AI助力豆苗种植

廖少峰 刘晗 伍敏静

项目简介

项目核心问题为“如何便捷、智能地测量土壤湿度，为现代智慧农业生产提供便利？如何根据采集到的作物生长环境数据，智能地进行决策，为农民解忧？”引导学生围绕2 个核心问题，开展项目式学习活动，协助学生实现深层次学习，促进学科核心素养发展和高阶思维技能形成。本项目的学科核心概念及认知目标见图1。

项目规划

基于学生的认知水平，找到能与广东科技出版社《信息技术》5 年级下册第6 课《物联网》结合的生长点，确定项目式学习主题——AI 助力豆苗种植；围绕“现状与创意—探索与创新—交流与反思”主线引导学生实施项目。

项目目标

问题解决

通过思考、自主设计、小组讨论，让创意在“批判”与“接受”的过程中实现。

创造物化

了解“智慧农业”基础性、常识性知识；掌握设计草图绘制、掌控板、物联网（SIoT）、开源硬件编程、机器学习等相关技术；完成活动内容和作品；完成科学记录。

责任担当

遵守活动现场纪律，合理安排活动秩序，尊重他人想法，学会用更好的方式与人交流。

价值体认

学生积极参加科技体验活动，体验创意的乐趣，收获快乐的創客体验。

项目实施

自制土壤湿度信息采集装置

土壤湿度信息采集装置的设计与制作

①构思与设计。小组围绕项目核心问题“如何便捷、智能地测量土壤湿度”展开讨论：需要什么工具、材料、软件，并根据讨论结果，绘制设计图、线路图等，同时准备工具、材料。②添加物联网扩展、编写程序。在Mind+ 扩展模块添加主控板、掌控板，网络服务添加MQTT、Wi-Fi。学生通过编写程序，实现土壤湿度传感器数据实时上传物联网SIoT 平台，同时，掌控板OLED 屏幕显示种子发芽实验，A、B 杯实时显示湿度数值。

种子萌发实验

①筛选种子。选取颗粒饱满的绿豆种子，先浸泡1 天，为发芽作准备。②设置对比实验的条件。将土倒入塑料杯，贴上标签，每个杯子倒入不同量的水搅拌均匀，并放入14 颗绿豆种子。③安装土壤湿度传感器并校准。在教师的指导下，学生通过调整土壤湿度传感器插入土壤的深度，并反复测试向土壤倒入不同水量（200 mL、100 mL、50 mL）后的土壤湿度读数，并调整装置，提高土壤湿度检测的准确率。④监测土壤湿度。向A 杯倒入1 杯水，B 杯倒入1/3 杯水，观察并记录掌控板显示的数值。2 ～ 3 天后，查看绿豆种子是否发芽。

数据收集与归纳

①采集土壤湿度数据。在教师指导下，学生启动SIoT物联网平台，查看设备列表：A 杯土壤湿度，点击查看消息，显示图表，以点线图的方式实时刷新信息，在窗口观察A 杯土壤湿度传感器采集的数值。用同样的方法观察B杯土壤湿度传感器采集的数值。②导出实验数据。完成数据测量后导出结果，并下载至电脑。③整理、分析实验数据。学生利用Excel 表格预测种子发芽率高的土壤湿度范围，并得出结论：相同环境下，土壤湿度不同，种子发芽率不同，随着发芽数量增多，土壤湿度快速降低。

分享与交流

①土壤湿度检测装置功能演示。学生以小组为单位，用讨论会或展览的形式，展示、分享作品。小组分工可包括但不限于PPT 制作组、解说组、产品组及外联组等。②开展作品的问卷调查。学生在展示分享作品过程中，通过填写调查问卷，包括有哪些不足需要改正、哪些地方可用不同的方法实现、哪些地方很满意等，进一步发现本组作品的优点和不足。

机器学习和ID3 算法助力豆苗种植

预测出种子发芽率高的土壤湿度范围，只成功了一半，豆苗生长还受多种因素影响，比如虫害、温度、阳光等。因此，学生将在教师的指导下利用Mind+ 机器学习，让电脑摄像头识别豆苗长势，并作好KNN 分类。当AI 检测到豆苗长势不佳时，电脑便根据实时采集到的各种数据（土壤湿度、温度、光照等），运用ID3 算法，帮助菜农及时作出科学决策。

采集数据

①土壤湿度传感器通过模拟引脚把实时湿度数据传送给掌控板。同时，通过编程，掌控板将实时湿度数据上传物联网SIOT 平台，以便进行土壤湿度的实时远程监测。②通过Mind+ 扩展中的“获取天气”服务，实时采集气温等天气数据。③通过USB 摄像头实时采集豆苗图像（为Mind+ 提供KNN 分类训练，判断豆苗的生长状态）。

数据标注

①在Mind+ 编程平台中，通过建立各种变量标注所采集的数据，如湿度、温度、天晴、多云等。②通过KNN图片分类，实现对豆苗长势的数据标注，如长势良好、长势一般、长势差、有虫害，将摄像头拍摄到的豆苗状态变成计算机能识别的信息。

机器学习

学生通过“喂图片数据”，让Mind+ 进行机器学习，为Mind+ 提供KNN 分类训练，判断豆苗的生长状态。

推理决策

①通过采集各种土壤样本湿度信息，并对照各土壤的绿豆发芽率，得出最适合绿豆发芽的土壤湿度。②在种植豆苗过程中，通过对豆苗生长状态、土壤湿度、天气等数据进行处理，利用ID3 算法（决策树）为劳动者提供种植绿豆芽的智能决策。③在教师指导下，学生了解了ID3 算法，最终采用Mind+ 自带的AI 扩展——ML5 机器学习，让机器反复学习不同长势的豆苗图片（1 000 多张），力求达到仅用1 个USB 摄像头连接电脑就能准确判断豆苗长势的效果。④为了进一步验证技术方案的可靠性，学生开展了对比实验，准备4 盆豆苗（非图片）：正常、有虫害、缺水、缺光照，让电脑识别各豆苗的生长状态。结果表明，机器学习和ID3 算法识别豆苗长势比较准确，能为农民提供较为科学的决策指导。

项目评价

活动过程中及完成后， 对学生的表现进行评价， 以衡量项目的实施效果。评价采取自评、小组互评、过程性评价、结果性评价等多种评价方法相结合的方式进行。