این دستگاه آبیاری گیاهان را در محیط های شهری بهبود می بخشد. با استفاده از آردوینو 101، از ابزارهای روی برد به همراه چند حسگر خارجی برای محاسبه شرایط بهینه برای آبیاری گیاهان در محیط خود استفاده می کند و سپس خود گیاه را در زمان محاسبه شده آبیاری می کند.
مبتنی بر مفاهیم زیر است:
گرانش و فشار
این دستگاه منبع آب خود را از یک مخزن می گیرد که من با استفاده از کوزه شیر، لوله پلاستیکی، خاک رس برای درزگیر لوله و سروو درست کردم. این کانتینر به گونه ای قرار گرفته است که علاوه بر مرتفع بودن، بتواند آب باران را از بالای دستگاه جمع آوری کند.
کوزه عمدتاً توسط یک منبع آب خانگی پر می شود (به دلیل اینکه باران همیشه در دسترس نیست)، اما با آب باران تکمیل می شود. هنگامی که آب در کوزه وجود دارد، نیروی جاذبه جاذبه آب را به سمت زمین داخل کوزه می کشد. یک سوراخ در پایه کوزه بریده می شود تا لوله خروجی وارد شود. بنابراین نیروی گرانش آب را از طریق این لوله خروجی می کشد. سروو زمانی را تنظیم می کند که آب به طور کامل از لوله خارج شود. در شرایط عادی بازوی سروو در وضعیت عمودی قرار دارد که از خروج آب از لوله جلوگیری می کند. با این حال، هنگام آبیاری گیاه، بازو 135 درجه پایین می آید و به این ترتیب آب از لوله خارج شده و گیاهان را آبیاری می کند. پس از اتمام این کار، بازو به سمت بالا بلند می شود.
فشار آب بر روی کوزه نه تنها به پایداری کوزه کمک می کند، بلکه به خروج آب نیز کمک می کند و جریان مداوم آب در طول آبیاری را امکان پذیر می کند.
سنسور دمای TMP36 و موتور تطبیق الگوی کوری اینتل
این ترکیب مفاهیم به محاسباتی کمک می کند که زمان بهینه آبیاری گیاهان را تعیین می کند. TMP36 یک سنسور دما است که مانند یک دماسنج عمل می کند، اما دارای خروجی آنالوگ الکترونیکی است. این خروجی را می توان توسط دستگاهی مانند میکروکنترلر خواند و به دما تبدیل کرد. در این پروژه، دستگاه سعی میکند زمان بهینه آبیاری گیاهان را که نزدیکترین زمان به ۲۵ درجه سانتیگراد است، محاسبه کند. در هر ساعت 30 رکورد در فواصل دو دقیقه ای ایجاد می کند و در پایان هر دوره میانگین 29 مورد از این موارد را محاسبه می کند (به استثنای اولی که معمولاً نادرست است). اینجاست که موتور تطبیق الگو وارد می شود.
Intel Curie PME یا موتور تطبیق الگو، یک شبکه عصبی مصنوعی است که در Arduino 101 ساخته شده است. کتابخانه های آن در GitHub در دسترس هستند. متشکل از 128 نورون، قادر به یادگیری و طبقه بندی داده ها، ذخیره شده در بردارها، بر اساس داده های موجود، یا بردارهای طبقه بندی شده به دسته ها است. هر چه دسته بندی های بیشتری در دسترس باشد، گزینه های بیشتری برای طبقه بندی می تواند توسط PME دنبال شود.
برای این پروژه، PME دادههای دما را در طول یک روز ثبت میکند و تلاش میکند تا شرایط بهینه، ۲۵ درجه سانتیگراد را در میان این دادهها طبقهبندی کند. نتیجه روز بعد برای آبیاری گیاه می شود.
داده ها هر ساعت از ساعت 8 صبح تا 9 شب ثبت می شود. اولین بار که این کار انجام می شود، داده ها در Onboard Serial Flash ذخیره می شوند . این به دستگاه اجازه میدهد تا به مجموعه دادهای راهاندازی شود، حتی اگر خاموش شده باشد. پس از به دست آوردن مجموعه داده، تلاش می شود تا شرایط بهینه را طبقه بندی کند. اگر بتواند این کار را انجام دهد، دسته انتخاب شده به ساعت استفاده شده برای دور بعدی تبدیل می شود. در غیر این صورت، دستگاه از ثابتهای ماهانه یا زمانی از روز در هر ماه استفاده میکند که دما در آن بالاتر است. لازم به ذکر است که این دماها همیشه بهترین دما برای آبیاری گیاهان نیستند ، به همین دلیل است که من از PME استفاده کردم.
پس از اولین جلسه یادگیری، داده ها پاک می شوند و روز بعد دوباره یاد می گیرند و گیاه در ساعت انتخاب شده آبیاری می شود. این چرخه بی نهایت تکرار می شود، یا تا زمانی که دستگاه از برق قطع شود، که در آن هنگام روشن شدن مجدد، از پارامترهای ذخیره شده به عنوان ساعت انتخاب شده استفاده می کند و به کار خود ادامه می دهد.
ساعت بیدرنگ کوری اینتل و بلوتوث کم انرژی