Augalų ligų aptikimas naudojant „Qualcomm Dragonboard 410c“: 4 žingsniai

2024 Autorius: John Day | [email protected]. Paskutinį kartą keistas: 2024-01-30 10:47

Sveiki visi! Dalyvaujame konkurse „Išradinėti ateitį su„ Dragonboard 410c “, kurį remia„ Embarcados “,„ Linaro “ir„ Baita “.

„AVoID“projektas („Agro View“liga)

Mūsų tikslas yra sukurti įterptąją sistemą, galinčią užfiksuoti vaizdą, apdoroti ir aptikti galimas augalų ligas ūkyje. Papildoma mūsų projekto programa (neįgyvendinta) yra daiktų interneto galimybė realiu laiku stebėti ūkį.

Didžiausias AVoID sistemos pranašumas yra tas, kad jums nereikia konkretaus objekto tipo, kad galėtumėte stebėti ūkį. Jei turite keturratį motociklą ar bepilotį orlaivį, galite tiesiog prie savo objekto pritvirtinti AVoID platforma ir stebėti ūkį.

Iš esmės AVoID sudaro „Dranboard 410c“ir internetinė kamera.

Kituose keliuose žingsniuose iš esmės paaiškinsime, kaip sukurti pagrindinį AVoID sistemos bloką

Nedvejodami kreipkitės į mus dėl AVoID sistemos ir jos diegimo:

Caio Ferreira ([email protected])

Eronidas Neto ([email protected])

Maria Luiza ([email protected])

1 veiksmas: nustatykite aparatūrą ir programinę įrangą

Pirmasis mūsų projekto žingsnis yra nustatyti reikalingą aparatūrą, kad būtų įdiegta AVoID sistema.

Iš esmės jums reikės

Techninė įranga

- 01x „Dragonboard 410c“(su „Debian“atvaizdu spustelėkite čia, kad pamatytumėte, kaip įdiegti „Debian“„Dragonboard“);

- 01x internetinė kamera, suderinama su „Dragonboard“(suderinamumą žr. Čia);

Programinė įranga

> Įdiekite „OpenCV“į „Debian Linux“platinimo „Dragonboard“, „Scikit Learn“ir „Scikit“vaizdų paketus.

- „OpenCV“diegimas (žr. Šią nuorodą, naudokite pirmąją dalį, susijusią su „OpenCV“diegimu);

- Įdiekite „Scikit Learn“ir „Image“per terminalą!

pip install -U scikit -learn

2 veiksmas: pagrindiniai žiniatinklio kameros testai

Antrasis mūsų žingsnis yra patikrinti, ar viskas, ką nustatėme, yra gerai!

1) Norėdami pamatyti kai kuriuos vaizdus/vaizdo įrašus, paleiskite internetinės kameros demonstracinį kodą

Terminale paleiskite kodą foto.py

> python foto.py

2) Paleiskite „OpenCV“pavyzdį

Kita galimybė patikrinti, ar „openCV“yra tinkamai įdiegta, yra paleisti „opencv“pavyzdį.

3 veiksmas: mokykite/išbandykite duomenų rinkinį, kad įgyvendintumėte AVoID tikslą

A dalis: vaizdo apdorojimo būdai

Tikriausiai tai bus sudėtingiausias mūsų projekto žingsnis. Dabar turime stabilizuoti kai kuriuos parametrus ir metriką, kad nuspręstume, ar augalas (augalo vaizdas) turi kokią nors ligą.

Pagrindinė šio žingsnio nuoroda yra šis straipsnis, kuriame parodyta, kaip aptikti lapų ligas, naudojant vaizdo apdorojimo metodus. Iš esmės mūsų tikslas šiame žingsnyje yra pakartoti šiuos vaizdo apdorojimo būdus „Dragonboard 410c“plokštėje.

1) Apibrėžkite vaizdo duomenų rinkinį ir augalų rūšį, kurią norite aptikti

Tai svarbi jūsų specifikacijos dalis. Kokį augalą norite atskirti nuo ligų. Remdamiesi straipsnio nuoroda, mes kuriame pagal Strwaberry lapą.

Šis kodas įkelia braškių lapą ir atlieka vaizdo apdorojimo dalį.

B dalis: mašinų mokymasis

Pasibaigus vaizdo apdorojimo daliai, turime tam tikru būdu sutvarkyti duomenis. Iš mašininio mokymosi teorijos turime suskirstyti duomenis į grupes. Jei planas turi ligą, viena iš šios grupės tai nurodytų.

Klasifikavimo algoritmas, kurį naudojame šiai informacijai grupuoti, yra K-vidurkio algoritmas.

4 žingsnis: rezultatai ir būsimas darbas

Taigi, mes galime pamatyti kai kuriuos rezultatus, kad nustatytume kai kurias ligas iš vaizdų ir vaizdų grupių.

Kitas mūsų projekto patobulinimas yra daiktų interneto prietaisų skydelis, kurį būtų galima įgyvendinti.