Växtsjukdomsdetektering med Qualcomm Dragonboard 410c: 4 steg

2024 Författare: John Day | [email protected]. Senast ändrad: 2024-01-30 12:45

Hej alla, vi deltar i Inventing the Future med Dragonboard 410c Contest sponsrad av Embarcados, Linaro och Baita.

AVoID Project (Agro View Disease)

Vårt mål är att skapa ett inbyggt system som kan fånga bild, bearbeta och upptäcka möjliga växtsjukdomar på en gård. En ytterligare tillämpning av vårt projekt (inte genomfört) är IoT -förmågan att övervaka en gård i realtid.

Den största fördelen med AVoID -systemet är att du inte behöver en specifik typ av objekt för att övervaka gården. Om du har en fyrhjuling eller en drönare kan du helt enkelt fästa AVoID -plattformen till ditt objekt och övervaka gården.

I grund och botten är AVoID sammansatt av Dranboard 410c och en webbkamera.

I de närmaste stegen förklarar vi i princip hur man bygger huvudblocket för AVoID -systemet

Kontakta oss gärna om AVoID -systemet och dess implementering:

Caio Ferreira ([email protected])

Eronides Neto ([email protected])

Maria Luiza ([email protected])

Steg 1: Konfigurera hårdvaran och programvaran

Det första steget i vårt projekt är att ställa in den nödvändiga hårdvaran för att implementera AVoID -systemet.

I princip behöver du

Hårdvara

- 01x Dragonboard 410c (med Debian -bild, klicka här för att se hur du installerar Debian på Dragonboard);

- 01x webbkamera kompatibel med Dragonboard (se här kompatibilitet);

programvara

> Installera OpenCV på Dragonboard, Scikit Learn och Scikit -bildpaket för Debian Linux -distributionen.

- Installera OpenCV (se denna länk, använd den första delen relaterad till OpenCV -installationen);

- Installera Scikit Learn and Image via terminalen!

pip installera -U scikit -learn

Steg 2: Grundläggande tester för webbkamera

Vårt andra steg är att verifiera att allt vi konfigurerar är ok!

1) Kör webbkamerans demokod för att se några bilder/videor

Kör koden foto.py på terminalen.

> python foto.py

2) Kör några OpenCV -exempel

Ett annat alternativ för att verifiera att openCV är korrekt installerat är att köra ett opencv -exempel.

Steg 3: Träna/testa en datamängd för att implementera AVoID -mål

Del A: bildbehandlingsteknik

Förmodligen kommer detta att vara det mest komplexa steget i vårt projekt. Nu måste vi stabilisera några parametrar och mått för att avgöra om en växt (en bild från en växt) har någon sjukdom.

Vår huvudsakliga referens för detta steg är den här artikeln som visar hur man upptäcker sjukdomar i löv med hjälp av bildbehandlingstekniker. I grund och botten är vårt mål i detta steg att replikera dessa bildbehandlingstekniker i Dragonboard 410c -kortet.

1) Definiera bilddatauppsättningen och vilken typ av växt du vill upptäcka sjukdomar

Detta är en viktig del av din specifikation. Vilken typ av växt vill du försäkra sjukdomar om. Från artikelreferensen utvecklar vi utifrån ett Strwaberry -blad.

Denna kod, laddar ett jordgubbsblad och gör bildbehandlingsdelen.

Del B: maskininlärning

Efter bildbehandlingsdelen måste vi organisera data på något sätt. Från maskininlärningsteori måste vi samla data i grupper. Om planen har en sjukdom skulle en i denna grupp indikera det.

Klassificeringsalgoritmen som vi använder för att gruppera denna information är algoritmen K-medel.

Steg 4: Resultat och framtida arbete

Så vi kan se några resultat för att upptäcka vissa sjukdomar från bilderna och bildklustren.

En annan förbättring av vårt projekt är IoT -instrumentpanelen som kan implementeras.