merge

decisiontree.py

@@ -10,7 +10,7 @@ from sklearn.tree import export_graphviz
 def decision(plant,feed,growth,dryness):
 
     # czytanie pliku csv 
-    df = pd.read_csv("C:\DATA\#Mike\#Studia\#Rok II- Semestr II\#Sztuczna_inteligencja\Projekt\AIProjekt\data.csv")
+    df = pd.read_csv("data.csv")
     #print(df)
     
     #zmiana słów na cyfry, ponieważ drzewo decyzyjne opiera się na cyfrach

main.py

@@ -2,6 +2,7 @@ import pygame, sys
 from traktor import Traktor
 import dijkstra as di
 import decisiontree as dt
+from ID3 import predict_data
 
 import matplotlib.pyplot as plt
 from tensorflow.keras.preprocessing import image
@@ -47,9 +48,11 @@ class Game(object):
         #ładowanie tablicy ze zdjeciami
         imgs = []
         data_plant = []
+        data_soil = []
         img_dir = './imgs'
         for _ in lokalizacje:
             data_plant.append([random.randrange(5, 90),random.randrange(0, 120),random.randrange(5, 90)])
+            data_soil.append([random.randrange(44, 75)/10, random.randrange(0, 100)/100])
             imgs.append(img_dir + '/' + random.choice(os.listdir(img_dir)))
 
         #model do rozpoznawania
@@ -146,6 +149,16 @@ class Game(object):
                 index = list_of_preds.index(max(list_of_preds))
                 #print(index)
 
+                names = ['cabbage', 'beetroot', 'carrot', 'pumpkin']
+
+                # decyzja o posadzeniu nowej rośliny następuje wtedy, gdy jest ona dojrzała przynajmniej w 90%
+                if(data_plant[pt][1] > 90):
+                    predict_data([names[index], data_soil[pt][0], data_soil[pt][1]])
+                    index = names.index(names[index])
+                    #imgs[pt] = img_dir + '/' + names[index] + '.jpg'
+                    data_plant[pt] = [0, 0, 50]
+                else:
+                    print("Planted: none")
 
                 if index == 0:
                     dt.decision(4, data_plant[pt][0],data_plant[pt][1],data_plant[pt][2])