Detectie van plantenziekten met Qualcomm Dragonboard 410c - Ajarnpa

2024 Auteur: John Day | [email protected]. Laatst gewijzigd: 2024-01-30 11:17

Hallo allemaal, we nemen deel aan de Inventing the Future met Dragonboard 410c-wedstrijd, gesponsord door Embarcados, Linaro en Baita.

AVoID-project (Agro View Disease)

Ons doel is om een embedded systeem te creëren dat in staat is om mogelijke plantenziekten op een boerderij vast te leggen, te verwerken en te detecteren. Een extra toepassing van ons project (niet geïmplementeerd) is de IoT-mogelijkheid om een boerderij in realtime te monitoren.

Het grootste voordeel van het AVoID-systeem is dat je geen specifiek soort object nodig hebt om het bedrijf te monitoren. Als u een vierwieler of een drone heeft, kunt u het AVoID-platform eenvoudig aan uw object bevestigen en de boerderij in de gaten houden.

In principe wordt de AVoID samengesteld door de Dranboard 410c en een webcam.

In de volgende paar stappen leggen we in principe uit hoe je het hoofdblok van het AVoID-systeem bouwt

Neem gerust contact met ons op over het AVoID-systeem en de implementatie ervan:

Caio Ferreira ([email protected])

Eronides Neto ([email protected])

Maria Luiza ([email protected])

Stap 1: Stel de hardware en software in

De eerste stap van ons project is het opzetten van de benodigde hardware om het AVoID-systeem te implementeren.

In principe heb je nodig

Hardware

- 01x Dragonboard 410c (met Debian-afbeelding, klik hier om te zien hoe Debian op Dragonboard wordt geïnstalleerd);

- 01x Webcam compatibel met Dragonboard (zie hier compatibiliteit);

Software

> Installeer OpenCV op Dragonboard, Scikit Learn en Scikit image-pakketten voor de Debian Linux-distributie.

- OpenCV installeren (zie deze link, gebruik het eerste deel dat betrekking heeft op de OpenCV-installatie);

- Installeer Scikit Learn en Image via de Terminal!

pip install -U scikit-learn

Stap 2: Webcam Basistests

Onze tweede stap is controleren of alles wat we hebben ingesteld in orde is!

1) Voer de democode van de webcam uit om enkele afbeeldingen/video's te zien

Voer de code foto.py uit op de terminal.

> python foto.py

2) Voer een OpenCV-voorbeeld uit

Een andere optie om te controleren of openCV correct is geïnstalleerd, is door een opencv-voorbeeld uit te voeren.

Stap 3: Een dataset trainen/testen om het AVoID-doel te implementeren

Deel A: beeldverwerkingstechnieken

Waarschijnlijk zal dit de meest complexe stap in ons project zijn. Nu moeten we enkele parameters en statistieken stabiliseren om te beslissen of een plant (een afbeelding van een plant) een ziekte heeft.

Onze belangrijkste referentie voor deze stap is dit artikel dat laat zien hoe ziekten in bladeren kunnen worden opgespoord met behulp van beeldverwerkingstechnieken. Kortom, ons doel in deze stap is om deze beeldverwerkingstechnieken te repliceren in het Dragonboard 410c-bord.

1) Definieer de beeldgegevensset en het soort plant dat u ziekten wilt detecteren

Dit is een belangrijk onderdeel van uw specificatie. Wat voor soort plant wil je ziektes indeitificeren. Uit de artikelreferentie ontwikkelen we op basis van een Strwaberry-blad.

Deze code laadt een aardbeiblad en doet het beeldverwerkingsgedeelte.

Deel B: machine learning

Na het beeldverwerkingsgedeelte moeten we de gegevens op de een of andere manier organiseren. Vanuit de machine learning-theorie moeten we de gegevens in groepen clusteren. Als het plan een ziekte heeft, zou een van deze groep dit aangeven.

Het classificatie-algoritme dat we gebruiken om deze informatie te groeperen, is het K-means-algoritme.

Stap 4: Resultaten en toekomstig werk

We kunnen dus enkele resultaten zien om sommige ziekten op te sporen uit de afbeeldingen en beeldclusters.

Een andere verbetering in ons project is het IoT-dashboard dat zou kunnen worden geïmplementeerd.