Detekce nemocí rostlin s Qualcomm Dragonboard 410c: 4 kroky

2024 Autor: John Day | [email protected]. Naposledy změněno: 2024-01-30 08:22

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.