Обнаружение болезней растений с помощью Qualcomm Dragonboard 410c: 4 шага

2024 Автор: John Day | [email protected]. Последнее изменение: 2024-01-30 11:52

Привет всем, мы участвуем в конкурсе «Изобретая будущее с помощью Dragonboard 410c», спонсором которого являются Embarcados, Linaro и Baita.

Проект AVoID (болезнь Агро Вью)

Наша цель - создать встроенную систему, способную снимать изображения, обрабатывать и обнаруживать возможные заболевания растений на ферме. Дополнительным приложением нашего проекта (не реализованным) является возможность IoT контролировать ферму в реальном времени.

Самым большим преимуществом системы AVoID является то, что вам не нужен объект определенного типа для мониторинга фермы. Если у вас есть квадрицикл или дрон, вы можете просто прикрепить платформу AVoID к своему объекту и следить за фермой.

В основном AVoID состоит из Dranboard 410c и веб-камеры.

В следующих нескольких шагах мы в основном объясняем, как построить основной блок системы AVoID

Не стесняйтесь обращаться к нам по поводу системы AVoID и ее реализации:

Кайо Феррейра ([email protected])

Эронид Нето ([email protected])

Мария Луиза ([email protected])

Шаг 1. Настройте оборудование и программное обеспечение

Первым шагом нашего проекта является установка необходимого оборудования для реализации системы AVoID.

В основном вам понадобится

Аппаратное обеспечение

- 01x Dragonboard 410c (с образом Debian щелкните здесь, чтобы узнать, как установить Debian на Dragonboard);

- Веб-камера 01x, совместимая с Dragonboard (см. Совместимость здесь);

Программное обеспечение

> Установите OpenCV на Dragonboard, пакеты образов Scikit Learn и Scikit для дистрибутива Debian Linux.

- Установка OpenCV (см. Эту ссылку, используйте первую часть, относящуюся к установке OpenCV);

- Установите Scikit Learn и Image через Терминал!

pip install -U scikit-learn

Шаг 2. Базовые тесты веб-камеры

Наш второй шаг - убедиться, что все, что мы настроили, в порядке!

1) Запустите демонстрационный код веб-камеры, чтобы просмотреть некоторые изображения / видео.

Запустите код foto.py на терминале.

> питон foto.py

2) Запустите пример OpenCV

Другой вариант для проверки правильности установки openCV - запустить пример opencv.

Шаг 3. Обучение / тестирование набора данных для достижения цели AVoID

Часть A: методы обработки изображений

Наверное, это будет самый сложный этап в нашем проекте. Теперь нам нужно стабилизировать некоторые параметры и показатели, чтобы решить, есть ли у растения (изображение с растения) какое-либо заболевание.

Наша основная ссылка на этом этапе - это статья, в которой показано, как определять болезни листьев с помощью методов обработки изображений. По сути, наша цель на этом этапе - воспроизвести эти методы обработки изображений на плате Dragonboard 410c.

1) Определите набор данных изображения и вид растения, на котором вы хотите обнаруживать болезни.

Это важная часть вашей спецификации. Какое растение вы хотите от болезней? Судя по ссылке на статью, мы разрабатываем на основе листа Strwaberry.

Этот код загружает лист клубники и выполняет часть обработки изображений.

Часть B: машинное обучение

После обработки изображения нам нужно каким-то образом организовать данные. Исходя из теории машинного обучения, нам нужно сгруппировать данные в группы. Если у плана есть болезнь, одна из этой группы укажет на это.

Алгоритм классификации, который мы используем для группировки этой информации, - это алгоритм K-средних.

Шаг 4: результаты и дальнейшая работа

Итак, мы можем увидеть некоторые результаты для обнаружения некоторых заболеваний по изображениям и кластерам изображений.

Другое улучшение в нашем проекте - это панель управления IoT, которую можно было бы реализовать.