This commit is contained in:
s444426 2020-06-09 22:06:04 +02:00
parent c7ebf5b1b7
commit 1b24a853af
24 changed files with 10 additions and 873 deletions

7
ID3.py
View File

@ -1,7 +1,6 @@
import pandas as pd import pandas as pd
import numpy as np import numpy as np
from pprint import pprint from data import dataset
import dataset
training_data = pd.DataFrame(data=dataset.training_data, columns=dataset.header) training_data = pd.DataFrame(data=dataset.training_data, columns=dataset.header)
testing_data = pd.DataFrame(data=dataset.testing_data, columns=dataset.header) testing_data = pd.DataFrame(data=dataset.testing_data, columns=dataset.header)
@ -96,12 +95,12 @@ def ID3(data, original_data, features, target_attribute_name="label", parent_nod
return (tree) return (tree)
def predict(query, tree, default='beetroot'): def predict(query, tree, default='none'):
""" """
Przeszukiwanie drzewa w celu przewidzenia wartości atrybutu "label". Przeszukiwanie drzewa w celu przewidzenia wartości atrybutu "label".
W przypadku, gdy dane wejściowe nie pokrywają się z żadnymi wartościami w drzewie W przypadku, gdy dane wejściowe nie pokrywają się z żadnymi wartościami w drzewie
(np pH ziemi zostanie sklasyfikowane jako 'strongly acidic', a dane uczące nie obejmują rekordów dla takiej wartości), (np pH ziemi zostanie sklasyfikowane jako 'strongly acidic', a dane uczące nie obejmują rekordów dla takiej wartości),
wówczas przewidywana zostaje wartość domyślna, w tym przypadku jest to burak jako warzywo o najmniejszych wymaganiach. wówczas przewidywana zostaje wartość domyślna.
""" """
for key in list(query.keys()): for key in list(query.keys()):

