Növénybetegségek észlelése a Qualcomm Dragonboard 410c segítségével: 4 lépés

2024 Szerző: John Day | [email protected]. Utoljára módosítva: 2024-01-30 09:42

Üdv mindenkinek, részt veszünk az Inventing the Future with Dragonboard 410c versenyen, amelyet az Embarcados, Linaro és Baita támogat.

AVoID projekt (Agro View Disease)

Célunk egy olyan beágyazott rendszer létrehozása, amely képes képet készíteni, feldolgozni és felderíteni a lehetséges növénybetegségeket egy gazdaságban. Projektünk további alkalmazása (nem valósult meg) az IoT -képesség, amely lehetővé teszi a gazdaság valós idejű megfigyelését.

Az AVoID rendszer legnagyobb előnye, hogy nincs szüksége meghatározott típusú objektumra a gazdaság megfigyeléséhez. Ha négykerekű vagy drónja van, egyszerűen csatlakoztathatja az AVoID plataformát az objektumhoz, és figyelheti a gazdaságot.

Az AVoID -t alapvetően a Dranboard 410c és egy webkamera alkotja.

A következő néhány lépésben alapvetően elmagyarázzuk, hogyan kell felépíteni az AVoID rendszer fő blokkját

Forduljon hozzánk bizalommal az AVoID rendszerrel és annak megvalósításával kapcsolatban:

Caio Ferreira ([email protected])

Eronides Neto ([email protected])

Maria Luiza ([email protected])

Lépés: Állítsa be a hardvert és a szoftvert

Projektünk első lépése az AVoID rendszer megvalósításához szükséges hardver beállítása.

Alapvetően szükség lesz rá

Hardver

- 01x Dragonboard 410c (Debian képpel ide kattintva megtekintheti a Debian telepítését a Dragonboardon);

- 01x webkamera kompatibilis a Dragonboard -szal (lásd itt a kompatibilitást);

Szoftver

> Telepítse az OpenCV -t a Dragonboardra, a Scikit Learnre és a Scikit képcsomagokra a Debian Linux disztribúcióhoz.

- Az OpenCV telepítése (lásd ezt a linket, használja az OpenCV telepítéshez kapcsolódó első részt);

- Telepítse a Scikit Learn és Image alkalmazást a terminálon keresztül!

pip install -U scikit -learn

2. lépés: Webkamera alapvizsgálatok

Második lépésünk annak ellenőrzése, hogy minden, amit beállítottunk, rendben van -e!

1) Futtassa a webkamera demókódját néhány kép/videó megtekintéséhez

Futtassa a foto.py kódot a terminálon.

> python foto.py

2) Futtasson néhány OpenCV példát

Egy másik lehetőség annak ellenőrzésére, hogy az openCV megfelelően van -e telepítve, egy opencv példa futtatása.

3. lépés: Adathalmaz képzése/tesztelése az AVoID cél megvalósításához

A rész: képfeldolgozási technikák

Valószínűleg ez lesz a projektünk legösszetettebb lépése. Most stabilizálnunk kell néhány paramétert és mutatót, hogy eldönthessük, hogy egy növénynek (kép a növényről) van -e valamilyen betegsége.

A fő referencia ehhez a lépéshez ez a cikk, amely bemutatja, hogyan lehet felismerni a leveleket érintő betegségeket képfeldolgozási technikákkal. Alapvetően célunk ebben a lépésben, hogy megismételjük ezeket a képalkotó feldolgozási technikákat a Dragonboard 410c táblában.

1) Határozza meg a képadat -készletet és a betegségek típusát

Ez a specifikáció fontos része. Milyen növényt szeretne kimutatni a betegségeket. A cikk hivatkozásából egy Strwaberry levél alapján fejlesztünk.

Ez a kód betölti az eperlevelet, és elvégzi a képfeldolgozási részt.

B rész: Gépi tanulás

A képfeldolgozási rész után valamilyen módon rendszereznünk kell az adatokat. A gépi tanulás elméletéből az adatokat csoportokba kell csoportosítanunk. Ha a tervnek van betegsége, akkor az egyik csoport jelezné.

Az osztályozási algoritmus, amelyet ezen információk csoportosítására használunk, a K-mean algoritmus.

4. lépés: Eredmények és jövőbeli munka

Tehát láthatunk néhány eredményt bizonyos betegségek kimutatására a képekből és a képcsoportokból.

Projektünk további fejlesztése a megvalósítható IoT műszerfal.