Plantsykdomsoppdagelse med Qualcomm Dragonboard 410c: 4 trinn

2024 Forfatter: John Day | [email protected]. Sist endret: 2024-01-30 11:23

Hei alle sammen, vi deltar i Inventing the Future med Dragonboard 410c -konkurransen sponset av Embarcados, Linaro og Baita.

AVoID Project (Agro View Disease)

Målet vårt er å lage et innebygd system som er i stand til å fange bilde, behandle og oppdage mulige plantesykdommer på en gård. En tilleggsapplikasjon av prosjektet vårt (ikke implementert) er IoT -muligheten til å overvåke en gård i sanntid.

Den største fordelen med AVoID -systemet er at du ikke trenger en spesifikk type objekt for å overvåke gården. Hvis du har en firhjuling eller en drone, kan du ganske enkelt feste AVoID -plattformen til objektet og overvåke gården.

I utgangspunktet er AVoID komponert av Dranboard 410c og et webkamera.

I de neste trinnene forklarer vi i utgangspunktet hvordan du bygger hovedblokken til AVoID -systemet

Kontakt oss gjerne om AVoID -systemet og dets implementering:

Caio Ferreira ([email protected])

Eronides Neto ([email protected])

Maria Luiza ([email protected])

Trinn 1: Sett opp maskinvare og programvare

Det første trinnet i prosjektet vårt er å sette opp den nødvendige maskinvaren for å implementere AVoID -systemet.

I utgangspunktet trenger du

Maskinvare

- 01x Dragonboard 410c (med Debian -bilde, klikk her for å se hvordan du installerer Debian på Dragonboard);

- 01x webkamera kompatibelt med Dragonboard (se kompatibilitet her);

Programvare

> Installer OpenCV på Dragonboard, Scikit Learn og Scikit bildepakker for Debian Linux -distribusjonen.

- Installere OpenCV (se denne lenken, bruk den første delen relatert til OpenCV -installasjonen);

- Installer Scikit Learn and Image gjennom terminalen!

pip install -U scikit -learn

Trinn 2: Grunnleggende tester for webkamera

Vårt andre trinn er å bekrefte at alt vi konfigurerer er ok!

1) Kjør webkameraets demokode for å se noen bilder/videoer

Kjør koden foto.py på terminalen.

> python foto.py

2) Kjør et eksempel på OpenCV

Et annet alternativ for å bekrefte at openCV er riktig installert, er å kjøre et opencv -eksempel.

Trinn 3: Trening/testing av datasett for å implementere AVoID -mål

Del A: Bildebehandlingsteknikker

Sannsynligvis vil dette være det mest komplekse trinnet i prosjektet vårt. Nå må vi stabilisere noen parametere og beregninger for å avgjøre om en plante (et bilde fra en plante) har noen sykdom.

Vår viktigste referanse for dette trinnet er denne artikkelen som viser hvordan man oppdager sykdommer i blader ved hjelp av bildebehandlingsteknikker. I utgangspunktet er målet vårt med dette trinnet å replikere disse bildebehandlingsteknikkene i Dragonboard 410c -kortet.

1) Definer bildedatasettet og typen plante du vil oppdage sykdommer

Dette er en viktig del av spesifikasjonen din. Hva slags plante vil du gjøre sykdommer på grunn av identifikasjon. Fra artikkelen referanse, utvikler vi basert på et Strwaberry blad.

Denne koden laster et jordbærblad og gjør bildebehandlingsdelen.

Del B: maskinlæring

Etter bildebehandlingsdelen må vi organisere dataene på en eller annen måte. Fra maskinlæringsteori må vi samle dataene i grupper. Hvis planen har en sykdom, vil en i denne gruppen indikere det.

Klassifiseringsalgoritmen vi bruker til å gruppere denne informasjonen er K-middelalgoritmen.

Trinn 4: Resultater og fremtidig arbeid

Så vi kan se noen resultater for å oppdage noen sykdommer fra bildene og bildeklyngene.

En annen forbedring i prosjektet vårt er IoT -dashbordet som kan implementeres.