View File

@ -1,157 +0,0 @@
import pandas as pd
import numpy as np
from pprint import pprint
import dataset
training_data = pd.DataFrame(data=dataset.training_data, columns=dataset.header)
testing_data = pd.DataFrame(data=dataset.testing_data, columns=dataset.header)
def entropy(target_col):
"""
Obliczenie warości entropii dla wskazanej kolumny
"""
values, counts = np.unique(target_col, return_counts=True)
entropy = np.sum(
[(-counts[i] / np.sum(counts)) * np.log2(counts[i] / np.sum(counts)) for i in range(len(values))])
return entropy
def info_gain(data, split_attribute_name, target_name="label"):
"""
Obliczenie wartości przyrostu informacji dla wskazanego atrybutu (split_attribute_name)
w podanym zbiorze (data)
"""
# Wartość entropii zbioru
total_entropy = entropy(data[target_name])
# Wyodrębnienie poszczególnych "podzbiorów"
vals, counts = np.unique(data[split_attribute_name], return_counts=True)
# Średnia ważona entropii każdego podzbioru
weighted_entropy = np.sum(
[(counts[i] / np.sum(counts)) * entropy(data.where(data[split_attribute_name] == vals[i]).dropna()[target_name])
for i in range(len(vals))])
# Przyrost informacji
information_gain = total_entropy - weighted_entropy
return information_gain
def ID3(data, original_data, features, target_attribute_name="label", parent_node_class=None):
"""
Algorytm ID3
parametry:
data zbiór danych, dla którego poszukujemy drzewa decyzyjnego
original_data oryginalny zbiór danych (zwracany gdy data == None)
features lista atrybutów wejściowego zbioru
target_attribute_name docelowy atrybut, który chcemy przewidzieć
parent_node_class nadrzędna wartość
"""
# Jeżeli wszystkie atrybuty są takie same, zwracamy liść z pierwszą napotkaną wartością
if len(np.unique(data[target_attribute_name])) <= 1:
return np.unique(data[target_attribute_name])[0]
elif len(data) == 0:
return np.unique(original_data[target_attribute_name])[
np.argmax(np.unique(original_data[target_attribute_name], return_counts=True)[1])]
elif len(features) == 0:
return parent_node_class
else:
# Aktualizacja nadrzędnej wartości
parent_node_class = np.unique(data[target_attribute_name])[
np.argmax(np.unique(data[target_attribute_name], return_counts=True)[1])]
# Obliczenie przyrostu informacji dla każdego potencjalnego atrybutu,
# według którego nastąpi podział zbioru
item_values = [info_gain(data, feature, target_attribute_name) for feature in
features]
# Najlepszym atrybutem jest ten o największym przyroście informacji
best_feature_index = np.argmax(item_values)
best_feature = features[best_feature_index]
# Struktura drzewa
tree = {best_feature: {}}
# Aktualizacja zbioru atrybutów
features = [i for i in features if i != best_feature]
# Dla każdej wartości wybranego atrybutu budujemy kolejne poddrzewo
for value in np.unique(data[best_feature]):
sub_data = data.where(data[best_feature] == value).dropna()
subtree = ID3(sub_data, data, features, target_attribute_name, parent_node_class)
tree[best_feature][value] = subtree
return (tree)
def predict(query, tree, default='beetroot'):
"""
Przeszukiwanie drzewa w celu przewidzenia wartości atrybutu "label".
W przypadku, gdy dane wejściowe nie pokrywają się z żadnymi wartościami w drzewie
(np pH ziemi zostanie sklasyfikowane jako 'strongly acidic', a dane uczące nie obejmują rekordów dla takiej wartości),
wówczas przewidywana zostaje wartość domyślna, w tym przypadku jest to burak jako warzywo o najmniejszych wymaganiach.
"""
for key in list(query.keys()):
if key in list(tree.keys()):
try:
result = tree[key][query[key]]
except:
return default
result = tree[key][query[key]]
if isinstance(result, dict):
return predict(query, result)
else:
return result
def test(data, tree):
# Wartości docelowych atrybutów (nazwy warzyw) zostają usunięte
queries = data.iloc[:, :-1].to_dict(orient="records")
# Przewidywane wartości atrybutów
predicted = pd.DataFrame(columns=["predicted"])
# Obliczenie precyzji przewidywań
for i in range(len(data)):
predicted.loc[i, "predicted"] = predict(queries[i], tree, 'beetroot')
print('Precyzja przewidywań: ', (np.sum(predicted["predicted"] == data["label"]) / len(data)) * 100, '%')
def predict_data(data):
"""
Funkcja dostosowana do formatu danych, jakimi dysponuje traktor
'data' jest tutaj listą, która zostaje przekonwertowana do postaci słownika,
aby możliwe było wywołanie procedury 'predict'.
Wyniki zostają zwrócone w postaci listy.
"""
queries = pd.DataFrame(data=data, columns=dataset.header)
predicted = pd.DataFrame(columns=["predicted"])
dict = queries.iloc[:, :-1].to_dict(orient="records")
for i in range(len(data)):
predicted.loc[i, "predicted"] = predict(dict[i], tree, 'beetroot')
predicted_list = predicted.values.tolist()
return predicted_list
# tworzenie, wyświetlanie i testowanie drzewa
tree = ID3(training_data, training_data, training_data.columns[:-1])
#pprint(tree)
#test(testing_data, tree)

View File

@ -1,26 +0,0 @@
from plant_upgrade import Plant
from datetime import datetime
class Beetroot(Plant):
def __init__(self, collect):
super().__init__('beetroot', collect)
self._wasFertilized = False # roslina nie byla nawozona przy tworzeniu
# zwraca czy zbierać rośline
def collect(self):
if self.have_soil():
if self._collect < 95:
return 'False'
elif 95 <= self._collect <= 115:
return 'True'
elif self._collect > 115:
return 'Delete'
# zwraca czy nawozić
def fertillizing(self):
if 35 <= self._collect <= 50:
return True
else:
return False

View File

@ -1,26 +0,0 @@
from plant_upgrade import Plant
from datetime import datetime
class Cabbage(Plant):
def __init__(self, collect):
super().__init__('cabbage', collect)
self._wasFertilized = False # roslina nie byla nawozona przy tworzeniu
# zwraca czy zbierać rośline
def collect(self):
if self.have_soil():
if self._collect < 85:
return 'False'
elif 85 <= self._collect <= 100:
return 'True'
elif self._collect > 100:
return 'Delete'
# zwraca czy nawozić
def fertillizing(self):
if 30 <= self._collect <= 45:
return True
else:
return False

View File

@ -1,26 +0,0 @@
from plant_upgrade import Plant
from datetime import datetime
class Carrot(Plant):
def __init__(self, collect):
super().__init__('carrot', collect)
self._wasFertilized = False # roslina nie byla nawozona przy tworzeniu
# zwraca czy zbierać rośline
def collect(self):
if self.have_soil():
if self._collect < 90:
return 'False'
elif 90 <= self._collect <= 105:
return 'True'
elif self._collect > 105:
return 'Delete'
# zwraca czy nawozić
def fertillizing(self):
if 30 <= self._collect <= 50:
return True
else:
return False

View File

@ -1,113 +0,0 @@
from soil_upgrade import Soil
from carrot_upgrade import Carrot
from beetroot_upgrade import Beetroot
from cabbage_upgrade import Cabbage
header = ['previous', 'soil pH', 'dry level', 'label']
training_data = [
['carrot', 'alkaline', 'dry', 'beetroot'],
['carrot', 'slightly acidic', 'dry', 'beetroot'],
['cabbage', 'alkaline', 'dry', 'beetroot'],
['none', 'alkaline', 'dry', 'beetroot'],
['carrot', 'slightly acidic', 'medium wet', 'beetroot'],
['none', 'slightly acidic', 'dry', 'beetroot'],
['pumpkin', 'neutral', 'dry', 'beetroot'],
['beetroot', 'neutral', 'dry', 'beetroot'],
['cabbage', 'alkaline', 'medium wet', 'beetroot'],
['none', 'slightly acidic', 'medium wet', 'beetroot'],
['cabbage', 'acidic', 'dry', 'carrot'],
['none', 'acidic', 'medium wet', 'carrot'],
['carrot', 'neutral', 'dry', 'carrot'],
['beetroot', 'slightly acidic', 'dry', 'carrot'],
['pumpkin', 'acidic', 'medium wet', 'carrot'],
['beetroot', 'acidic', 'medium wet', 'carrot'],
['carrot', 'neutral', 'dry', 'carrot'],
['pumpkin', 'slightly acidic', 'medium wet', 'carrot'],
['beetroot', 'neutral', 'wet', 'pumpkin'],
['none', 'neutral', 'wet', 'pumpkin'],
['carrot', 'slightly acidic', 'wet', 'pumpkin'],
['pumpkin', 'neutral', 'wet', 'pumpkin'],
['cabbage', 'slightly acidic', 'medium wet', 'pumpkin'],
['carrot', 'neutral', 'wet', 'pumpkin'],
['cabbage', 'neutral', 'wet', 'pumpkin'],
['none', 'slightly acidic', 'wet', 'pumpkin'],
['beetroot', 'slightly acidic', 'medium wet', 'pumpkin'],
['carrot', 'neutral', 'medium wet', 'cabbage'],
['pumpkin', 'alkaline', 'wet', 'cabbage'],
['none', 'alkaline', 'medium wet', 'cabbage'],
['beetroot', 'neutral', 'medium wet', 'cabbage'],
['cabbage', 'slightly acidic', 'wet', 'cabbage'],
['none', 'neutral', 'medium wet', 'cabbage'],
['cabbage', 'neutral', 'medium wet', 'cabbage'],
['carrot', 'alkaline', 'wet', 'cabbage'],
['none', 'alkaline', 'wet', 'cabbage'],
['pumpkin', 'neutral', 'medium wet', 'cabbage'],
['carrot', 'neutral', 'soaking wet', 'none'],
['beetroot', 'alkaline', 'very dry', 'none'],
['none', 'alkaline', 'soaking wet', 'none'],
['cabbage', 'acidic', 'medium wet', 'none'],
['pumpkin', 'acidic', 'soaking wet', 'none'],
['cabbage', 'slightly acidic', 'soaking wet', 'none'],
['none', 'slightly acidic', 'soaking wet', 'none'],
['carrot', 'neutral', 'very dry', 'none'],
['carrot', 'acidic', 'medium wet', 'none'],
['pumpkin', 'neutral', 'soaking wet', 'none']
]
testing_data = [
['beetroot', 'neutral', 'dry', 'beetroot'],
['cabbage', 'alkaline', 'medium wet', 'beetroot'],
['none', 'slightly acidic', 'medium wet', 'beetroot'],
['cabbage', 'acidic', 'dry', 'carrot'],
['none', 'acidic', 'medium wet', 'carrot'],
['carrot', 'neutral', 'dry', 'carrot'],
['beetroot', 'neutral', 'wet', 'pumpkin'],
['none', 'neutral', 'wet', 'pumpkin'],
['carrot', 'slightly acidic', 'wet', 'pumpkin'],
['carrot', 'neutral', 'medium wet', 'cabbage'],
['pumpkin', 'alkaline', 'wet', 'cabbage'],
['none', 'alkaline', 'medium wet', 'cabbage'],
['carrot', 'neutral', 'soaking wet', 'none'],
['beetroot', 'alkaline', 'very dry', 'none'],
['none', 'alkaline', 'soaking wet', 'none'],
]
def create_data_soil():
all_soil = []
soil = Soil(6.5, 0.5)
plant = Cabbage(100)
soil.add_plant(plant)
all_soil.append(soil)
soil = Soil(4.6, 0.7)
plant = Carrot(100)
soil.add_plant(plant)
all_soil.append(soil)
soil = Soil(5.6, 0.6)
all_soil.append(soil)
soil = Soil(6.1, 0.5)
plant = Beetroot(95)
soil.add_plant(plant)
all_soil.append(soil)
soil = Soil(6.5, 0.4)
plant = Cabbage(90)
soil.add_plant(plant)
all_soil.append(soil)
soil = Soil(6.0, 0.5)
all_soil.append(soil)
soil = Soil(7.1, 0.5)
plant = Cabbage(80)
soil.add_plant(plant)
all_soil.append(soil)
return all_soil

