壤濕度預測與灌溉用水量預測硬件結構

圖3 Exynos 4412 RS-485端口原理

最后，為了驗證模型的精確度，以土壤濕度預測為例，通過數據庫中定時存儲的土壤濕度預測值和實際檢測值進行函數擬合對比，如圖4所示，可以看到兩條線的波動基本一致，擬合度較好。

圖4 ARMAX模型對土壤濕度的預測值與實際檢測值的擬合

2.2 植物病蟲害識別

資料收集表明，植物的葉片出現病斑往往是大部分植物病蟲害出現的依據，并且不同的病害，葉片上病斑的紋理、顏色和形狀也不同，葉片存活時間長、易于收集。葉片圖像的顏色是植物病蟲害識別的重要特征，因此構建了三通道CNNs并將其應用于植物病蟲害識別。在植物病害葉片圖像特征提取和病害分類研究中，過程概括為：

（1）圖像收集與預處理。采集家庭常見盆栽種植植物相對應的病蟲害葉片的原始圖像，通過線下拍攝以及線上爬蟲搜集葉片病蟲害圖片，對每張圖片使用隨機翻轉、顏色抖動、多角度旋轉等方式，得到大量的數據集后隨機劃分為訓練集和測試集，避免訓練模型時出現過擬合現象。將每張病蟲害葉片圖像通過MATLAB中的imread函數處理得到RGB三個通道空間圖像，再進行歸一化后作為輸入層輸入CNNs的第一個卷積層對象。

（2）模型設計。針對智能家居盆栽系統設計的三通道CNNs模型基本結構如圖5所示。

圖5 三通道CNNs模型基本結構

如果輸入經過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元數約為1000，輸出層是輸出C種植物病害類型的C個神經元。

卷積層通過一個k×k大小的卷積核來獲得,每個神經元在輸入的病蟲害葉片圖像指定的k×k感受野中卷積，獲取多個不同但大小為(n-k+1)×(n-k+1)的特征圖，再通過ReLU激活函數計算后將結果輸出到池化層。

池化層對上一個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區域中取最大值進行聚合統計，但特征圖的大小不變。

兩個完全連接的層F包含1000個完全連接到S3的神經元。

在輸出層中選擇Softmax分類器，計算輸入樣本落入每個類別的概率，然后執行圖像識別。

（3）參數初始化。在開始訓練CNNs之前，需要初始化權重和偏差參數，常見范圍為[-0.5,0.5]或[-1,1]。

（4）微調。微調是使用訓練數據庫來訓練訓練后的CNNs，以便使訓練后的模型參數適合當前數據庫，并從圖像中提取更多抽象特征以進行圖像識別。

如表1所示，以常見的4種室內盆栽為例，分別進行十折交叉驗證，并重復60次實驗的實驗結果。智能家居盆栽采用的基于三通道CNNs的病蟲害識別方法識別效果優秀。

表1 基于三通道CNNs病蟲害識別方法實驗結果

3 結語

總的來說，智能家居盆栽通過基于時間序列預測方法的土壤濕度預測與灌溉用水量預測對盆栽植物進行灌溉控制，精準監控土壤溫濕度、氮磷鉀等數據，為植物生長提供適宜的生長環境，同時在植物生長過程中使用深度卷積神經網絡技術及時對植物病蟲害進行識別預警，光線弱時智能補光，輔助植物茁壯成長。智能家居盆栽自動化管理控制將消費者從學習專業種植知識枯燥中解放出來，隨時隨地多種途徑查看盆栽植物生長情況，接入米家IoT平臺，小愛同學智能語音聲控為盆栽種植添加一份樂趣與便捷，與其他家居設備場景聯動，讓消費者融入到舒適健康、高效智能的智能家居生活中。