- 光についての研究をするのか、それともIoTについての研究をするのかを絞るか優先順位を決めた方が良いのではないか
- 白色LEDがIoT水耕栽培機「foop」に設置されているが、もともと設置されているLEDだけでは足りず、いくつか自分で設置してみれば良いのでは
- 白色LEDなどの可視光領域の光を使わず、赤外線や紫外線を用いた農業をすることによって、公害を抑制できるのではないか
- LEDを用いて回路を作る際に、独自のより良い回路を製作してみてはどうか
- IoT水耕栽培機をベースに、色々改造してみた方が良いのでは(→新しくIoT水耕栽培機「foop」よりも良い水耕栽培機を作るよりは改造した方が良いということである)
また、LEDの装着について、株式会社 Living Farmが行った実験内容以外にも、教授や企業が実験を行っているはずなので、それらの知識を身につけて、情報をまとめたのちに、より良いLEDの種類や個数を導き出し、IoT水耕栽培機「foop」に取り付けようと思う。それから、回路の製作に進めば、実験も順調に進むのではないかと考えることができる。
さらに、IoT水耕栽培機「foop」内には、気温や湿度などを計測するセンサーが取り付けているので、それらの位置や取り付け方法、回路図などを調べて見ようと思う。
初期実験の考察としては、市販で売られているベビーリーフと自ら育てたベビーリーフを食べ比べて、先生や先輩方から意見をもらった。その中で、特に多かった意見として、自分が育てたベビーリーフは辛いという意見が挙げられます。このことについて、ベビーリーフは、もともと少し辛みがある野菜で知られているらしいのですが、乾燥状態や成長しすぎると、辛さが増してしまうということが植物図鑑やインターネットなどの参考文献で記述されていた。ですので、IoT水耕栽培機「foop」のアプリケーションは、単に日数だけをカウントして指定の日数が経過すると、収穫時期になったという通知がくるのではないかということがわかった。
したがって、最終的には、現在勉強している機械学習と結びつけて、植物の育成状況や環境より、食べごろを検出できるようになればよりよくなるのではないかと考えたので、機械学習についての知識を復習し直し、プログラムで記述することができるようになろうと思った。
したがって、最終的には、現在勉強している機械学習と結びつけて、植物の育成状況や環境より、食べごろを検出できるようになればよりよくなるのではないかと考えたので、機械学習についての知識を復習し直し、プログラムで記述することができるようになろうと思った。
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。
- 乾燥状態が続くことによっておこる辛さを除去するために、加湿器を設置すれば良いのではないか
- 今回の初期実験では、指定した時間における気温や湿度、CO2濃度などのデータした取得できなかったため、データが離散的になってしまっているので、自らセンサーを取り付けることによって、データを連続的にすれば良いのでは
- センサーの数を増やすことによって、取得できるデータ数が増えるので、必要物資を買うべきである
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>
- NMF(非負値行列因子分解)とは、非負値行列を2つの非負値行列に分解することである
- NMF(非負値行列因子分解)の基本性質として、低ランク近似を行っており、基底数は観測ベクトルの個数より小さく設定しなければならない
- NMF(非負値行列因子分解)の基本性質として、共起成分のグルーピング効果が重要となる
- NMF(非負値行列因子分解)の中でも、Iダイバージェンス規準複素NMFや板倉斎藤擬距離NMF、βダイバージェンス規準NMFなどが存在する
- Matlabでnnmf()を用いるのであれば、行列内の成分を非負値にしなければならない
- 人口知能について、進化計算というものが使われているが、規準(何が一番重要か)ということを決めないと1番良いものを選べない
- 進化計算について、自ら判断して適応的に振舞うことが重要である
- 従来のロボットと最近のロボットの違いとして、動きが観測値で決まっているか適応的に動きが生成されているかの違いがあり、例として、従来のロボットは、産業用ロボットが挙げられ、最近のロボットは、ヒューマノイドロボットが挙げられる
- 進化計算について、染色体をプログラムでイメージすることができる(→突然変異などを含めてより良い染色体を選択することができる)
- FAISに置いてあるコンピュータを用いてDeepLearningを行うと、高性能でかつ早く行うことができる(→性能が良い PCが置いてあるため)
- CainerとCaffeeの違いについて、それぞれを使うことによってのメリットとデメリットが存在する(→学習されたデータを使うこともできるが学習せずにできるものも存在する)
- Deeplearningの研究において、識別後に誰もしていないことを行うことが重要であり、学習させるためのデータを作ることや値段が安いものであってもクオリティーが高いものを作こと、良い精度が見込めるものを作ることが重要である
- Deeplearningの研究において、良い精度を出すには、層をどれだけ厚くするかやデータをどれだけ多く持っているか、高性能なPCを持っているかが重要となってくる
- Deeplearningの研究において、画像を回転させることやノイズを載せること画像を加工することによって、データを増やすことは、良い性能を出力させることにつながる(→仮想的に画像を増やすということ)
- 画像内から、付箋を抽出することについて、光の影響を多く受けてしまうので、細かい部分を見ていけば良いのではないか
- Conter Detectionを用いて、光の度合いを調節しつつ画像内部の付箋を抽出すれば良いのではないか
- 画像内部の付箋を抽出することにおいて、色を判断した後に、Contour Diectionを用いるとより良い付箋の抽出になるのではないか
- 付箋内部の文字識別について、表示するだけだったら良いが、自動的にクラスごとに分別することができれば良いのでは
- 画像内部の付箋の色によっての識別は簡単だが、Work2EggやWord2Vectorを用いての単語ごとの意味をまとめることは難しい
- ブレインストーミングが意外な組み合わせから、より良いアイデアを浮かばせるので、常識的に分けても意味ないのでは
- 付箋を使ってブレインストーミングをするメリットや意味を考える