View File

@ -1,97 +0,0 @@
from ID3 import predict_data
from dataset import create_data_soil
from plant_upgrade import Plant
import pandas as pd
def decide_to_plant(soil):
"""
Z tej funkcji będzie korzystał traktor, aby podjąć decyzję o sadzeniu rośliny.
Kluczowym punktem w tym działaniu jest sprawdzenie, czy w danej ziemi nie rośnie już jakaś roślina,
dopiero po roztrzygnięciu tej kwestii następuje poszukiwanie odpowiedniej rośliny w drzewie decyzyjnym.
"""
if soil.have_plant():
plant = soil.get_plant()
if plant.collect() == 'True':
info = get_info(soil)
plant.leave_soil()
else:
return [['none']]
else:
info = get_info(soil)
data = []
data.append(info)
# Roślina jest gotowa do zbioru lub ziemia jest wolna
predicted = predict_data(data)
grow_a_plant(soil, predicted[0][0])
return predicted
def grow_a_plant(soil, plant_name):
plant = Plant(plant_name)
soil.add_plant(plant)
def get_info(soil):
previous = 'none'
if soil.have_plant():
plant = soil.get_plant()
previous = plant.get_name()
info = [previous, categorize_pH(soil.get_pH()), categorize_dry_level(soil.get_dry_level()), '']
return info
def categorize_pH(pH):
if pH <= 4.5:
return 'strongly acidic'
if 4.5 < pH <= 5.5:
return 'acidic'
if 5.5 < pH <= 6.5:
return 'slightly acidic'
if 6.5 < pH <= 7.2:
return 'neutral'
if 7.2 < pH:
return 'alkaline'
def categorize_dry_level(dry_level):
if dry_level <= 0.1:
return 'soaking wet'
if 0.1 < dry_level <= 0.4:
return 'wet'
if 0.4 < dry_level <= 0.6:
return 'medium wet'
if 0.6 < dry_level <= 0.8:
return 'dry'
if 0.8 < dry_level:
return 'very dry'
"""
Testowanie działania dla argumentów obiektu Soil
"""
all_soil = create_data_soil()
result = []
for soil in all_soil:
predicted = decide_to_plant(soil)
for p in predicted:
if soil.have_plant():
plant = soil.get_plant().get_name()
collect = soil.get_plant().get_collect()
else:
plant = 'none'
collect = '-'
result.append([soil.get_pH(), soil.get_dry_level(), plant, collect, p[0]])
result = pd.DataFrame(data=result, columns=['pH', 'dry level', 'plant', 'ripe', 'prediction'])
#print(result)

