Sommario:

Rilevamento delle malattie delle piante con Qualcomm Dragonboard 410c: 4 passaggi
Rilevamento delle malattie delle piante con Qualcomm Dragonboard 410c: 4 passaggi

Video: Rilevamento delle malattie delle piante con Qualcomm Dragonboard 410c: 4 passaggi

Video: Rilevamento delle malattie delle piante con Qualcomm Dragonboard 410c: 4 passaggi
Video: Funghi, mente e terapie stupefacenti 2024, Novembre
Anonim
Rilevamento delle malattie delle piante con Qualcomm Dragonboard 410c
Rilevamento delle malattie delle piante con Qualcomm Dragonboard 410c

Ciao a tutti, partecipiamo al Contest Inventing the Future with Dragonboard 410c sponsorizzato da Embarcados, Linaro e Baita.

Progetto AvoID (Agro View Disease)

Il nostro obiettivo è creare un sistema integrato in grado di acquisire immagini, elaborare e rilevare possibili malattie delle piante in un'azienda agricola. Un'ulteriore applicazione del nostro progetto (non implementato) è la capacità IoT di monitorare in tempo reale una fattoria.

Il più grande vantaggio del sistema AvoID è che non è necessario un tipo specifico di oggetto per monitorare l'allevamento. Se possiedi un quadriciclo o un drone, puoi semplicemente collegare la piattaforma AvoID al tuo oggetto e monitorare la fattoria.

Fondamentalmente l'AVoID è composto dal Dranboard 410c e da una webcam.

Nei prossimi passaggi spiegheremo sostanzialmente come costruire il blocco principale del sistema AvoID

Non esitate a contattarci in merito al sistema AvoID e alla sua implementazione:

Caio Ferreira ([email protected])

Eronide Neto ([email protected])

Maria Luiza ([email protected])

Passaggio 1: configurare l'hardware e il software

Configura l'hardware e il software!
Configura l'hardware e il software!

Il primo passo del nostro progetto è impostare l'hardware necessario per implementare il sistema AVOID.

Fondamentalmente avrai bisogno

Hardware

- 01x Dragonboard 410c (con immagine Debian, clicca qui per vedere come installare Debian su Dragonboard);

- 01x Webcam compatibile con la Dragonboard (vedi qui compatibilità);

Software

> Installa OpenCV sui pacchetti di immagini Dragonboard, Scikit Learn e Scikit per la distribuzione Debian Linux.

- Installazione di OpenCV (vedi questo link, usa la prima parte relativa all'installazione di OpenCV);

- Installa Scikit Learn e Image tramite il terminale!

pip install -U scikit-learn

Passaggio 2: test di base della webcam

Test di base della webcam
Test di base della webcam

Il nostro secondo passo è verificare che tutto ciò che abbiamo impostato sia ok!

1) Esegui il codice demo della webcam per vedere alcune immagini/video

Esegui il codice foto.py sul terminale.

> pitone foto.py

2) Esegui un esempio OpenCV

Un'altra opzione per verificare che openCV sia installato correttamente è eseguire un esempio di opencv.

Passaggio 3: formazione/test di un set di dati per implementare l'obiettivo AvoID

Formazione/test di un set di dati per implementare l'obiettivo AvoID
Formazione/test di un set di dati per implementare l'obiettivo AvoID

Parte A: tecniche di elaborazione delle immagini

Probabilmente questo sarà il passo più complesso del nostro progetto. Ora dobbiamo stabilizzare alcuni parametri e metriche per decidere se una pianta (un'immagine di una pianta) ha qualche malattia.

Il nostro riferimento principale per questo passaggio è questo articolo che mostra come rilevare le malattie nelle foglie utilizzando tecniche di elaborazione delle immagini. Fondamentalmente, il nostro obiettivo in questo passaggio è replicare queste tecniche di elaborazione delle immagini nella scheda Dragonboard 410c.

1) Definire il set di dati dell'immagine e il tipo di pianta di cui si desidera rilevare le malattie

Questa è una parte importante della tua specifica. Che tipo di pianta vuoi indeitificare le malattie. Dal riferimento dell'articolo, sviluppiamo sulla base di una foglia di Strwaberry.

Questo codice carica una foglia di fragola e fa la parte di elaborazione dell'immagine.

Parte B: apprendimento automatico

Dopo la parte di elaborazione delle immagini, dobbiamo organizzare i dati in qualche modo. Dalla teoria dell'apprendimento automatico, dobbiamo raggruppare i dati in gruppi. Se il piano ha una malattia, uno di questo gruppo lo indicherebbe.

L'algoritmo di classificazione che usiamo per raggruppare queste informazioni è l'algoritmo K-means.

Passaggio 4: risultati e lavoro futuro

Risultati e lavoro futuro
Risultati e lavoro futuro
Risultati e lavoro futuro
Risultati e lavoro futuro

Quindi, possiamo vedere alcuni risultati per rilevare alcune malattie dalle immagini e dai cluster di immagini.

Un altro miglioramento nel nostro progetto è il dashboard IoT che potrebbe essere implementato.

Consigliato: