Qualcomm Dragonboard 410c ile Bitki Hastalıkları Tespiti: 4 Adım

2024 Yazar: John Day | [email protected]. Son düzenleme: 2024-01-30 13:19

Herkese merhaba, Embarcados, Linaro ve Baita sponsorluğunda Dragonboard 410c ile Geleceği Keşfetmek Yarışmasına katılıyoruz.

AVOID Projesi (Agro View Hastalığı)

Amacımız, bir çiftlikteki olası bitki hastalıklarını görüntüleyen, işleyen ve tespit edebilen gömülü bir sistem oluşturmaktır. Projemizin ek bir uygulaması (uygulanmadı), bir çiftliği gerçek zamanlı olarak izlemek için IoT yeteneğidir.

AVOID sisteminin en büyük avantajı, çiftliği izlemek için belirli bir tür nesneye ihtiyacınız olmamasıdır. Bir dört tekerlekli bisikletiniz veya bir dronunuz varsa, AVOID platformunu nesnenize bağlayabilir ve çiftliği izleyebilirsiniz.

Temel olarak AVOID, Dranboard 410c ve bir web kamerasından oluşur.

Sonraki birkaç adımda, AVOID sisteminin ana bloğunun nasıl oluşturulacağını temel olarak açıklayacağız

AVOID sistemi ve uygulaması hakkında bizimle iletişime geçmekten çekinmeyin:

Caio Ferreira ([email protected])

Eronides Neto ([email protected])

Maria Luiza ([email protected])

Adım 1: Donanım ve Yazılımı Kurun

Projemizin ilk adımı, gerekli donanımın kurulması ve AVOID sisteminin uygulanmasıdır.

Temelde ihtiyacınız olacak

Donanım

- 01x Dragonboard 410c (Debian görüntüsüyle, Debian'ın Dragonboard'a nasıl kurulduğunu görmek için buraya tıklayın);

- Dragonboard ile uyumlu 01x Web kamerası (buradaki uyumluluğa bakın);

Yazılım

> Debian Linux dağıtımı için OpenCV'yi Dragonboard, