Умная ферма своими руками: этой зимой строим систему, которая весной выйдет в поле

Собрать «умный» датчик сегодня несложно.

ESP32, несколько проводов, готовый модуль с датчиком, десяток строк кода — и через час на экране уже появляются температура, влажность или влажность почвы.

Выглядит убедительно.

Проблемы начинаются, когда устройство снимают со стола и относят туда, где ему предстоит работать на самом деле, — на ферму.

На солнце датчик температуры начинает показывать совсем не температуру воздуха. В герметичном корпусе неожиданно появляется конденсат. Датчик влажности почвы выдаёт красивые проценты, связь периодически пропадает, аккумулятор разряжается значительно быстрее расчётного, а через несколько месяцев начинают окисляться контакты.

Но самое опасное даже не это.

Устройство продолжает работать и показывать цифры.

И на основании этих цифр человек начинает принимать решения.

Когда поливать. Есть ли опасность заморозка. Сколько воды получили растения. Можно ли проводить обработку. Что происходит в теплице. Нормально ли работает система орошения.

Поэтому этой зимой мы начинаем большой практический проект Fermozavr DIY.

Мы попробуем постепенно построить собственную систему мониторинга, анализа и автоматизации фермы, которая должна работать не на лабораторном столе, а в реальных полевых условиях.

А со временем попробуем добавить к ней ещё один уровень — искусственный интеллект, способный анализировать накопленные данные и помогать замечать то, что человек может пропустить.

Но начнём с самого простого.

С температуры воздуха.

И, как очень скоро выяснится, даже это не такая простая задача.

Не ещё одна «умная ферма на Arduino»

В интернете огромное количество проектов, которые выглядят примерно одинаково:

датчик → контроллер → приложение → красивый график.

Для демонстрации технологии этого вполне достаточно.

Для фермы — далеко не всегда.

На Фермозавре такие сборки уже лежат в разделе «Своими руками». Мы показывали, как связать датчик с контроллером: автополив по влажности почвы, GPS-трекер сельхозтехники, LoRa-передатчик. Это мастерская. По ним видно, из чего собирается узел и как данные уходят с поля.

Этот цикл мастерскую не отменяет. Он начинается с другого вопроса: можно ли цифре на экране доверить решение. Старые материалы остаются чертежами первых узлов. Новые — проверкой, выдержит ли узел солнце, дождь, зиму и сезон работы.

Если датчик влажности почвы показывает 37%, нас интересует не только возможность отправить эти 37% через Wi-Fi или LoRa.

Сначала надо ответить на значительно более неприятный вопрос:

Что именно означают эти 37% и насколько им вообще можно доверять?

То же самое относится к температуре, влажности воздуха, солнечной радиации, осадкам, скорости ветра, EC, pH, расходу воды и практически любому другому измерению.

Поэтому мы пойдём немного другим путём.

Сначала определяем задачу

У проекта Fermozavr будет простое правило:

Мы не будем выбирать датчик только потому, что он дешёвый, популярный или для него существует готовая библиотека.

Каждый узел проходит один и тот же путь:

1. Формулируем задачу: что измеряем, зачем это фермеру и какое решение будет приниматься по результату.
2. Фиксируем, какая точность нужна для этого решения, а не для красивого графика.
3. Смотрим, какие физические методы существуют, где у каждого предел и как датчик ведёт себя в реальных условиях: установка, калибровка, дрейф со временем.
4. Отбираем кандидатов, собираем устройство и испытываем его.
5. Публикуем выбор и список комплектующих.
6. Только после этого относим узел в поле.

Именно этот подход будет повторяться во всех следующих проектах.

Что мы собираемся построить

Конечная система должна постепенно собрать данные хозяйства в одну цепочку.

С поля приходят три группы измерений:

• Погода: температура и влажность воздуха, осадки, ветер, солнечная радиация.
• Почва: влажность, температура, водный потенциал.
• Вода: давление, расход, уровень, EC и pH.

Дальше путь общий. Полевые узлы передают данные по LoRa, RS-485 или LTE на шлюз. Шлюз отдаёт их в MQTT, оттуда они попадают в базу. По базе строятся графики и аналитика. И только потом появляются рекомендации, события и автоматизация.

Выглядит масштабно.

Но строить всё одновременно мы не собираемся.

Начнём с одного датчика.

Он научится правильно измерять температуру и влажность воздуха.

Потом научим его работать на улице.

Передавать данные.

Хранить их.

Контролировать собственное состояние.

Работать автономно.

Потом появятся другие измерения.

Постепенно отдельные элементы начнут складываться в систему.

Зачем вообще строить собственную систему

Возникает разумный вопрос:

зачем всё это делать, если можно купить готовую метеостанцию?

Иногда именно так и следует поступить.

Цель Fermozavr не заключается в том, чтобы любой ценой сделать всё самостоятельно.

Нам значительно интереснее другое.

Построив собственную измерительную инфраструктуру, мы сможем объединить данные, которые обычно существуют независимо друг от друга:

погода + почва + вода + растения + оборудование.

Например, со временем система сможет одновременно видеть:

• сколько выпало дождя;
• сколько воды было подано системой орошения;
• какое давление было в магистрали;
• какой расход прошёл через конкретный участок;
• как изменилась влажность почвы на разных глубинах;
• какой была солнечная радиация;
• сколько воды потенциально потеряли растения;
• как менялась температура внутри растительного полога;
• как долго работал насос;
• нормально ли отреагировала почва на полив.

Это уже значительно интереснее отдельной метеостанции.

Дешёвый датчик не обязательно плохой

Мы не собираемся превращать проект в соревнование по покупке самого дорогого оборудования.

Цена сама по себе практически ничего не говорит о пригодности прибора для конкретной задачи.

Недорогой датчик может оказаться прекрасным решением.

Но только если мы понимаем, что он измеряет, с какой точностью и в каких условиях.

Например, популярный цифровой датчик температуры может прекрасно подходить для измерения температуры воды или почвы.

Это совершенно не означает, что тот же датчик автоматически станет хорошим выбором для измерения температуры воздуха в агрометеостанции.

А дешёвый ёмкостный датчик влажности почвы может прекрасно показать принцип работы метода на лабораторном столе.

Но если мы собираемся на основании его показаний управлять поливом нескольких гектаров ягодника, требования становятся совершенно другими.

Поэтому вопрос будет звучать не:

«Какой датчик дешевле?»

И даже не:

«Какой датчик точнее?»

А:

Какое минимально достаточное качество измерения необходимо для принятия конкретного решения?

Самый дорогой датчик нам тоже не нужен

Есть и другая крайность.

Можно купить лабораторный или профессиональный прибор с характеристиками значительно лучше тех, которые реально требуются нашей задаче.

Но если относительно недорогой прибор обеспечивает необходимое качество измерения, многократная переплата только ради дополнительного знака после запятой может не иметь никакого практического смысла.

Поэтому ещё один принцип Fermozavr:

Не минимальная цена и не максимальная точность. Нам нужна минимальная разумная стоимость измерения, которому достаточно доверять для конкретной задачи.

Иногда это окажется датчик за несколько сотен рублей.

Иногда — за несколько тысяч.

А иногда выяснится, что дешёвого решения конкретной задачи просто нет.

Мы постараемся честно показывать эту границу.

Точность датчика — ещё не точность измерения

Это одна из ключевых идей проекта.

Предположим, производитель обещает:

Accuracy: ±0,2 °C.

Кажется, что вопрос решён.

Но теперь вынесем датчик летом на солнце.

Сам датчик и его корпус начинают поглощать солнечное излучение и нагреваться.

В результате прекрасно откалиброванный прибор вполне способен сообщить:

+34,2 °C

когда реальная температура окружающего воздуха значительно ниже.

Датчик при этом может быть полностью исправен.

Мы просто неправильно организовали измерение.

Именно поэтому нас будут интересовать не только характеристики сенсора.

Будем разбираться с:

• радиационными экранами;
• вентиляцией;
• высотой установки;
• местом установки;
• корпусами;
• конденсатом;
• кабелями;
• электромагнитными помехами;
• питанием;
• загрязнением;
• калибровкой;
• старением.

Хороший датчик можно испортить плохой установкой.

И наоборот — грамотно построенная измерительная система иногда позволяет получить очень хорошие результаты с относительно недорогим оборудованием.

Мы будем проверять

Характеристики из документации производителя будут для нас отправной точкой, но не окончательным ответом.

Если выбираем несколько датчиков температуры — положим их рядом и посмотрим, что они покажут.

Если исследуем влажность — попробуем создать контрольные точки.

Если датчик должен работать при высокой влажности — посмотрим, что произойдёт после конденсации.

Если производитель обещает большую дальность LoRa — выйдем в поле и измерим RSSI, SNR и количество потерянных пакетов.

Если рассчитываем солнечное питание — сначала измерим реальное энергопотребление устройства.

Если корпус заявлен как герметичный — посмотрим, что окажется внутри него после длительной эксплуатации.

А когда система выйдет в поле, лабораторные испытания вообще перестанут быть окончательным ответом.

«Работает» — слишком неопределённое понятие

Поэтому у оборудования и наших собственных устройств постепенно появятся понятные статусы.

ИССЛЕДУЕМ

Устройство или технология рассматриваются как кандидат. Окончательного решения пока нет.

ЛАБОРАТОРНО ПРОВЕРЕНО

Мы провели определённый набор контролируемых испытаний и опубликовали их условия и результаты.

ПОЛЕВЫЕ ИСПЫТАНИЯ

Оборудование работает в реальных условиях хозяйства.

ПРОВЕРЕНО СЕЗОН

Устройство прошло полноценный период реальной эксплуатации.

Это не сертификаты и не замена метрологической поверке.

Это способ показать читателю, на каком количестве собственного опыта основаны наши выводы.

И мы можем ошибаться

Это тоже часть проекта.

Мы не знаем заранее, какой датчик окажется лучшим.

Не знаем, сколько реально проработает конкретный аккумулятор зимой.

Не знаем, какую дальность покажет LoRa именно в наших условиях.

И вполне возможно, что устройство, прекрасно прошедшее лабораторные испытания, через несколько месяцев в поле обнаружит недостаток, о котором мы даже не думали.

В таком случае правильным результатом эксперимента будет не:

«Всё отлично работает».

А:

«Мы ошиблись. Давайте разберёмся почему».

Старый материал при этом не должен исчезнуть.

Мы дополним его результатами эксплуатации и объясним, что изменили в следующей версии.

Именно такие данные со временем могут оказаться значительно полезнее очередного идеального DIY-проекта, который включили на столе на десять минут.

У каждого законченного решения будет BOM

Когда мы выбираем оборудование для очередного узла, публикуем полный Bill of Materials.

Не абстрактное:

понадобится ESP32 и какой-нибудь датчик температуры.

А конкретно:

Компонент	Что используем	Зачем
Датчик	конкретная модель	измерение
Контроллер	конкретная модель	обработка
Корпус	конкретный тип	защита
Разъём	конкретный тип	обслуживание
Кабель	тип и сечение	подключение
Питание	конкретное решение	автономность

И рядом обязательно:

Почему именно это?

Какие варианты рассматривали.

Почему некоторые отвергли.

Какие альтернативы допустимы.

Какие ограничения имеет выбранное решение.

Так конструкцию можно будет либо повторить один в один, либо осознанно изменить.

Сначала данные. Потом аналитика, автоматизация и ИИ

Очень хочется быстро получить красивую схему:

датчики → искусственный интеллект → полностью автономная ферма.

Но если исходные данные неправильные, искусственный интеллект не исправит ситуацию.

Поэтому порядок другой:

1. Измерение.
2. Проверка качества этого измерения.
3. Передача.
4. Хранение.
5. Аналитика.
6. Модели и правила.
7. Искусственный интеллект, если он здесь действительно нужен.
8. Рекомендация.
9. Автоматизация.

Иногда выяснится, что AI вообще не нужен.

Если насос необходимо выключить при аварийном падении давления, хороший датчик и простое детерминированное правило могут быть гораздо надёжнее нейросети.

ИИ должен появляться там, где он действительно способен дать дополнительную пользу.

Ферма как источник миллионов измерений

Представим систему через некоторое время.

Каждую минуту она получает погоду, почву, воду и состояние оборудования: температуру и влажность воздуха, солнечную радиацию, ветер, осадки, температуру и влажность почвы, водный потенциал, давление, расход, уровень, EC, pH, а также работу насосов, клапанов и остальной техники.

Через несколько месяцев это уже огромный массив данных.

Человек физически не будет постоянно рассматривать сотни графиков.

Компьютер — может.

И здесь начинается действительно интересная часть проекта.

ИИ как аналитик фермы

Обычная система мониторинга прекрасно отвечает на вопрос:

Что произошло?

Например:

Температура воздуха: +2,4 °C.

ИИ и аналитические модели потенциально позволяют задавать значительно более интересные вопросы:

Почему температура здесь падает быстрее, чем на другой части поля?

Это нормальное изменение влажности почвы или проблема с датчиком?

Почему после полива один участок отреагировал иначе?

Есть ли в данных необычное поведение?

Какие изменения произошли на ферме за последние сутки?

Вместо простого:

«Температура +2,4 °C»

система со временем сможет сообщить:

«За последние 40 минут температура в нижней части участка падает значительно быстрее остальных точек. Если тенденция сохранится, там раньше других могут возникнуть условия для заморозка».

Или:

«Клапан участка №3 открыт уже 27 минут. Расход соответствует обычному, но датчики почвы практически не показывают изменения влажности. Стоит проверить распределение воды или положение датчиков».

Или:

«Расход воды увеличился, хотя число работающих зон не изменилось. Стоит проверить систему на возможную утечку».

Это уже совершенно другой уровень мониторинга.

Искать то, что мы не попросили искать

Классическая автоматика работает по заранее заданным правилам: давление упало ниже порога — включилась тревога. И это правильно.

Но реальная ферма сложнее.

Иногда проблема проявляется сразу в нескольких слабых сигналах. Давление немного снизилось. Расход немного вырос. Влажность почвы изменилась не так, как обычно. Насос работает дольше.

Ни один показатель отдельно ещё не пересёк аварийный порог.

Но вместе они могут говорить:

что-то происходит.

Поиск подобных аномалий станет одним из направлений наших экспериментов с машинным обучением и ИИ.

ИИ как интерфейс к данным

Есть и значительно более простое, но чрезвычайно полезное применение.

Вместо поиска нужного графика фермер сможет спросить систему обычным языком:

Что происходило ночью?

Где сейчас самая сухая почва?

Были ли за последнюю неделю проблемы с поливом?

Сравни сегодняшний день с таким же периодом прошлого сезона.

Сколько воды получил участок №7 за последние три дня?

Почему вчера пришло предупреждение?

Покажи точки, где ночью температура опускалась ниже +2 °C.

ИИ здесь не заменяет базу данных и математические расчёты.

Он становится удобным интерфейсом между человеком и большим массивом информации.

Следить нужно и за самими датчиками

Есть ещё одна задача.

Нужно контролировать не только ферму.

Нужно контролировать систему, которая следит за фермой.

Представим пять температурных датчиков на разных участках хозяйства.

Один из них постепенно начинает отклоняться относительно остальных: сначала на 0,1 °C, потом на 0,2, 0,3, 0,5 и 0,7 °C.

Это может быть реальное изменение микроклимата.

А может быть загрязнение, изменение условий установки или постепенный дрейф самого датчика.

Если смотреть только на его показания, заметить проблему сложно.

Но система может одновременно анализировать:

• соседние станции;
• историю самого датчика;
• корреляцию с другими измерениями;
• скорость изменения показаний;
• результаты предыдущих проверок и калибровок;
• напряжение питания;
• качество связи;
• количество ошибок;
• перезагрузки контроллера.

И обнаружить, что поведение конкретного устройства стало необычным.

Например:

Датчик T03 последние семь суток систематически отклоняется от соседних станций. Рекомендуется контрольная проверка.

При нескольких датчиках это удобно.

При нескольких десятках или сотнях — становится практически необходимым.

Так появляется ещё одно направление проекта:

предиктивная диагностика самой измерительной системы.

Камера — тоже датчик

Со временем к обычным числовым измерениям добавятся изображения.

Причём камера интересна нам не только как средство видеонаблюдения.

Она тоже может стать измерительным инструментом.

Мы хотим постепенно исследовать:

• обычные RGB-камеры;
• тепловизоры;
• камеры глубины;
• NIR;
• возможно, мультиспектральные методы.

Это открывает совершенно другой класс задач.

Например:

• обнаружение стресса растений;
• поиск признаков заболеваний;
• оценка развития растений;
• подсчёт плодов;
• оценка размера плодов;
• контроль созревания;
• анализ состояния отдельных участков;
• оценка урожая.

Особенно интересно будет объединить изображения с остальными данными.

Не просто показать нейросети фотографию растения, а дать системе контекст: погоду, почву, полив, температуру растения, само изображение и историю участка. Анализ начинается только когда эти источники лежат рядом.

Например, изменение внешнего вида растения само по себе может иметь множество причин.

Но если одновременно известны история температуры, влажность почвы, солнечная радиация, полив и температура листа, задача становится значительно интереснее.

До этого этапа нам ещё предстоит дойти.

Ферма постепенно получит память

Если система проработает не несколько дней, а несколько сезонов, возникает ещё одна интересная возможность.

Она начинает накапливать историю конкретного хозяйства.

Не абстрактного среднего хозяйства.

Именно этого поля.

Этой почвы.

Этой системы полива.

Этих растений.

Например, можно будет узнать:

• как быстро конкретный участок высыхает после полива;
• как различные зоны реагируют на жару;
• где обычно раньше всего возникает риск заморозка;
• сколько времени воде требуется, чтобы достигнуть определённой глубины;
• насколько отличается расход воды в разные периоды сезона;
• какие отклонения обычно предшествуют неисправности насоса;
• как менялся микроклимат участка от сезона к сезону.

И тогда вместо универсального:

«Обычно рекомендуется...»

постепенно может появиться:

«Именно это хозяйство в похожих условиях обычно ведёт себя так...»

Это потенциально одно из наиболее интересных применений накопленных данных и ИИ во всём проекте.

Но ИИ не должен бесконтрольно управлять фермой

Здесь мы сразу установим ещё одно правило.

ИИ может анализировать, искать аномалии, объяснять данные и предлагать действия. Критически важная автоматика должна оставаться контролируемой и иметь независимые ограничения безопасности.

Мы не хотим получить ситуацию:

«ИИ решил, что растениям суховато, поэтому самостоятельно включил насос на шесть часов».

Насосы, клапаны, отопление, вентиляция и другое оборудование должны иметь собственные:

• допустимые диапазоны работы;
• аварийные ограничения;
• watchdog;
• контроль выполнения команд;
• контроль результата;
• защиту оборудования;
• ручной режим.

ИИ может рекомендовать:

«По совокупности данных стоит рассмотреть полив участка №4».

А автоматическая система уже проверит:

есть ли вода → исправен ли насос → допустимо ли давление → разрешён ли сейчас полив → не превышен ли лимит → нормально ли работает расходомер.

И только после этого действие вообще может быть разрешено.

Чем серьёзнее последствия команды, тем меньше она должна зависеть от вероятностного решения модели.

Возможно, часть ИИ будет работать прямо на ферме

Есть ещё один интересный вопрос, который мы обязательно исследуем:

обязательно ли отправлять данные в облако?

Не всегда.

Часть обработки можно выполнять непосредственно на хозяйстве.

Например, датчики отдают данные на местный сервер. На нём же живут MQTT, InfluxDB, Grafana, правила, поиск аномалий и, если она понадобится, локальная модель.

Тогда даже при полном исчезновении интернета ферма продолжит:

• собирать данные;
• хранить историю;
• контролировать оборудование;
• обнаруживать аварийные ситуации;
• выполнять базовую аналитику.

Интернет потребуется для удалённого доступа, синхронизации или использования внешних сервисов, но не обязательно для базовой работы хозяйства.

Мы отдельно проверим, где разумнее использовать локальные модели, где облачные, а где никакой AI вообще не нужен.

Одна ферма — слишком мало

Есть ещё одна идея, без которой этот проект был бы значительно менее интересным.

Мы не хотим проводить все испытания только на одной ферме.

Условия эксплуатации сельскохозяйственного оборудования слишком разные.

