IoT水耕栽培機「foop」の実験経過 & 数理モデル

本日の研究会では、前回、先生や先輩方から以下のようなアドバイスをいただいたので、その内容をもとに、IoT水耕栽培機「foop」についての実験経過と数理モデルについて、先生や先輩方に資料をまとめて発表を行った。

• 先生からお借りしたPIXPRO SP360 という360°カメラの使い方を取扱説明書などを読んで理解する。
• Bluethoothから送られる情報を対象のスマートフォンでなく、パソコンなどのデバイスに割り込みで送信することができるのかを、インターネットなどの参考文献を用いて調べる。また、いくつか方法があると思うので、色々な方法を試すことでより良い方法を見つける。
• 今回の卒業研究では、「IoTを用いたデザイン農業」なので、デザインという部分に触れながら、今回の実験結果を考察する。特に、先生がおっしゃっていたように、「専門外の人でもわかるように、実験などの物事を行うためには？」という部分に重点を置きながら、実験を行うことにより、より良い実験を行うことができるのではないかと考える。
• 気温・湿度・CO2濃度などの数値を求めるだけでなく、グラフ化などの作業を行い、どのような変化が現れているのかについて考察する。

このことについて、先生からお借りしたPIXPRO SP360という360°カメラは、バイクツーリング用として市販で売られていたことに驚きました。その理由として、360°カメラで走行を撮影すると、ブレを軽減することができるからだそうです!!
確かに、僕もバイクに乗っているときは、縦揺れや横揺れが激しく、もし走行をカメラ撮影するとすれば、必ずブレてしまうだろうと想像はできますので、とても面白い考え方であり、素晴らしい技術だと思った。

また、Bluetoothの割り込み送信について、様々な参考文献を確かめた結果、何も技術を持っていない大学生が初めから学ぶとなると、卒業論文の期間を超えてしまうというアドバイスをいただいたので、このアプローチの仕方はやめて、実際にIoT水耕栽培機「foop」を開発した会社にメールを送って、どのようにbluetoothで通信しているのかを確かめてみようと思った。

したがって、もしbluetooth通信でIoT水耕栽培機「foop」から送られてくるデータを取り出すことができれば、そのデータをExcelなどのアプリケーションを用いて、データの格納を行い、グラフ化を行うという手順で実験を進めていこうと思う。できないのであれば、毎日、朝・昼・夜の3回の計測で取得したデータをプロットしてそれらのデータからグラフを作成すれば良いのではないかと思った。

さらに、卒業論文の研究計画書に植物に対して色の変化における数理モデルを導出すると提案しているので、数理モデルとはどのようなものなのかということを簡単な例題を用意し、考察していった。このことについて、光は電磁波の一種であることから、高校物理で習ったE=hv(E:電磁波のエネルギー,h:プランク定数,v:振動数(v=c/λ, c:光の速さ(2.998x10の8乗), λ: 電磁波の波長の長さ))という公式が使えるのではないかということを考えつつ説明を行った。

これらのことより、先生や先輩方から以下のようなアドバイスをもらった。

• 高校物理で習ったE=hv(E:電磁波のエネルギー,h:プランク定数,v:振動数(v=c/λ, c:光の速さ(2.998x10の8乗), λ: 電磁波の波長の長さ))という公式は、金属上での電子の運動を示しているので、植物と光の波長の関係性を表してないのではないのか
• 上記で示した公式について、光の速さに依存していることがE=hv(E:電磁波のエネルギー,h:プランク定数,v:振動数(v=c/λ, c:光の速さ(2.998x10の8乗), λ: 電磁波の波長の長さ))という式からわかるが、光の強度には依存していないことに注意すべきである
• 数理モデルとは、将来起きるであろう物事を予測するために行うものであるので、機械学習と同じようなものである
• 実際の植物園は、ベルトコンベアを用いて場所ごとに、育成環境の状態を変え、成長段階に見合った環境を整えているので、参考にする

