Phát hiện bệnh hại cây trồng với Qualcomm Dragonboard 410c: 4 bước

2024 Tác giả: John Day | [email protected]. Sửa đổi lần cuối: 2024-01-30 13:33

Xin chào các bạn, chúng tôi đang tham gia Cuộc thi Phát minh Tương lai với Dragonboard 410c do Embarcados, Linaro và Baita tài trợ.

Dự án AVoID (Dịch bệnh trong nông nghiệp)

Mục tiêu của chúng tôi là tạo ra một hệ thống nhúng có thể chụp ảnh, xử lý và phát hiện các bệnh thực vật có thể xảy ra trong trang trại. Một ứng dụng bổ sung của dự án của chúng tôi (không được triển khai) là khả năng IoT giám sát trang trại trong thời gian thực.

Ưu điểm lớn nhất của hệ thống AVoID là bạn không cần một loại đối tượng cụ thể để giám sát trang trại. Nếu bạn có một chiếc xe bốn bánh hoặc một máy bay không người lái, bạn có thể chỉ cần gắn AVoID plataform vào đối tượng của mình và theo dõi trang trại nhiệt.

Về cơ bản AVoID được cấu tạo bởi Dranboard 410c và một webcam.

Trong vài bước tiếp theo, chúng tôi giải thích cơ bản cách xây dựng khối chính của hệ thống AVoID

Vui lòng liên hệ với chúng tôi về hệ thống AVoID và việc triển khai hệ thống:

Caio Ferreira ([email protected])

Eronides Neto ([email protected])

Maria Luiza ([email protected])

Bước 1: Thiết lập phần cứng và phần mềm

Bước đầu tiên của dự án của chúng tôi là thiết lập phần cứng cần thiết để thực hiện hệ thống AVoID.

Về cơ bản bạn sẽ cần

Phần cứng

- 01x Dragonboard 410c (với hình ảnh Debian, bấm vào đây để xem cách cài đặt Debian trên Dragonboard);

- 01x Webcam tương thích với Dragonboard (xem tính tương thích tại đây);

Phần mềm

> Cài đặt OpenCV trên các gói hình ảnh Dragonboard, Scikit Learn và Scikit cho bản phân phối Debian Linux.

- Cài đặt OpenCV (xem liên kết này, sử dụng phần đầu tiên liên quan đến cài đặt OpenCV);

- Cài đặt Scikit Learn và Image thông qua Terminal!

pip install -U scikit-learning

Bước 2: Kiểm tra cơ bản về Webcam

Bước thứ hai của chúng tôi là xác minh rằng mọi thứ chúng tôi thiết lập đều ổn!

1) Chạy mã demo webcam để xem một số hình ảnh / video

Chạy mã foto.py trên thiết bị đầu cuối.

> python foto.py

2) Chạy một số ví dụ OpenCV

Tùy chọn khác để xác minh rằng openCV được cài đặt chính xác là chạy một ví dụ opencv.

Bước 3: Đào tạo / thử nghiệm Tập dữ liệu để thực hiện mục tiêu AVoID

Phần A: kỹ thuật xử lý hình ảnh

Có lẽ đây sẽ là bước phức tạp nhất trong dự án của chúng tôi. Bây giờ chúng ta cần ổn định một số thông số và chỉ số để quyết định xem cây (hình ảnh từ cây) có bị bệnh hay không.

Tài liệu tham khảo chính của chúng tôi cho bước này là bài viết này trình bày cách phát hiện bệnh trên lá bằng kỹ thuật xử lý hình ảnh. Về cơ bản, mục tiêu của chúng tôi trong bước này là tái tạo các kỹ thuật xử lý hình ảnh này trong bảng Dragonboard 410c.

1) Xác định tập dữ liệu hình ảnh và loại cây mà bạn muốn phát hiện bệnh

Đây là một phần quan trọng trong xác định của bạn. Bạn muốn loại cây nào để chống lại bệnh tật. Từ tài liệu tham khảo bài viết, chúng tôi phát triển dựa trên một lá Strwaberry.

Mã này, tải một lá dâu tây và thực hiện phần xử lý hình ảnh.

Phần B: học máy

Sau phần xử lý ảnh, chúng ta cần tổ chức dữ liệu theo một cách nào đó. Từ lý thuyết học máy, chúng ta cần phân cụm dữ liệu theo nhóm. Nếu chương trình có bệnh, một trong nhóm này sẽ chỉ ra nó.

Thuật toán phân loại mà chúng tôi sử dụng để nhóm các thông tin này là thuật toán K-mean.

Bước 4: Kết quả và công việc trong tương lai

Vì vậy, chúng ta có thể xem một số kết quả để phát hiện một số bệnh từ các hình ảnh và cụm hình ảnh.

Cải tiến khác trong dự án của chúng tôi là bảng điều khiển IoT có thể được triển khai.