View File

@ -1,52 +0,0 @@
from abc import ABC, abstractmethod
class Plant:
def __init__(self, name, collect=0):
super().__init__()
self._soil = -1 # jak tworzymy rosline to nie bedzie ona miala gleby
self._name = name # to nazwa rosliny będzie np. burak
self._collect = collect # nowa roslina jest domyślnie w 0% dojrzala
# to sie drukuje jak zapytamy o stworzony obiekt
def __str__(self):
return f'Plant: {self._name}, Soil: {self._soil}, Status: {self.collect()}'
# metoda abstrakcyjna, kazda roslina ma inny czas rosniecia wiec pass
@abstractmethod
def collect(self):
pass
@abstractmethod
def fertillizing(self):
pass
# pobieramy wspolrzedne roslinki
def get_coordinates(self):
if self.have_soil():
a = self.get_soil()
a.get_coordinates(self) # get coordinates jest metoda w glebie
def get_name(self):
return self._name
def get_collect(self):
return self._collect
# dodajemy glebe
def add_soil(self, soil):
self._soil = soil
# zwraca czy roslinka znajduje sie w ziemii obecnie - jak nie ma gleby to znaczy ze nie jest zasadzona jeszcze albo już.
def have_soil(self):
return self._soil is not -1
# pobieramy jaka ma glebe, gleba tutaj będzie obiektem
def get_soil(self):
return self._soil
# to w przypadku jak bedziemy wyciagac z ziemii roslinke
def leave_soil(self):
if self.have_soil():
self._soil = -1

View File

@ -1,26 +0,0 @@
from plant_upgrade import Plant
from datetime import datetime
class Pumpkin(Plant):
def __init__(self, collect):
super().__init__('pumpkin', collect)
self._wasFertilized = False # roslina nie byla nawozona przy tworzeniu
# zwraca czy zbierać rośline
def collect(self):
if self.have_soil():
if self._collect < 90:
return 'False'
elif 90 <= self._collect <= 110:
return 'True'
elif self._collect > 110:
return 'Delete'
# zwraca czy nawozić
def fertillizing(self):
if 20 <= self._collect <= 45:
return True
else:
return False

