Taula de continguts:

Detecció de malalties de plantes amb Qualcomm Dragonboard 410c: 4 passos
Detecció de malalties de plantes amb Qualcomm Dragonboard 410c: 4 passos

Vídeo: Detecció de malalties de plantes amb Qualcomm Dragonboard 410c: 4 passos

Vídeo: Detecció de malalties de plantes amb Qualcomm Dragonboard 410c: 4 passos
Vídeo: Вычислительное мышление – информатика для руководителей бизнеса 2016 2024, De novembre
Anonim
Detecció de malalties de plantes amb Qualcomm Dragonboard 410c
Detecció de malalties de plantes amb Qualcomm Dragonboard 410c

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

Configureu el maquinari i el programari
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

Proves bàsiques de càmera web
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

Capacitar / provar un conjunt de dades per implementar un objectiu AVOID
Capacitar / provar un conjunt de dades per implementar un 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

Resultats i treball futur
Resultats i treball futur
Resultats i treballs futurs
Resultats i treballs futurs

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: