Opdagelse af plantesygdom med Qualcomm Dragonboard 410c: 4 trin

2024 Forfatter: John Day | [email protected]. Sidst ændret: 2024-01-30 08:28

Hej alle sammen, vi deltager i Inventing the Future med Dragonboard 410c Contest sponsoreret af Embarcados, Linaro og Baita.

AVoID -projekt (Agro View Disease)

Vores mål er at skabe et integreret system, der er i stand til at fange billede, behandle og opdage mulige plantesygdomme i en gård. En yderligere anvendelse af vores projekt (ikke implementeret) er IoT -muligheden for at overvåge en gård i realtid.

Den største fordel ved AVoID -systemet er, at du ikke har brug for en bestemt type objekt til at overvåge gården. Hvis du har en quadricycle eller en drone, kan du blot vedhæfte AVoID -plataformen til dit objekt og overvåge gården.

Grundlæggende er AVoID sammensat af Dranboard 410c og et webcam.

I de næste trin forklarer vi grundlæggende, hvordan man bygger hovedblokken i AVoID -systemet

Kontakt os gerne om AVoID -systemet og dets implementering:

Caio Ferreira ([email protected])

Eronides Neto ([email protected])

Maria Luiza ([email protected])

Trin 1: Konfigurer hardware og software

Det første trin i vores projekt er at oprette den nødvendige hardware til implementering af AVoID -systemet.

Grundlæggende får du brug for

Hardware

- 01x Dragonboard 410c (med Debian -billede, klik her for at se, hvordan du installerer Debian på Dragonboard);

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

Software

> Installer OpenCV på Dragonboard, Scikit Learn og Scikit billedpakker til Debian Linux distributionen.

- Installation af OpenCV (se dette link, brug den første del relateret til OpenCV -installationen);

- Installer Scikit Learn and Image via terminalen!

pip install -U scikit -learn

Trin 2: Grundlæggende test af webcam

Vores andet trin er at kontrollere, at alt, hvad vi konfigurerede, er ok!

1) Kør webcam -demokoden for at se nogle billeder/videoer

Kør koden foto.py på terminalen.

> python foto.py

2) Kør et eksempel på OpenCV

En anden mulighed for at kontrollere, at openCV er korrekt installeret, er at køre et opencv -eksempel.

Trin 3: Træning/test af et datasæt til implementering af AVoID -mål

Del A: billedbehandlingsteknikker

Sandsynligvis vil dette være det mest komplekse trin i vores projekt. Nu skal vi stabilisere nogle parametre og metrics for at afgøre, om en plante (et billede fra en plante) har en eller anden sygdom.

Vores vigtigste reference til dette trin er denne artikel, der viser, hvordan man opdager sygdomme i blade ved hjælp af billedbehandlingsteknikker. Grundlæggende er vores mål i dette trin at replikere disse billedbehandlingsteknikker i Dragonboard 410c -kortet.

1) Definer billeddatasættet og den slags plante, du vil opdage sygdomme

Dette er en vigtig del af din specifikation. Hvilken slags plante vil du gøre sygdomme til identifikation? Ud fra artikelhenvisningen udvikler vi baseret på et Strwaberry -blad.

Denne kode, indlæser et jordbærblad og udfører billedbehandlingsdelen.

Del B: maskinlæring

Efter billedbehandlingsdelen skal vi organisere dataene på en eller anden måde. Fra maskinlæringsteori skal vi klynge dataene i grupper. Hvis planen har en sygdom, vil en i denne gruppe angive det.

Den klassificeringsalgoritme, som vi bruger til at gruppere disse oplysninger, er K-middelalgoritmen.

Trin 4: Resultater og fremtidigt arbejde

Så vi kan se nogle resultater for at opdage nogle sygdomme fra billederne og billedklyngerne.

En anden forbedring i vores projekt er IoT -instrumentbrættet, der kan implementeres.