View File

@ -1,54 +0,0 @@
from datetime import datetime
class Soil:
def __init__(self, pH, dry):
super().__init__()
self._plant = -1 # nowa gleba nie ma roślinki
self._dry = dry # procent wysuszenia gleby, tworząc nową jest nawodniona w 100%
self._pH = pH
def __str__(self):
if self.have_plant():
return f'pH={self._pH}, dry level={self._dry}, plant={self.get_plant().get_name()}'
else:
return f'soil: pH={self._pH}, dry level={self._dry}, plant=none'
# zasadzenie roślinki
def add_plant(self, plant):
if not self.have_plant():
plant.add_soil(self)
self._plant = plant
# zwraca czy w ziemi znajduje się roślinka
def have_plant(self):
return self._plant != -1
# zwraca roślinkę znajdującą się w ziemii
def get_plant(self):
return self._plant
def get_pH(self):
return self._pH
def get_dry_level(self):
return self._dry
# sprawdza w ilu procentach ziemia jest sucha
def is_dry(self):
self.__drying()
if self._dry < 30:
return 'False'
elif 30 <= self._dry < 70:
return 'Medium'
else:
return 'True'
# usuwa roślinkę z ziemi i ją zwraca
def plant_remove(self):
if self.have_plant():
a = self.get_plant()
a.leave_soil()
self._plant = -1
return a

View File

@ -1,38 +0,0 @@
from plant import Plant
from datetime import datetime
class Beetroot(Plant):
def __init__(self):
super().__init__()
self._wasFertilized = False #roslina nie byla nawozona przy tworzeniu
def add_soil(self, soil):
super().add_soil()
self._starttime = datetime.now()
#zwraca czy zbierać rośline
def collect(self):
if self.have_soil():
self.__growing()
if self._collect < 95:
return 'False'
elif 95 <= self._collect <= 115:
return 'True'
elif self._collect > 115:
return 'Delete'
#zwraca czy nawozić
def fertillizing(self):
if 35 <= self._collect <= 50:
return True
else:
return False
#każde iles czasu zwieksza wzrost rosliny, wywolywana w momencie sprawdzania czy roslina jest gotowa do zbiorow
def __growing(self):
checktime = datetime.now()
delta = checktime - self._starttime
a = delta // 40
self._collect += a
self._starttime = checktime

View File

@ -1,38 +0,0 @@
from plant import Plant
from datetime import datetime
class Cabbage(Plant):
def __init__(self):
super().__init__()
self._wasFertilized = False #roslina nie byla nawozona przy tworzeniu
def add_soil(self, soil):
super().add_soil()
self._starttime = datetime.now()
#zwraca czy zbierać rośline
def collect(self):
if self.have_soil():
self.__growing()
if self._collect < 85:
return 'False'
elif 85 <= self._collect <= 100:
return 'True'
elif self._collect > 100:
return 'Delete'
#zwraca czy nawozić
def fertillizing(self):
if 30 <= self._collect <= 45:
return True
else:
return False
#każde iles czasu zwieksza wzrost rosliny, wywolywana w momencie sprawdzania czy roslina jest gotowa do zbiorow
def __growing(self):
checktime = datetime.now()
delta = checktime - self._starttime
a = delta // 70
self._collect += a
self._starttime = checktime

View File

@ -1,38 +0,0 @@
from plant import Plant
from datetime import datetime
class Carrot(Plant):
def __init__(self, name, ID):
super().__init__(name, ID)
self._wasFertilized = False #roslina nie byla nawozona przy tworzeniu
def add_soil(self, soil):
super().add_soil()
self._starttime = datetime.now()
#zwraca czy zbierać rośline
def collect(self):
if self.have_soil():
self.__growing()
if self._collect < 90:
return 'False'
elif 90 <= self._collect <= 105:
return 'True'
elif self._collect > 105:
return 'Delete'
#zwraca czy nawozić
def fertillizing(self):
if 30 <= self._collect <= 50:
return True
else:
return False
#każde iles czasu zwieksza wzrost rosliny, wywolywana w momencie sprawdzania czy roslina jest gotowa do zbiorow
def __growing(self):
checktime = datetime.now()
delta = checktime - self._starttime
a = delta // 60
self._collect += a
self._starttime = checktime

View File

@ -10,7 +10,7 @@ from sklearn.tree import export_graphviz
def decision(plant,feed,growth,dryness): def decision(plant,feed,growth,dryness):
# czytanie pliku csv # czytanie pliku csv
df = pd.read_csv("data.csv") df = pd.read_csv("data/data.csv")
#print(df) #print(df)
#zmiana słów na cyfry, ponieważ drzewo decyzyjne opiera się na cyfrach #zmiana słów na cyfry, ponieważ drzewo decyzyjne opiera się na cyfrach

