Detekcia chorôb rastlín s Qualcomm Dragonboard 410c: 4 kroky

2024 Autor: John Day | [email protected]. Naposledy zmenené: 2024-01-30 11:59

Ahojte všetci, zúčastňujeme sa súťaže Vynález budúcnosti do hry Dragonboard 410c sponzorovanej spoločnosťami Embarcados, Linaro a Baita.

Projekt AVoID (choroba Agro View)

Našim cieľom je vytvoriť vstavaný systém schopný zachytávať obrázky, spracovávať a zisťovať možné choroby rastlín na farme. Ďalšou aplikáciou nášho projektu (neimplementovaná) je schopnosť internetu vecí monitorovať farmu v reálnom čase.

Najväčšou výhodou systému AVoID je, že na monitorovanie farmy nepotrebujete konkrétny druh objektu. Ak máte štvorkolku alebo dron, môžete jednoducho pripevniť platoform AVoID k svojmu objektu a sledovať jeho farmu.

AVoID je v zásade zložený z Dranboard 410c a webovej kamery.

V nasledujúcich niekoľkých krokoch v zásade vysvetlíme, ako zostaviť hlavný blok systému AVoID

Neváhajte nás kontaktovať ohľadom systému AVoID a jeho implementácie:

Caio Ferreira ([email protected])

Eronides Neto ([email protected])

Maria Luiza ([email protected])

Krok 1: Nastavte hardvér a softvér

Prvým krokom nášho projektu je nastavenie potrebného hardvéru na implementáciu systému AVoID.

V zásade budete potrebovať

Hardvér

- 01x Dragonboard 410c (s obrázkom Debianu, kliknutím sem zistíte, ako nainštalovať Debian na Dragonboard);

- 01x webová kamera kompatibilná s Dragonboard (pozri kompatibilitu tu);

Softvér

> Nainštalujte OpenCV na obrazové balíky Dragonboard, Scikit Learn a Scikit pre distribúciu Debian Linux.

- Inštalácia OpenCV (pozri tento odkaz, použite prvú časť súvisiacu s inštaláciou OpenCV);

- Nainštalujte si Scikit Learn a Image pomocou terminálu!

pip install -U scikit -learn

Krok 2: Základné testy webovej kamery

Náš druhý krok je overiť, či je všetko, čo sme nastavili, v poriadku!

1) Spustite ukážkový kód webovej kamery, aby ste videli niektoré obrázky/videá

Na termináli spustite kód foto.py.

> python foto.py

2) Spustite nejaký príklad OpenCV

Ďalšou možnosťou, ako overiť, či je openCV správne nainštalovaný, je spustiť príklad opencv.

Krok 3: Školenie/testovanie množiny údajov na implementáciu cieľa AVoID

Časť A: Techniky spracovania obrazu

Pravdepodobne to bude najkomplexnejší krok v našom projekte. Teraz musíme stabilizovať niektoré parametre a metriky, aby sme rozhodli, či rastlina (obrázok z rastliny) má nejakú chorobu.

Našou hlavnou referenciou pre tento krok je tento článok, ktorý ukazuje, ako detekovať choroby v listoch pomocou techník spracovania obrazu. V zásade je naším cieľom v tomto kroku replikovať tieto techniky spracovania obrazu na doske Dragonboard 410c.

1) Definujte súbor obrazových údajov a druh rastliny, ktorej chcete detekovať choroby

Toto je dôležitá súčasť vašej špecifikácie. Aký druh rastliny chcete na zrušenie platnosti chorôb. Z odkazu na článok vychádzame z listu Strwaberry.

Tento kód načíta jahodový list a urobí časť na spracovanie obrazu.

Časť B: strojové učenie

Po časti spracovania obrazu musíme údaje nejakým spôsobom zorganizovať. Z teórie strojového učenia musíme dáta zoskupiť do skupín. Ak má plán chorobu, jeden z tejto skupiny by to naznačil.

Algoritmus klasifikácie, ktorý používame na zoskupenie týchto informácií, je algoritmus K-means.

Krok 4: Výsledky a budúca práca

Z obrázkov a zoskupení obrázkov teda môžeme vidieť niektoré výsledky na detekciu niektorých chorôb.

Ďalším vylepšením nášho projektu je informačný panel IoT, ktorý by bolo možné implementovať.