То, что прекрасно работает у нас, может совершенно иначе вести себя:

• в другом климате;
• на другом типе почвы;
• в теплице;
• на открытом ягоднике;
• на юге;
• в северном регионе;
• при высокой влажности;
• при зимней температуре −30 °C.

Поэтому Fermozavr DIY мы хотим сделать открытым распределённым полевым экспериментом, а не испытанием на одном участке.

Не обязательно строить всю систему

Можно принять участие только в одном небольшом эксперименте.

Например:

• собрать устройство по опубликованному BOM;
• поставить определённый датчик рядом с профессиональной метеостанцией;
• повторить тест LoRa;
• проверить устройство зимой;
• испытать корпус;
• сравнить два датчика влажности почвы;
• провести контрольное измерение профессиональным прибором;
• предоставить данные уже существующей метеостанции для сравнения;
• повторить нашу методику на другом типе почвы.

Главное — использовать одинаковую или документированную методику.

Тогда результаты разных участников действительно можно будет сравнивать.

Представьте масштаб

Один датчик на одной ферме даёт интересный эксперимент.

Но представим двадцать хозяйств в восьми регионах: разные культуры, разные почвы, полсотни устройств и полный сезон наблюдений. К концу сезона это уже миллионы измерений.

Вот тогда начинается действительно интересная исследовательская работа.

Можно анализировать:

• стабильность датчиков;
• дрейф;
• процент отказов;
• влияние температуры;
• влияние влажности;
• проблемы питания;
• качество связи;
• долговечность корпусов;
• различия между партиями оборудования.

Именно здесь аналитика и машинное обучение могут оказаться особенно полезными.

Нам нужны не только успешные результаты

Это принципиально.

Если из двадцати одинаковых датчиков три вышли из строя — это результат.

Если устройство работает в Краснодарском крае, но постоянно отказывает зимой в Татарстане — это результат.

Если участник получил совершенно другие данные, чем остальные, — это не повод выбрасывать его измерения.

Нужно понять почему.

Возможно, проблема в установке.

Возможно, в почве.

Возможно, в конкретной партии датчиков.

А возможно, мы обнаружили явление, которого вообще не ожидали.

Поэтому задача совместных экспериментов — не доказать, что Fermozavr был прав.

Задача — выяснить, что происходит на самом деле.

Данные совместных экспериментов

Если распределённый эксперимент заработает, мы хотим публиковать его результаты.

Разумеется, с согласия участников и без раскрытия информации о хозяйстве, которую владелец не хочет публиковать.

Например:

Fermozavr T/RH Node v1

37 устройств 14 хозяйств 9 регионов 6 климатических зон 4 830 суток суммарной эксплуатации 3 отказа 2 случая существенного дрейфа

И далее — подробный анализ.

Тогда фраза:

«Проверено Fermozavr»

со временем сможет означать не:

«Мы включили устройство, и оно заработало».

А:

«У нас накоплена документированная история его реальной эксплуатации».

Вот к этому уровню хотелось бы прийти.

Можно предложить собственный эксперимент

Мы открыты и для идей.

Если у вас уже есть:

• профессиональная метеостанция;
• интересный датчик;
• оборудование для калибровки;
• автоматическая система полива;
• теплица;
• холодильная камера;
• RTK;
• тепловизор;
• собственные многолетние данные;

или просто существует проблема на хозяйстве, которую интересно попробовать решить измерениями, — расскажите о ней.

Возможно, именно она станет одним из следующих экспериментов Fermozavr.

Что в итоге должна знать наша ферма

Постепенно мы хотим научиться отвечать на вполне практические вопросы.

Погода

Что сейчас происходит именно на нашем участке?

Есть ли риск заморозка?

Сколько выпало осадков?

Можно ли проводить обработку?

Сколько солнечной энергии получил участок?

Как быстро меняются условия?

Почва

Сколько воды находится в корневой зоне?

На какой глубине?

Как быстро она расходуется?

Насколько эта вода доступна растению?

Дошёл ли полив до необходимой глубины?

Насколько разные части поля отличаются друг от друга?

Вода

Работает ли насос?

Есть ли необходимое давление?

Какой реальный расход?

Сколько воды получил конкретный участок?

Нет ли утечки или повреждения магистрали?

Соответствует ли фактический полив запланированному?

Растение

Каков микроклимат непосредственно внутри растительного полога?

Сколько времени лист оставался влажным?

Есть ли условия для развития заболевания?

Можно ли обнаружить водный стресс раньше, чем его заметит человек?

Как меняется состояние растения в течение сезона?

Оборудование

Все ли датчики работают?

Не появился ли дрейф?

Не ухудшилась ли связь?

Не изменилось ли энергопотребление?

Не начал ли насос вести себя необычно?

Не появилось ли отклонение, которое пока ещё не привело к аварии?

Начинаем зимой, чтобы весной выйти в поле

Конец сезона для такого проекта подходит почти идеально.

Есть время спокойно разобраться с измерениями.

Заказать оборудование.

Сравнить датчики.

Собрать первые устройства.

Написать программное обеспечение.

Проверить корпуса.

Настроить хранение данных.

Провести лабораторные испытания.

Исправить ошибки.

А когда начнётся новый сезон, система должна постепенно переместиться из мастерской на настоящую ферму.

Именно там начнётся самая интересная часть проекта.

Сколько будет материалов?

Мы не знаем.

И специально не хотим заранее устанавливать число.

Это не курс:

«Умная ферма за 20 уроков».

Это инженерный проект.

У него есть направление и последовательность, но количество остановок заранее неизвестно.

Если во время испытаний обнаружится интересная проблема — разберём её отдельно.

Если два похожих датчика неожиданно поведут себя совершенно по-разному — проведём дополнительный эксперимент.

Если читатели заметят ошибку — проверим.

Если через полгода обнаружится недостаток решения, которое сегодня кажется хорошим, — вернёмся к нему.

Кроме больших материалов будут небольшие эксперименты, сравнительные тесты, заметки и короткие видео.

То есть мы хотим показывать не только конечный результат.

Мы хотим показать сам процесс инженерной работы.

Первый вопрос будет очень простым

Итак, у нас большие планы.

Погода.

Почва.

Полив.

Автоматизация.

Компьютерное зрение.

Искусственный интеллект.

Распределённая сеть полевых экспериментов.

Но начинать со всего этого одновременно было бы большой ошибкой.

Поэтому начнём с очень простого вопроса:

Какая сейчас температура воздуха на ферме?

Можно купить цифровой датчик за несколько сотен рублей.

Подключить его к контроллеру.

И получить:

23,47 °C.

Два знака после запятой выглядят весьма убедительно.

Но означают ли они, что температура действительно равна 23,47 °C?

А если положить рядом ещё три исправных датчика и получить 22,91 °C, 23,47 °C, 23,80 °C и 24,12 °C?

Которому верить?

Почему они показывают разное?

Что означает заявленная производителем погрешность?

Чем точность отличается от разрешения?

Что такое повторяемость?

Что такое дрейф?

Как проверить датчик?

И главное:

что нужно сделать, чтобы цифре на экране можно было доверить реальное решение на ферме?

С этого и начнём.

В следующем материале Fermozavr разберёмся, что на самом деле означает слово «точность», выберем первые датчики для испытаний и начнём собирать нашу первую настоящую измерительную систему.

Куда писать

Если хотите участвовать, напишите на info@fermozavr.ru.

В письме достаточно коротко рассказать, где находится хозяйство, что вы выращиваете, какое оборудование уже стоит и какое измерение вам интересно. Не обязательно быть инженером и не обязательно собирать всю систему. Иногда хватит одного датчика на вашей ферме, нескольких месяцев данных с метеостанции или возможности сравнить наш прибор с вашим.

Новости цикла и короткие заметки с испытаний публикуем в канале «Фермозавр». Рядом с каналом есть закрытая группа: туда добавляем тех, кто написал и готов повторять эксперименты. Обсуждение хода работ идёт там, а не в комментариях под каждой статьёй.

Если всё получится, это будет не просто серия статей. Это будет открытая распределённая лаборатория сельскохозяйственных технологий, где устройства проверяются эксплуатацией, а не десятиминутным включением на столе.

Fermozavr DIY начинается.