View File

@ -56,7 +56,7 @@ class Game(object):
imgs.append(img_dir + '/' + random.choice(os.listdir(img_dir))) imgs.append(img_dir + '/' + random.choice(os.listdir(img_dir)))
#model do rozpoznawania #model do rozpoznawania
model = load_model('moj_model.h5') model = load_model('data/moj_model.h5')
#inicjalizacja #inicjalizacja
pygame.init() pygame.init()
@ -149,9 +149,6 @@ class Game(object):
index = list_of_preds.index(max(list_of_preds)) index = list_of_preds.index(max(list_of_preds))
#print(index) #print(index)
print("kapusta, kalafior, grzyb, dynia\n {}\n".format(preds) )
plt.show()
names = ['cabbage', 'cauliflower', 'mushroom', 'pumpkin'] names = ['cabbage', 'cauliflower', 'mushroom', 'pumpkin']
# decyzja o posadzeniu nowej rośliny następuje wtedy, gdy jest ona dojrzała przynajmniej w 90% # decyzja o posadzeniu nowej rośliny następuje wtedy, gdy jest ona dojrzała przynajmniej w 90%
@ -173,7 +170,9 @@ class Game(object):
dt.decision(2, data_plant[pt][0],data_plant[pt][1],data_plant[pt][2]) dt.decision(2, data_plant[pt][0],data_plant[pt][1],data_plant[pt][2])
if index == 3: if index == 3:
dt.decision(3, data_plant[pt][0],data_plant[pt][1],data_plant[pt][2]) dt.decision(3, data_plant[pt][0],data_plant[pt][1],data_plant[pt][2])
print("kapusta, kalafior, grzyb, dynia\n {}\n".format(preds) )
plt.show()
def krata(self): def krata(self):
#wymiary #wymiary

View File

@ -1,65 +0,0 @@
from abc import ABC, abstractmethod
class Plant:
#tworzymy jakas rosline co ma nazwe,i id. ID powiedzmy ze buraki beda mialy 1, marchewki 2 itd. gleby powiedzmy tez damy 4 i beda mialy id 5-8
def __init__(self, name, ID):
super().__init__()
self._soil = -1 #jak tworzymy rosline to nie bedzie ona miala gleby
self._name = name #to nazwa rosliny będzie np. burak1
self._id = ID #id rosliny buraki bedą mialy 1, i po tym inne obiekty beda rozpoznawac ten obiekt
self._collect = 0 #nowa roslina jest w 0% dojrzala
#to jest jakbysmy usuneli obiekt. zabezpieczenie, zeby gleba pozniej byla wolna
def __del__(self):
self.leave_soil()
#to sie drukuje jak zapytamy o stworzony obiekt
def __str__(self):
return f'Plant: {self._name}, Soil: {self._soil}, Status: {self.collect()}'
#metoda abstrakcyjna, kazda roslina ma inny czas rosniecia wiec pass
@abstractmethod
def collect(self):
pass
@abstractmethod
def fertillizing(self):
pass
@abstractmethod
def growing(self):
pass
#pobieramy wspolrzedne roslinki
def get_coordinates(self):
if self.have_soil():
a = self.get_soil()
a.get_coordinates(self) #get coordinates jest metoda w glebie
#pobieramy id roślinki
def get_id(self):
return self._id
#dodajemy glebe
def add_soil(self, soil):
self._soil = soil
#zwraca czy roslinka znajduje sie w ziemii obecnie - jak nie ma gleby to znaczy ze nie jest zasadzona jeszcze albo już.
def have_soil(self):
return self._soil is not -1
#pobieramy jaka ma glebe, gleba tutaj będzie obiektem
def get_soil(self):
return self._soil
#to w przypadku jak bedziemy wyciagac z ziemii roslinke
def leave_soil(self):
if self.have_soil():
a = self.get_soil()
a.plant_remove() #to bedzie metoda w klasie Soil, bedzie usuwac roslinke z gleby
self._soil = -1

