Ανίχνευση ασθενειών φυτών με Qualcomm Dragonboard 410c: 4 βήματα

2024 Συγγραφέας: John Day | [email protected]. Τελευταία τροποποίηση: 2024-01-30 08:36

Γεια σε όλους, συμμετέχουμε στον Διαγωνισμό Inventing the Future with Dragonboard 410c που χρηματοδοτήθηκε από τους Embarcados, Linaro και Baita.

AVoID Project (Agro View Disease)

Ο στόχος μας είναι να δημιουργήσουμε ένα ενσωματωμένο σύστημα ικανό να συλλάβει εικόνα, να επεξεργάζεται και να ανιχνεύει πιθανές ασθένειες των φυτών σε ένα αγρόκτημα. Μια πρόσθετη εφαρμογή του έργου μας (δεν εφαρμόζεται) είναι η δυνατότητα IoT να παρακολουθεί σε πραγματικό χρόνο μια φάρμα.

Το μεγαλύτερο πλεονέκτημα του συστήματος AVoID είναι ότι δεν χρειάζεστε ένα συγκεκριμένο είδος αντικειμένου για την παρακολούθηση της φάρμας. Εάν έχετε τετράκυκλο ή drone, μπορείτε απλά να συνδέσετε την πλατφόρμα AVoID στο αντικείμενό σας και να παρακολουθήσετε το αγρόκτημα.

Βασικά το AVoID αποτελείται από το Dranboard 410c και μια κάμερα web.

Στα επόμενα βήματα εξηγούμε βασικά τον τρόπο κατασκευής του κύριου μπλοκ του συστήματος AVoID

Μη διστάσετε να επικοινωνήσετε μαζί μας σχετικά με το σύστημα AVoID και την εφαρμογή του:

Caio Ferreira ([email protected])

Ερωνίδης Νέτο ([email protected])

Μαρία Λουίζα ([email protected])

Βήμα 1: Ρυθμίστε το υλικό και το λογισμικό

Το πρώτο βήμα του έργου μας είναι η εγκατάσταση του απαραίτητου υλικού για την εφαρμογή του συστήματος AVoID.

Βασικά θα χρειαστείτε

Σκεύη, εξαρτήματα

- 01x Dragonboard 410c (με εικόνα Debian, κάντε κλικ εδώ για να δείτε πώς να εγκαταστήσετε το Debian στο Dragonboard).

- 01x Κάμερα Web συμβατή με το Dragonboard (δείτε εδώ συμβατότητα).

Λογισμικό

> Εγκαταστήστε OpenCV σε πακέτα εικόνων Dragonboard, Scikit Learn και Scikit για τη διανομή Debian Linux.

- Εγκατάσταση του OpenCV (δείτε αυτόν τον σύνδεσμο, χρησιμοποιήστε το πρώτο μέρος που σχετίζεται με την εγκατάσταση του OpenCV).

- Εγκαταστήστε το Scikit Learn and Image μέσω του τερματικού!

pip install -U scikit -learn

Βήμα 2: Βασικές δοκιμές κάμερας Web

Το δεύτερο βήμα μας είναι να επαληθεύσουμε ότι όλα όσα δημιουργήσαμε είναι εντάξει!

1) Εκτελέστε τον κωδικό επίδειξης της κάμερας για να δείτε μερικές εικόνες/βίντεο

Εκτελέστε τον κωδικό foto.py στο τερματικό.

> python foto.py

2) Εκτελέστε κάποιο παράδειγμα OpenCV

Μια άλλη επιλογή για να επαληθεύσετε ότι το openCV έχει εγκατασταθεί σωστά είναι να εκτελέσετε ένα παράδειγμα opencv.

Βήμα 3: Εκπαίδευση/δοκιμή ενός συνόλου δεδομένων για την εφαρμογή του στόχου AVoID

Μέρος Α: Τεχνικές επεξεργασίας εικόνας

Πιθανώς αυτό θα είναι το πιο πολύπλοκο βήμα στο έργο μας. Τώρα πρέπει να σταθεροποιήσουμε ορισμένες παραμέτρους και μετρήσεις για να αποφασίσουμε εάν ένα φυτό (μια εικόνα από ένα φυτό) έχει κάποια ασθένεια.

Η κύρια αναφορά μας για αυτό το βήμα είναι αυτό το άρθρο που δείχνει τον τρόπο ανίχνευσης ασθενειών στα φύλλα χρησιμοποιώντας τεχνικές επεξεργασίας εικόνας. Βασικά, ο στόχος μας σε αυτό το βήμα είναι να αναπαράγουμε αυτές τις τεχνικές επεξεργασίας απεικόνισης στον πίνακα Dragonboard 410c.

1) Ορίστε το σύνολο δεδομένων εικόνας και το είδος του φυτού που θέλετε να ανιχνεύσει ασθένειες

Αυτό είναι ένα σημαντικό μέρος της προδιαγραφής σας. Τι είδους φυτό θέλετε να απροσδιορίσετε τις ασθένειες. Από την αναφορά του άρθρου, αναπτύσσουμε με βάση ένα φύλλο Strwaberry.

Αυτός ο κωδικός, φορτώνει ένα φύλλο φράουλας και κάνει το τμήμα επεξεργασίας εικόνας.

Μέρος Β: μηχανική μάθηση

Μετά το μέρος επεξεργασίας εικόνας, πρέπει να οργανώσουμε τα δεδομένα με κάποιο τρόπο. Από τη θεωρία της μηχανικής μάθησης, πρέπει να ομαδοποιήσουμε τα δεδομένα σε ομάδες. Εάν το σχέδιο έχει μια ασθένεια, κάποιος από αυτήν την ομάδα θα το έδειχνε.

Ο αλγόριθμος ταξινόμησης που χρησιμοποιούμε για να ομαδοποιήσουμε αυτές τις πληροφορίες είναι ο αλγόριθμος K-means.

Βήμα 4: Αποτελέσματα και μελλοντική εργασία

Έτσι, μπορούμε να δούμε κάποια αποτελέσματα για την ανίχνευση ορισμένων ασθενειών από τις εικόνες και τις συστάδες εικόνας.

Μια άλλη βελτίωση στο έργο μας είναι ο πίνακας εργαλείων IoT που θα μπορούσε να εφαρμοστεί.