Augu slimību noteikšana ar Qualcomm Dragonboard 410c: 4 soļi

2024 Autors: John Day | [email protected]. Pēdējoreiz modificēts: 2024-01-30 10:56

Sveiki visiem! Mēs piedalāmies konkursā Inventing the Future with Dragonboard 410c, ko sponsorē Embarcados, Linaro un Baita.

AVoID projekts (Agro View slimība)

Mūsu mērķis ir izveidot iegultu sistēmu, kas spēj attēlot, apstrādāt un atklāt iespējamās augu slimības saimniecībā. Mūsu projekta papildu pielietojums (nav ieviests) ir IoT spēja reāllaikā uzraudzīt saimniecību.

Lielākā AVoID sistēmas priekšrocība ir tā, ka jums nav nepieciešams īpašs objekta veids, lai uzraudzītu saimniecību. Ja jums ir kvadricikls vai bezpilota lidaparāts, varat vienkārši pievienot objektam AVoID platformu un uzraudzīt saimniecību.

Būtībā AVoID sastāv no Dranboard 410c un tīmekļa kameras.

Nākamajos soļos mēs pamatā izskaidrojam, kā izveidot AVoID sistēmas galveno bloku

Sazinieties ar mums par AVoID sistēmu un tās ieviešanu:

Caio Ferreira ([email protected])

Eronīds Neto ([email protected])

Marija Luiza ([email protected])

1. darbība: iestatiet aparatūru un programmatūru

Mūsu projekta pirmais solis ir nepieciešamās aparatūras uzstādīšana, lai ieviestu AVoID sistēmu.

Būtībā jums būs nepieciešams

Aparatūra

- 01x Dragonboard 410c (ar Debian attēlu, noklikšķiniet šeit, lai redzētu, kā Debian instalēt Dragonboard);

- 01x tīmekļa kamera, kas ir saderīga ar Dragonboard (skatiet šeit saderību);

Programmatūra

> Instalējiet OpenCV uz Dragonboard, Scikit Learn un Scikit attēlu pakotnēm Debian Linux izplatīšanai.

- OpenCV instalēšana (skatiet šo saiti, izmantojiet pirmo daļu, kas saistīta ar OpenCV instalāciju);

- Instalējiet Scikit Learn un Image, izmantojot termināli!

pip instalēt -U scikit -mācīties

2. darbība. Tīmekļa kameras pamata testi

Mūsu otrais solis ir pārbaudīt, vai viss mūsu iestatītais ir kārtībā!

1) Palaidiet tīmekļa kameras demonstrācijas kodu, lai redzētu dažus attēlus/videoklipus

Terminālī palaidiet kodu foto.py.

> python foto.py

2) Izpildiet kādu OpenCV piemēru

Vēl viena iespēja, lai pārbaudītu, vai openCV ir pareizi instalēta, ir palaist opencv piemēru.

3. darbība. Datu kopas apmācība/pārbaude, lai īstenotu AVoID mērķi

A daļa: attēlu apstrādes metodes

Iespējams, tas būs mūsu projekta sarežģītākais solis. Tagad mums ir jānostabilizē daži parametri un rādītāji, lai izlemtu, vai augam (attēlam no auga) ir kāda slimība.

Mūsu galvenā atsauce uz šo soli ir šis raksts, kas parāda, kā atklāt slimības lapās, izmantojot attēlu apstrādes metodes. Būtībā mūsu mērķis šajā solī ir atkārtot šīs attēlveidošanas apstrādes metodes Dragonboard 410c panelī.

1) Definējiet attēla datu kopu un augu veidu, kuru vēlaties atklāt slimības

Šī ir svarīga jūsu specifikācijas daļa. Kāda veida augu jūs vēlaties noteikt slimības. No raksta atsauces mēs izstrādājam, pamatojoties uz Strwaberry lapu.

Šis kods ielādē zemeņu lapu un veic attēlu apstrādes daļu.

B daļa: mašīnmācīšanās

Pēc attēlu apstrādes daļas mums ir kaut kādā veidā jāorganizē dati. No mašīnmācīšanās teorijas mums dati jāsastāda grupās. Ja plānā ir kāda slimība, kāda no šīs grupas to norādītu.

Klasifikācijas algoritms, ko mēs izmantojam šīs informācijas grupēšanai, ir K-mean algoritms.

4. solis: rezultāti un turpmākais darbs

Tātad, mēs varam redzēt dažus rezultātus, lai atklātu dažas slimības no attēliem un attēlu kopām.

Cits mūsu projekta uzlabojums ir IoT informācijas panelis, ko varētu ieviest.