したがって、次回の研究会までには、以上のようなことについて実際に行われている研究等の参考文献やそれに関係した分野の製品などを調べることにし、それと同時にIoT水耕栽培機「foop」の初期実験のデータをとることによって、自らが感じた問題点や改善点について整理していこうと思う。

• 生物学などの参考書や論文を調査し、実際にどのような数理モデルを示しているかやどのような原理が使われているのかを調査する
• IoT水耕栽培機「foop」を作っている会社に連絡を行い、Bluetoothでの通信の仕組みや数値をグラフ化できるのかを聞いてみる
• IoT水耕栽培機「foop」を用いた実験で、内部の育てる場所によって、育成スピードが変わるのかを調べる

また、本日の研究会での先輩方の発表や意見・アドバイスとして、以下のようなことがあげられたので、それも参考にし、卒業論文における研究を進めて行こうと思う。
<音源分離についての研究>

• 非負値行列因子分解とは、以下の図1のような、非負値行列Yを2つの非負値行列H, Uに分解することである

図1. 非負値行列因子分解

• 音源分離のプログラムの流れについて、以下のような手順のアルゴリズムを考えることにより、混合音を分解することができる。

1. 混合音ファイルの読み込み
2. 音のデータを短時間フーリエ変換(stft)を用いてスペクトログラムに変換する
3. NMF(非負値行列因子分解)を使用し、混合音を分解する。
4. 逆短時間フーリエ変換(istft)を使用し戻す
5. 分解音の再生

• 周波数分解を行うので、近くの周波数ごとの分解は難しい
• matlabを用いる際に、Githubなどにアップロードされているプログラムは、バージョンが異なることから、使用できないこともある。
• 音源分離の原理と問題点を同時に考えていく。(→NMFとは、どのようなものなのか。)

<犬の個体識別についての研究>

• カスケード分類器をopencvを用いて完成させる
• openxcvでのカスケード分類器での読み込む画像の位置などが重要である
• ムーと呼ばれる月刊情報誌では、カスケード分類器を用いてGoogleEarthで地球で起きている怪奇現象を調査しているので具体的に調べてみる
• カスケード分類器を用いて動物を検知する際に重要なことは、動物の特徴を抽出しなければならないことである

<Brainstormingの電子化についての研究>

• opencvをpythonで用いるには、それぞれのバージョンが異なっていると、うまくかみ合わず、使用できないので、バージョンに気をつけてPC内部の設定を行わなければならない
• 画像から付箋の抽出を行う際に、画像をグレースケールにしてから抽出した方が、うまくいくのではないか(→結果的に、グレースケールの方がうまくいったのでなぜかを考える)
• 実践的な距離(遠距離)で撮影した画像から、付箋を抽出する際には、無駄な情報が多くなってしなうので、うまくいかなくなる
• opencvのcontoursは、等高線を検知するので、奥行きや背景、距離を検証する
• opencvのedge detectionは、画像内部のエッジ検出を行う
• 画像内部から、四角形を検出するより、丸を検出する方が難しい
• 付箋の色を検出する際に、似た色を区別するのは難しい(補色関係にある色は簡単だが、他の色を区別するためにどうすれば良いかを考える)
• opencvには、contoursやedge detection以外にも他のディテクションがあるので、それらの特徴や使い方を調べる

<強化学習についての研究>

• ニューラルネットワークとは、以下の図2のように、入力層・隠れ層・出力層の3つの層が存在しており、入力情報を重み付きで受け取ることにより、木構造内部の隠れ層にある葉の出力値を決めている

図2. ニューラルネットワークについて

• ニューラルネットワークについて、pythonのward2vecを用いることによって、プログラムを完成させることができる
• ChainerやAccord NETを用いることによって、Deep Learningを行うことができるが、それぞれについて、メリットとデメリットが存在するので、それらを使い分けることが重要である