Sisällysluettelo:
2025 Kirjoittaja: John Day | [email protected]. Viimeksi muokattu: 2025-01-13 06:57
Hei kaikki! Osallistumme tulevaisuuden keksimiseen Dragonboard 410c -kilpailuun, jota sponsoroivat Embarcados, Linaro ja Baita.
AVoID -projekti (Agro View -tauti)
Tavoitteenamme on luoda sulautettu järjestelmä, joka pystyy kaappaamaan kuvan, käsittelemään ja havaitsemaan mahdolliset kasvitaudit tilalla. Projektimme (ei toteutettu) lisäsovellus on IoT -kyky seurata maatilaa reaaliajassa.
AVoID -järjestelmän suurin etu on, että et tarvitse tiettyä objektia tilan seurantaan. Jos sinulla on nelipyörä tai drone, voit yksinkertaisesti liittää AVoID -plataformin esineeseesi ja seurata tilan toimintaa.
Periaatteessa AVoID koostuu Dranboard 410c: stä ja verkkokamerasta.
Seuraavissa vaiheissa selitämme periaatteessa kuinka rakentaa AVoID -järjestelmän päälohko
Ota rohkeasti yhteyttä AVoID -järjestelmään ja sen käyttöönottoon liittyen:
Caio Ferreira ([email protected])
Eronides Neto ([email protected])
Maria Luiza ([email protected])
Vaihe 1: Laitteiston ja ohjelmiston asentaminen
Projektimme ensimmäinen vaihe on tarvittavan laitteiston käyttöönotto AVoID -järjestelmän käyttöönotossa.
Periaatteessa tarvitset
Laitteisto
- 01x Dragonboard 410c (Debian -kuvan kanssa, napsauta tästä nähdäksesi kuinka Debian asennetaan Dragonboardiin);
- 01x -verkkokamera, joka on yhteensopiva Dragonboardin kanssa (katso tästä yhteensopivuus);
Ohjelmisto
> Asenna OpenCV Dragonboard-, Scikit Learn- ja Scikit -kuvapaketteihin Debian Linux -jakelua varten.
- OpenCV: n asennus (katso tämä linkki, käytä OpenCV -asennukseen liittyvää ensimmäistä osaa);
- Asenna Scikit Learn ja Image päätelaitteen kautta!
pip install -U scikit -learn
Vaihe 2: Verkkokameran perustestit
Toinen vaihe on varmistaa, että kaikki asettamamme asiat ovat kunnossa!
1) Suorita verkkokameran esittelykoodi nähdäksesi joitain kuvia/videoita
Suorita koodi foto.py päätelaitteessa.
> python foto.py
2) Suorita jokin OpenCV -esimerkki
Toinen vaihtoehto sen varmistamiseksi, että openCV on asennettu oikein, on suorittaa opencv -esimerkki.
Vaihe 3: Tietojoukon koulutus/testaus AVoID -tavoitteen toteuttamiseksi
Osa A: kuvankäsittelytekniikat
Tämä on luultavasti hankkeen monimutkaisin vaihe. Nyt meidän on vakautettava joitakin parametreja ja mittareita päättääksemme, onko kasvilla (kuva kasveista) jokin sairaus.
Tärkein viittauksemme tähän vaiheeseen on tämä artikkeli, joka osoittaa, kuinka lehdet havaitaan sairauksilla kuvankäsittelytekniikoilla. Periaatteessa tavoitteemme tässä vaiheessa on toistaa nämä kuvankäsittelytekniikat Dragonboard 410c -levyssä.
1) Määritä kuvatietojoukko ja kasvi, jonka haluat havaita sairaudet
Tämä on tärkeä osa määrittelyäsi. Millaisen kasvin haluat erottaa sairauksista? Artikkelin viitteestä kehitämme Strwaberry -lehtien perusteella.
Tämä koodi lataa mansikanlehden ja suorittaa kuvankäsittelyosan.
Osa B: koneoppiminen
Kuvankäsittelyosan jälkeen meidän on järjestettävä tiedot jollain tavalla. Koneoppimisteoriasta meidän on ryhmitettävä tiedot ryhmiin. Jos suunnitelmassa on sairaus, joku tästä ryhmästä ilmoittaa sen.
Luokitusalgoritmi, jota käytämme näiden tietojen ryhmittelyyn, on K-keskiarvoalgoritmi.
Vaihe 4: Tulokset ja tuleva työ
Joten voimme nähdä joitakin tuloksia joidenkin sairauksien havaitsemiseksi kuvista ja kuvaryhmistä.
Toinen parannus projektissamme on IoT -kojelauta, joka voitaisiin ottaa käyttöön.