Otkrivanje biljnih bolesti pomoću Qualcomm Dragonboard 410c: 4 koraka

2024 Autor: John Day | [email protected]. Zadnja izmjena: 2024-01-30 08:07

Pozdrav svima, učestvujemo u takmičenju Inventing the Future with Dragonboard 410c koje sponzoriraju Embarcados, Linaro i Baita.

AVoID projekat (Agro View Disease)

Naš cilj je stvoriti ugrađeni sistem koji može snimiti sliku, obraditi i otkriti moguće biljne bolesti na farmi. Dodatna primjena našeg projekta (nije implementirana) je IoT mogućnost praćenja farme u stvarnom vremenu.

Najveća prednost AVoID sistema je ta što vam nije potrebna određena vrsta objekta za nadgledanje farme. Ako imate četverocikl ili bespilotnu letjelicu, jednostavno možete pričvrstiti AVoID plataform na svoj objekt i nadgledati farmu.

U osnovi AVoID se sastoji od Dranboard 410c i web kamere.

U sljedećih nekoliko koraka u osnovi objašnjavamo kako izgraditi glavni blok AVoID sistema

Slobodno nas kontaktirajte u vezi AVoID sistema i njegove implementacije:

Caio Ferreira ([email protected])

Eronides Neto ([email protected])

Maria Luiza ([email protected])

Korak 1: Postavite hardver i softver

Prvi korak našeg projekta je postavljanje potrebnog hardvera za implementaciju AVoID sistema.

U osnovi će vam trebati

Hardver

- 01x Dragonboard 410c (sa Debian slikom, kliknite ovdje da vidite kako instalirati Debian na Dragonboard);

- 01x web kamera kompatibilna sa Dragonboard -om (ovdje pogledajte kompatibilnost);

Softver

> Instalirajte OpenCV na Dragonboard, Scikit Learn i Scikit slikovne pakete za Debian Linux distribuciju.

- Instaliranje OpenCV -a (pogledajte ovu vezu, koristite prvi dio koji se odnosi na instalaciju OpenCV -a);

- Instalirajte Scikit Learn i Image putem terminala!

pip install -U scikit -learn

Korak 2: Osnovni testovi web kamere

Naš drugi korak je provjeriti je li sve što smo postavili u redu!

1) Pokrenite demo kôd web kamere da vidite neke slike/video zapise

Pokrenite kod foto.py na terminalu.

> python foto.py

2) Pokrenite neki primjer OpenCV -a

Druga mogućnost da biste provjerili je li openCV ispravno instaliran je pokretanje primjera opencv.

Korak 3: Obuka/testiranje skupa podataka za implementaciju AVoID cilja

Dio A: tehnike obrade slika

Vjerojatno će ovo biti najsloženiji korak u našem projektu. Sada moramo stabilizirati neke parametre i metrike kako bismo odlučili ima li biljka (slika iz biljke) neku bolest.

Naša glavna referenca za ovaj korak je ovaj članak koji pokazuje kako otkriti bolesti na lišću tehnikama obrade slika. U osnovi, naš cilj u ovom koraku je replicirati ove tehnike obrade slike na ploči Dragonboard 410c.

1) Definirajte skup podataka o slici i vrstu biljke u kojoj želite otkriti bolesti

Ovo je važan dio vaše specifikacije. Koju biljku želite poništiti bolesti. Iz reference članka razvijamo na temelju lista Strwaberry.

Ovaj kôd učitava list jagode i vrši obradu slike.

Dio B: mašinsko učenje

Nakon dijela za obradu slike, moramo na neki način organizirati podatke. Iz teorije strojnog učenja moramo grupirati podatke u grupe. Ako plan ima bolest, jedna iz ove grupe bi je naznačila.

Algoritam klasifikacije koji koristimo za grupiranje ovih informacija je algoritam K-sredina.

Korak 4: Rezultati i budući rad

Dakle, možemo vidjeti neke rezultate za otkrivanje nekih bolesti na slikama i skupinama slika.

Drugo poboljšanje u našem projektu je IoT nadzorna ploča koja bi se mogla implementirati.