تشخیص بیماری های گیاهی با Qualcomm Dragonboard 410c: 4 مرحله

2024 نویسنده: John Day | [email protected]. آخرین اصلاح شده: 2024-01-30 08:55

سلام به همگی ، ما در مسابقه اختراع آینده با Dragonboard 410c که توسط Embarcados ، Linaro و Baita حمایت می شود شرکت می کنیم.

پروژه AVoID (بیماری Agro View)

هدف ما ایجاد یک سیستم تعبیه شده است که قادر به ضبط تصویر ، پردازش و تشخیص بیماریهای احتمالی گیاهان در مزرعه است. یکی دیگر از کاربردهای پروژه ما (اجرا نشده) قابلیت IoT برای نظارت بر زمان واقعی یک مزرعه است.

بزرگترین مزیت سیستم AVoID این است که شما برای نظارت بر مزرعه به شی خاصی نیاز ندارید. اگر چهارچرخه یا هواپیمای بدون سرنشین دارید ، به سادگی می توانید پلت فرم AVoID را به شیء خود وصل کرده و مزرعه خود را زیر نظر داشته باشید.

اساساً AVoID توسط Dranboard 410c و یک وب کم تشکیل شده است.

در چند مرحله بعدی ما اساساً نحوه ساخت بلوک اصلی سیستم AVoID را توضیح می دهیم

در مورد سیستم AVoID و پیاده سازی آن با ما تماس بگیرید:

کایو فریرا ([email protected])

Eronides Neto ([email protected])

ماریا لوییزا ([email protected])

مرحله 1: سخت افزار و نرم افزار را تنظیم کنید

اولین مرحله پروژه ما تنظیم سخت افزار مورد نیاز برای پیاده سازی سیستم AVoID است.

اساساً شما نیاز خواهید داشت

سخت افزار

- 01x Dragonboard 410c (با تصویر Debian ، برای مشاهده نحوه نصب Debian در Dragonboard اینجا را کلیک کنید) ؛

- 01x وب کم سازگار با Dragonboard (سازگاری را اینجا ببینید) ؛

نرم افزار

> OpenCV را روی بسته های Dragonboard ، Scikit Learn و Scikit برای توزیع لینوکس Debian نصب کنید.

- نصب OpenCV (این پیوند را ببینید ، از قسمت اول مربوط به نصب OpenCV استفاده کنید) ؛

- Scikit Learn and Image را از طریق ترمینال نصب کنید!

pip install -U scikit -learn

مرحله 2: آزمایشات اساسی وب کم

گام دوم ما این است که بررسی کنیم همه چیزهایی که تنظیم کرده ایم خوب است!

1) برای مشاهده برخی از تصاویر/فیلم ها ، کد نمایشی وب کم را اجرا کنید

کد foto.py را در ترمینال اجرا کنید.

> python foto.py

2) چند نمونه OpenCV را اجرا کنید

گزینه دیگر برای تأیید صحت نصب openCV این است که یک نمونه opencv را اجرا کنید.

مرحله 3: آموزش/آزمایش مجموعه داده برای پیاده سازی هدف AVoID

بخش A: تکنیک های پردازش تصویر

احتمالاً این پیچیده ترین مرحله در پروژه ما خواهد بود. اکنون ما باید برخی پارامترها و معیارها را تثبیت کنیم تا تصمیم بگیریم آیا گیاه (تصویری از گیاه) بیماری دارد.

مرجع اصلی ما برای این مرحله این مقاله است که نحوه تشخیص بیماریها در برگها با استفاده از تکنیک های پردازش تصویر را نشان می دهد. اساساً ، هدف ما در این مرحله تکرار این تکنیک های پردازش تصویر در برد Dragonboard 410c است.

1) مجموعه داده های تصویری و نوع گیاهی را که می خواهید بیماری ها را تشخیص دهد ، تعریف کنید

این بخش مهمی از مشخصات شما است. چه نوع گیاهی می خواهید بیماری ها را غیرقابل تشخیص کند. از مرجع مقاله ، ما بر اساس یک برگ Strwaberry توسعه می دهیم.

این کد ، برگ توت فرنگی را بارگذاری می کند و قسمت پردازش تصویر را انجام می دهد.

بخش B: یادگیری ماشین

پس از قسمت پردازش تصویر ، باید داده ها را به نحوی سازماندهی کنیم. از نظریه یادگیری ماشین ، ما باید داده ها را به صورت گروهی دسته بندی کنیم. اگر طرح بیماری داشته باشد ، یکی از این گروه آن را نشان می دهد.

الگوریتم طبقه بندی که برای گروه بندی این اطلاعات استفاده می کنیم ، الگوریتم K-means است.

مرحله 4: نتایج و کارهای آینده

بنابراین ، ما می توانیم برخی نتایج را برای تشخیص برخی بیماریها از تصاویر و خوشه های تصویر مشاهده کنیم.

بهبود دیگر پروژه ما داشبورد اینترنت اشیا است که می تواند اجرا شود.