За последние месяцы мы собрали метеостанцию, автополив, весы, GPS-трекер — и объединили всё через MQTT-брокер с VK-ботом и веб-дашбордом на Nuxt. Получилась полноценная DIY-платформа для фермы. Но это только начало: впереди две большие серии статей, которые выведут вашу самодельную систему на новый уровень.
В этой статье — план публикаций на ближайшие месяцы. Сохраняйте в закладки, чтобы не пропустить.
Серия 1: Автономность в поле — датчики без Wi-Fi и розетки
Главная проблема после сборки первых датчиков: Wi-Fi добивает до 50 метров от дома, а поле — за километр. Электричества там нет. Эта серия решает обе проблемы.
LoRa-связь на 3–5 километров
ESP32 + модуль SX1276 (LoRa) — передача показаний датчиков на расстояние до 5 км без интернета и без сим-карты. Один LoRa-шлюз у дома принимает данные со всех полевых датчиков и отправляет в MQTT-брокер. Бюджет: ~2 000 ₽ за узел.
Разберём: выбор частоты (868 МГц для России), формат пакетов, антенны, экономия энергии через deep sleep.
Солнечная панель + аккумулятор: автономное питание
18650 аккумулятор + контроллер заряда TP4056 + солнечная панель 6 Вт — полностью автономный датчик, который работает месяцами без обслуживания. Бюджет: ~1 500 ₽.
Расскажем: расчёт энергобаланса, режим deep sleep ESP32 (потребление 10 мкА), защита от переразряда, выбор панели под климат.
GSM-связь через SIM800L
Когда LoRa не подходит (расстояние больше 5 км, или нужна двусторонняя связь) — модуль SIM800L с сим-картой. Отправка SMS-алертов и передача данных через GPRS. Бюджет: ~800 ₽ + сим-карта.
Покажем: подключение к ESP32, отправка данных на сервер, SMS-уведомления, подводные камни с питанием (SIM800L требует пиковый ток 2А).
Серия 2: Продвинутая автоматизация
От мониторинга — к управлению. Датчики собирают данные, а эти проекты действуют на их основе.
Умная вентиляция теплицы
Сервопривод + термодатчик + расписание = форточки открываются сами. Когда температура поднимается выше 28°C — форточка открывается. Ночью или при ветре — закрывается. Бюджет: ~3 000 ₽.
Продвинутый автополив с прогнозом погоды
Апгрейд базового автополива из ранней статьи: добавляем API прогноза погоды. Если завтра дождь — полив отменяется. Учитываем тип почвы и культуру. Экономия воды: 30–40% по сравнению с поливом по таймеру.
ESP32-CAM: фотоловушка для вредителей
Камера в теплице делает снимки по расписанию или при срабатывании датчика движения. Фото отправляются в мессенджер. Позже — подключим нейросеть для автоматического распознавания вредителей (об этом в третьей серии).
Серия 3: Нейросети для фермера — от теории к своей модели
Это будет самая необычная серия в нашем разделе. Нейросети — не магия и не что-то доступное только корпорациям. Запустить свою нейросеть можно на обычном компьютере, а обучить — на данных с вашей собственной фермы. Разберёмся с нуля.
Что такое нейросеть и зачем она фермеру
Вводная статья без кода. Объясним простым языком:
- Что такое нейросеть — по сути, программа, которая учится на примерах. Показали 1 000 фото здоровых листьев и 1 000 фото больных — она научилась отличать
- Чем нейросеть отличается от обычной программы — обычная программа следует правилам, которые написал человек. Нейросеть сама выводит правила из данных
- Какие задачи решает на ферме — распознавание болезней по фото, прогноз урожая, оптимизация полива, сортировка продукции по качеству
- Нужен ли мощный компьютер — для обучения желательна видеокарта, но для использования готовой модели хватит Raspberry Pi
Виды нейросетей: LLM, CNN, RNN и когда что применять
Разберём основные типы нейросетей и объясним разницу на пальцах:
- CNN (свёрточные) — «глаза» нейросети. Анализируют изображения: распознают болезни на листьях, считают плоды на дереве, определяют сорняки. Это то, что нужно фермеру в первую очередь
- RNN/LSTM (рекуррентные) — работают с последовательностями данных. Прогнозируют температуру, влажность, урожайность на основе истории. Полезны для предсказания: «через 3 дня будет заморозок»
- LLM (большие языковые модели) — ChatGPT, GigaChat и подобные. Понимают текст. Для фермера — это консультант: «У томатов желтеют листья снизу, что делать?». Запускать свою LLM дорого, но можно использовать готовые через API
- Трансформеры для зрения (ViT) — современный подход к анализу изображений, часто точнее CNN. Требуют больше ресурсов
Вывод для фермера: начинайте с CNN для анализа фото. Это самое практичное применение, не требует мощного железа и даёт результат за неделю обучения.
Запускаем готовую нейросеть на Raspberry Pi
Практическая статья: берём готовую модель распознавания болезней томатов (PlantVillage dataset, открытая), конвертируем в формат TFLite и запускаем на Raspberry Pi. Фотографируем лист — получаем диагноз за 2 секунды.
Что понадобится: Raspberry Pi 4 (4 ГБ), камера, Python, ~500 строк кода. Всё с пояснениями.
