Taula de continguts:
- Pas 1: configureu el maquinari i el programari
- Pas 2: proves bàsiques de càmera web
- Pas 3: entrenar / provar un conjunt de dades per implementar l'objectiu AVOID
- Pas 4: Resultats i treball futur
Vídeo: Detecció de malalties de plantes amb Qualcomm Dragonboard 410c: 4 passos
2024 Autora: John Day | [email protected]. Última modificació: 2024-01-30 08:14
Hola a tothom, participem del Concurs Inventar el futur amb Dragonboard 410c patrocinat per Embarcados, Linaro i Baita.
Projecte AVOID (malaltia de visualització agroalimentària)
El nostre objectiu és crear un sistema incrustat capaç de capturar imatge, processar i detectar possibles malalties de les plantes en una granja. Una aplicació addicional del nostre projecte (no implementada) és la capacitat de IoT per controlar en temps real una granja.
L’avantatge més gran del sistema AVOID és que no necessiteu cap tipus d’objecte específic per supervisar la granja. Si teniu un quadricicle o un dron, només podeu connectar la plataforma AVOID al vostre objecte i controlar-ne la granja.
Bàsicament, AVoID està compost pel Dranboard 410c i una càmera web.
En els següents passos bàsicament expliquem com construir el bloc principal del sistema AVOID
No dubteu a contactar-nos sobre el sistema AVOID i la seva implementació:
Caio Ferreira ([email protected])
Eronides Neto ([email protected])
Maria Luiza ([email protected])
Pas 1: configureu el maquinari i el programari
El primer pas del nostre projecte és configurar el maquinari necessari per implementar el sistema AVOID.
Bàsicament el necessitareu
Maquinari
- 01x Dragonboard 410c (amb imatge de Debian, feu clic aquí per veure com instal·lar Debian a Dragonboard);
- Càmera web 01x compatible amb el Dragonboard (veure compatibilitat aquí);
Programari
> Instal·leu OpenCV al paquet d'imatges Dragonboard, Scikit Learn i Scikit per a la distribució Debian Linux.
- Instal·lació d’OpenCV (vegeu aquest enllaç, utilitzeu la primera part relacionada amb la instal·lació d’OpenCV);
- Instal·leu Scikit Learn and Image a través del terminal.
pip install -U scikit-learn
Pas 2: proves bàsiques de càmera web
El nostre segon pas és verificar que tot el que configurem està bé.
1) Executeu el codi de demostració de la càmera web per veure algunes imatges / vídeos
Executeu el codi foto.py al terminal.
> python foto.py
2) Executeu algun exemple d'OpenCV
Una altra opció per verificar que openCV està instal·lat correctament és executar un exemple d’opencv.
Pas 3: entrenar / provar un conjunt de dades per implementar l'objectiu AVOID
Part A: tècniques de processament d'imatges
Probablement aquest serà el pas més complex del nostre projecte. Ara hem d’estabilitzar alguns paràmetres i mètriques per decidir si una planta (una imatge d’una planta) té alguna malaltia.
La nostra principal referència per a aquest pas és aquest article que mostra com detectar malalties a les fulles mitjançant tècniques de processament d’imatges. Bàsicament, el nostre objectiu en aquest pas és replicar aquestes tècniques de processament d’imatges a la placa Dragonboard 410c.
1) Definiu el conjunt de dades de la imatge i el tipus de planta que voleu detectar malalties
Aquesta és una part important de la vostra especificació. Quin tipus de planta voleu indeitificar les malalties. A partir de la referència de l'article, ens desenvolupem a partir d'una fulla de Strwaberry.
Aquest codi, carrega una fulla de maduixa i fa la part de processament d’imatges.
Part B: aprenentatge automàtic
Després de la part de processament d’imatges, hem d’organitzar les dades d’alguna manera. A partir de la teoria de l’aprenentatge automàtic, hem de agrupar les dades en grups. Si el pla té una malaltia, un d’aquest grup ho indicaria.
L’algorisme de classificació que fem servir per agrupar aquesta informació és l’algorisme K-means.
Pas 4: Resultats i treball futur
Per tant, podem veure alguns resultats per detectar algunes malalties de les imatges i els clústers d’imatges.
Una altra millora del nostre projecte és el tauler de l’IoT que es podria implementar.
Recomanat:
Detecció de situacions emergents: Qualcomm Dragonboard 410c: 7 passos
Detecció de situacions d'emergència - Qualcomm Dragonboard 410c: buscant sistemes de seguretat que treballin per supervisar situacions d'emergència, és possible adonar-se que és massa difícil processar tota la informació registrada. Pensant en això, vam decidir utilitzar els nostres coneixements en processament d’àudio / imatge, sensors i
Com detectar malalties de plantes mitjançant l'aprenentatge automàtic: 6 passos
Com detectar malalties de plantes mitjançant l’aprenentatge automàtic: el procés de detecció i reconeixement de plantes malaltes sempre ha estat un procés manual i tediós que requereix que els humans inspeccionin visualment el cos de la planta, cosa que sovint pot conduir a un diagnòstic incorrecte. També s'ha predit que, com a
Alimentador automàtic de plantes WiFi amb dipòsit - Instal·lació de cultiu interior / exterior - Plantes d'aigua automàticament amb control remot: 21 passos
Alimentador automàtic de plantes WiFi amb dipòsit - Instal·lació de cultiu interior / exterior - Plantes d'aigua automàticament amb control remot: en aquest tutorial demostrarem com configurar un sistema d'alimentació de plantes personalitzat interior / exterior que regui les plantes automàticament i es pugui controlar de forma remota mitjançant la plataforma Adosia
Detecció d'objectes W / Dragonboard 410c o 820c mitjançant OpenCV i Tensorflow .: 4 passos
Object Detection W / Dragonboard 410c o 820c mitjançant OpenCV i Tensorflow. Aquest document descriu com instal·lar OpenCV, Tensorflow i frameworks d’aprenentatge automàtic per Python 3.5 per executar l’aplicació Detecció d’objectes
Vols vacunar-te o no? un projecte sobre l'observació de la immunitat del ramat mitjançant la simulació de malalties: 15 passos
Vols vacunar-te o no? un projecte sobre l'observació de la immunitat del ramat mitjançant la simulació de malalties: visió general del projecte: el nostre projecte explora la immunitat del ramat i espera animar les persones a vacunar-se per disminuir les taxes d'infecció a les nostres comunitats. El nostre programa simula com una malaltia infecta una població amb diferents percentatges de vacunació