View File

@ -1,38 +0,0 @@
from plant import Plant
from datetime import datetime
class Pumpkin(Plant):
def __init__(self):
super().__init__()
self._wasFertilized = False #roslina nie byla nawozona przy tworzeniu
def add_soil(self, soil):
super().add_soil()
self._starttime = datetime.now()
#zwraca czy zbierać rośline
def collect(self):
if self.have_soil():
self.__growing()
if self._collect < 90:
return 'False'
elif 90 <= self._collect <= 110:
return 'True'
elif self._collect > 110:
return 'Delete'
#zwraca czy nawozić
def fertillizing(self):
if 20 <= self._collect <= 45:
return True
else:
return False
#każde iles czasu zwieksza wzrost rosliny, wywolywana w momencie sprawdzania czy roslina jest gotowa do zbiorow
def __growing(self):
checktime = datetime.now()
delta = checktime - self._starttime
a = delta // 50
self._collect += a
self._starttime = checktime

View File

@ -22,8 +22,8 @@ Klasyfikator działa w głównej pętli while w pliku main.py. Uruchamia się gd
Gdy klasyfikator zakończy swoje działanie, w konsoli pojawia się najbardziej prawdopodobny obiekt znajdujący się na zdjęciu. Zdjęcie pojawia się w osobnym oknie. Po zamknięciu okna mozemy kontynuować sterowanie traktorem za pomocą strzałek. Gdy klasyfikator zakończy swoje działanie, w konsoli pojawia się najbardziej prawdopodobny obiekt znajdujący się na zdjęciu. Zdjęcie pojawia się w osobnym oknie. Po zamknięciu okna mozemy kontynuować sterowanie traktorem za pomocą strzałek.
## Działanie ## Działanie
![uczenie](ss/adamski2.png) <br> ![uczenie](../ss/adamski2.png) <br>
![dzialanie](ss/adamski1.png) ![dzialanie](../ss/adamski1.png)
## Uruchomienie ## Uruchomienie
Instalacja tensorflow <br> Instalacja tensorflow <br>

67
soil.py
View File

@ -1,67 +0,0 @@
from datetime import datetime
class Soil:
def __init__(self, x, y, ID):
super().__init__()
self._id = ID
self._x = x
self._y = y
self._plant = -1 #nowa gleba nie ma roślinki
self._dry = 0 #procent wysuszenia gleby, tworząc nową jest nawodniona w 100%
self._starttime = datetime.now()
def __del__(self):
self.plant_remove()
def __str__(self):
return f'{self._x}, {self._y}), Plant: {self._plant}'
# współrzędne pola
def get_coordinates(self):
return self._x, self._y
# id gleby
def get_id(self):
return self._id
# zasadzenie roślinki
def add_plant(self, plant):
if not self.have_plant():
plant.add_soil(self)
self._plant = plant
# zwraca czy w ziemi znajduje się roślinka
def have_plant(self):
return self._plant is not -1
# zwraca roślinkę znajdującą się w ziemii
def get_plant(self):
return self._soil
#sprawdza w ilu procentach ziemia jest sucha
def is_dry(self):
self.__drying()
if self._dry < 30:
return 'False'
elif 30 <= self._dry < 70:
return 'Medium'
else:
return 'True'
#metoda wysuszajaca ziemie. dodaje wysuszenie do ziemi, wywolywana w momencie sprawdzania czy ziemia jest sucha
def __drying(self):
checktime = datetime.now()
delta = checktime - self._starttime
a = delta //60
self._dry += a
self._starttime = checktime
self.__is_dry()
# usuwa roślinkę z ziemi i ją zwraca
def plant_remove(self):
if self.have_plant():
a = self.get_plant()
a.leave_soil()
self._plant = -1