Erkennung von Pflanzenkrankheiten mit Qualcomm Dragonboard 410c - Gunook

2024 Autor: John Day | [email protected]. Zuletzt bearbeitet: 2024-01-30 07:19

Hallo zusammen, wir nehmen am Inventing the Future with Dragonboard 410c Contest teil, der von Embarcados, Linaro und Baita gesponsert wird.

AVoID-Projekt (Agro View Disease)

Unser Ziel ist es, ein eingebettetes System zu schaffen, das in der Lage ist, mögliche Pflanzenkrankheiten in einem landwirtschaftlichen Betrieb abzubilden, zu verarbeiten und zu erkennen. Eine weitere Anwendung unseres Projekts (nicht implementiert) ist die IoT-Fähigkeit, eine Farm in Echtzeit zu überwachen.

Der größte Vorteil des AVoID-Systems besteht darin, dass Sie kein spezielles Objekt benötigen, um die Farm zu überwachen. Wenn Sie ein Vierrad oder eine Drohne besitzen, können Sie die AVoID-Plattform einfach an Ihrem Objekt befestigen und die Farm überwachen.

Grundsätzlich besteht die AvoID aus dem Dranboard 410c und einer Webcam.

In den nächsten Schritten erklären wir Ihnen grundsätzlich, wie Sie den Hauptblock des AVoID-Systems aufbauen

Sprechen Sie uns gerne über das AVoID-System und dessen Implementierung an:

Caio Ferreira ([email protected])

Eronides Neto ([email protected])

Maria Luiza ([email protected])

Schritt 1: Hardware und Software einrichten

Der erste Schritt unseres Projektes ist die Einrichtung der benötigten Hardware um das AVoID System zu implementieren.

Grundsätzlich brauchst du

Hardware

- 01x Dragonboard 410c (mit Debian-Image, klicken Sie hier, um zu sehen, wie Debian auf Dragonboard installiert wird);

- 01x Webcam kompatibel mit dem Dragonboard (siehe hier Kompatibilität);

Software

> Installieren Sie OpenCV auf Dragonboard, Scikit Learn und Scikit-Image-Paketen für die Debian-Linux-Distribution.

- OpenCV installieren (siehe diesen Link, verwenden Sie den ersten Teil der OpenCV-Installation);

- Installieren Sie Scikit Learn and Image über das Terminal!

pip install -U scikit-learn

Schritt 2: Webcam-Basistests

Unser zweiter Schritt besteht darin, zu überprüfen, ob alles, was wir eingerichtet haben, in Ordnung ist!

1) Führen Sie den Webcam-Democode aus, um einige Bilder/Videos zu sehen

Führen Sie den Code foto.py auf dem Terminal aus.

> python foto.py

2) Führen Sie ein OpenCV-Beispiel aus

Eine andere Möglichkeit, um zu überprüfen, ob openCV korrekt installiert ist, besteht darin, ein opencv-Beispiel auszuführen.

Schritt 3: Trainieren/Testen eines Datensatzes zur Umsetzung des AVoID-Ziels

Teil A: Bildverarbeitungstechniken

Dies wird wahrscheinlich der komplexeste Schritt in unserem Projekt sein. Jetzt müssen wir einige Parameter und Metriken stabilisieren, um zu entscheiden, ob eine Pflanze (ein Bild von einer Pflanze) eine Krankheit hat.

Unsere Hauptreferenz für diesen Schritt ist dieser Artikel, der zeigt, wie man Krankheiten in Blättern mit Bildverarbeitungstechniken erkennt. Grundsätzlich besteht unser Ziel in diesem Schritt darin, diese Bildverarbeitungstechniken auf dem Dragonboard 410c-Board zu replizieren.

1) Definieren Sie den Bilddatensatz und die Pflanzenart, die Sie Krankheiten erkennen möchten

Dies ist ein wichtiger Teil Ihrer Spezifikation. Welche Art von Pflanze möchten Sie Krankheiten entziffern? Aus der Artikelreferenz entwickeln wir auf Basis eines Erdbeerblattes.

Dieser Code lädt ein Erdbeerblatt und übernimmt die Bildverarbeitung.

Teil B: Maschinelles Lernen

Nach der Bildverarbeitung müssen wir die Daten irgendwie organisieren. Aus der Theorie des maschinellen Lernens müssen wir die Daten in Gruppen gruppieren. Wenn der Plan eine Krankheit enthält, würde einer aus dieser Gruppe darauf hinweisen.

Der Klassifikationsalgorithmus, den wir verwenden, um diese Informationen zu gruppieren, ist der K-Means-Algorithmus.

Schritt 4: Ergebnisse und zukünftige Arbeit

Wir können also einige Ergebnisse sehen, um einige Krankheiten aus den Bildern und Bildclustern zu erkennen.

Eine weitere Verbesserung in unserem Projekt ist das IoT-Dashboard, das implementiert werden könnte.