Obsah:
2025 Autor: John Day | [email protected]. Naposledy změněno: 2025-01-13 06:57
Ahoj všichni, účastníme se soutěže Vynalézání budoucnosti s Dragonboard 410c sponzorované společnostmi Embarcados, Linaro a Baita.
Projekt AVoID (Agro View Disease)
Naším cílem je vytvořit integrovaný systém schopný zachytit obraz, zpracovat a detekovat možné choroby rostlin na farmě. Další aplikací našeho projektu (není implementována) je schopnost IoT monitorovat farmu v reálném čase.
Největší výhodou systému AVoID je, že ke sledování farmy nepotřebujete konkrétní typ objektu. Pokud máte čtyřkolku nebo dron, můžete jednoduše připevnit platoform AVoID na svůj objekt a sledovat jeho farmu.
AVoID je v podstatě složen z Dranboard 410c a webové kamery.
V následujících několika krocích v podstatě vysvětlíme, jak vybudovat hlavní blok systému AVoID
Neváhejte nás kontaktovat ohledně systému AVoID a jeho implementace:
Caio Ferreira ([email protected])
Eronides Neto ([email protected])
Maria Luiza ([email protected])
Krok 1: Nastavení hardwaru a softwaru
Prvním krokem našeho projektu je nastavení potřebného hardwaru pro implementaci systému AVoID.
V zásadě budete potřebovat
Hardware
- 01x Dragonboard 410c (s obrázkem Debianu, kliknutím sem zobrazíte, jak nainstalovat Debian na Dragonboard);
- 01x webová kamera kompatibilní s Dragonboard (viz zde kompatibilita);
Software
> Nainstalujte OpenCV na balíčky obrázků Dragonboard, Scikit Learn a Scikit pro distribuci Debian Linux.
- Instalace OpenCV (viz tento odkaz, použijte první část související s instalací OpenCV);
- Nainstalujte si Scikit Learn a Image pomocí terminálu!
pip install -U scikit -learn
Krok 2: Základní testy webové kamery
Náš druhý krok je ověřit, že vše, co jsme nastavili, je v pořádku!
1) Spusťte ukázkový kód webové kamery a podívejte se na některé obrázky/videa
Na terminálu spusťte kód foto.py.
> python foto.py
2) Spusťte nějaký příklad OpenCV
Další možností, jak ověřit, že je openCV správně nainstalován, je spustit příklad opencv.
Krok 3: Školení/testování datové sady k implementaci cíle AVoID
Část A: Techniky zpracování obrazu
Pravděpodobně to bude nejsložitější krok v našem projektu. Nyní musíme stabilizovat některé parametry a metriky, abychom rozhodli, zda rostlina (obrázek z rostliny) trpí nějakou nemocí.
Naším hlavním odkazem na tento krok je tento článek, který ukazuje, jak detekovat choroby v listech pomocí technik zpracování obrazu. V zásadě je naším cílem v tomto kroku replikovat tyto techniky zpracování obrazu na desce Dragonboard 410c.
1) Definujte sadu obrazových dat a druh rostliny, u které chcete detekovat choroby
Toto je důležitá část vaší specifikace. Jakou rostlinu chcete zbavit chorob. Z odkazu na článek jsme vyvinuli na základě listu Strwaberry.
Tento kód načte jahodový list a provede část zpracování obrazu.
Část B: strojové učení
Po části zpracování obrazu musíme data nějakým způsobem uspořádat. Z teorie strojového učení musíme data seskupit do skupin. Pokud má plán nemoc, jeden z této skupiny by to naznačil.
Algoritmus klasifikace, který používáme ke seskupení těchto informací, je algoritmus K-means.
Krok 4: Výsledky a budoucí práce
Z obrázků a obrazových klastrů tedy můžeme vidět nějaké výsledky k detekci některých nemocí.
Další vylepšení našeho projektu je řídicí panel IoT, který by bylo možné implementovat.