Обучаем свою нейросеть на данных с фермы
Самая интересная статья серии. Пошагово:
- Собираем данные — фотографируем здоровые и больные растения, минимум по 200 фото каждого класса
- Размечаем — сортируем фото по папкам: «здоровый лист», «фитофтора», «мучнистая роса»
- Обучаем — используем transfer learning: берём готовую модель MobileNet и дообучаем на наших данных. На обычном ноутбуке с видеокартой GeForce — 1–2 часа обучения
- Проверяем — тестируем на фото, которые модель не видела при обучении
- Разворачиваем — конвертируем модель и ставим на ESP32-CAM или Raspberry Pi
Никакого машинного обучения «в облаке» — всё локально, на вашем железе, с вашими данными.
Нейросеть анализирует данные с датчиков
У вас уже есть метеостанция, датчики влажности почвы, pH, освещённости — десятки показаний каждый час. Человек не может уследить за всем. Нейросеть — может.
В этой статье обучим простую модель (LSTM/RNN), которая:
- Предсказывает заморозки — по истории температуры, давления и влажности за последние 48 часов
- Обнаруживает аномалии — резкое падение влажности почвы (протечка?), скачок CO₂ в теплице (плохая вентиляция?), необычное потребление тока (вредитель в проводке?)
- Рекомендует действия — «Влажность почвы падает быстрее обычного, рекомендуется полив через 4 часа вместо 8»
Данные берём напрямую из MQTT-брокера, который мы уже настроили в предыдущих статьях. Обучение — на истории ваших собственных показаний за 2–3 месяца. Минимум: 1 000 записей.
Нейросеть + ESP32-CAM: автоматический контроль здоровья растений
Объединяем фотоловушку из второй серии с обученной моделью из этой серии. Камера в теплице каждые 4 часа фотографирует растения, нейросеть анализирует, а бот отправляет алерт: «Теплица 2, ряд 3 — обнаружена фитофтора, уверенность 87%».
LLM как агроконсультант: подключаем языковую модель
Заключительная статья серии. Подключаем LLM (через API или локально, если есть видеокарта с 8+ ГБ VRAM) как текстового помощника:
- Описываете симптомы — получаете диагноз и рекомендации
- Загружаете фото (мультимодальная модель) — LLM анализирует вместе с текстом
- Спрашиваете «Когда сеять морковь в Краснодарском крае?» — получаете ответ с учётом региона
Сравним варианты: API OpenAI / GigaChat (просто, но платно и нужен интернет) vs. локальная модель Llama / Qwen на своём компьютере (бесплатно, работает офлайн, но нужна видеокарта).
Локальная сеть + «большая» LLM: мост между фермой и облаком
У вас есть локальная сеть датчиков (MQTT, LoRa, ESP32) — и есть мощные облачные LLM (GPT-4, Claude, GigaChat). Как их подружить?
Построим мост: локальный сервер (Raspberry Pi или старый ноутбук) собирает данные с датчиков, агрегирует их и периодически отправляет в LLM с вопросом: «Вот показания за сутки. Есть ли проблемы? Что рекомендуешь?»
- Гибридная схема — локальная маленькая модель (Qwen 0.5B / Phi-3 mini) фильтрует и обобщает данные. Только когда нужна глубокая аналитика — запрос уходит в облако
- Экономия — 95% запросов обрабатываются локально, платный API используется 2–3 раза в день
- Приватность — сырые данные не покидают вашу сеть. В облако уходит только агрегированная сводка
- Работа при обрыве интернета — локальная модель продолжает мониторинг, облачные рекомендации подтянутся, когда связь восстановится
Свои мини-агенты и оркестратор: автоматизация без участия человека
Самая амбициозная статья всей серии. Строим систему из нескольких «агентов» — маленьких автономных программ, каждая из которых отвечает за свою задачу:
- Агент-наблюдатель — следит за показаниями датчиков, формирует отчёты
- Агент-диагност — анализирует фото с камер через CNN, определяет болезни
- Агент-планировщик — составляет расписание полива и вентиляции на основе прогноза погоды и показаний почвы
- Агент-исполнитель — управляет реле, сервоприводами, насосами через MQTT-команды
А над ними — оркестратор: программа на Python, которая координирует агентов. Получил алерт от диагноста → спросил планировщика, что делать → отправил команду исполнителю → отчитался хозяину в Telegram.
Всё работает на одном Raspberry Pi 4 или старом ноутбуке. Каждый агент — отдельный скрипт, оркестратор связывает их через очередь сообщений (тот же MQTT). Никаких облаков — полная автономия.
Это не фантастика: такие системы уже работают в промышленных теплицах. Мы покажем, как сделать свою — за выходные.
Порядок публикации
Статьи будут выходить примерно раз в неделю или чаще, как будет настроение и вдохновение. Примерный порядок:
- LoRa-связь на 3–5 км
- Солнечная панель + аккумулятор
- Умная вентиляция теплицы
- Продвинутый автополив с прогнозом
- ESP32-CAM: фотоловушка
- Что такое нейросеть и зачем фермеру
- Виды нейросетей: LLM, CNN, RNN
- Запускаем готовую нейросеть на Raspberry Pi
- Обучаем свою модель
- Нейросеть анализирует данные с датчиков
- Нейросеть + ESP32-CAM
- LLM как агроконсультант
- Локальная сеть + облачная LLM: мост между фермой и облаком
- Свои мини-агенты и оркестратор
Каждая статья — с рабочим кодом, схемами подключения и бюджетом. Как и все наши проекты в разделе «Своими руками» — всё можно повторить на кухне.
Хотите, чтобы какая-то тема вышла раньше? Напишите в комментариях — мы двигаем приоритеты по вашим запросам.
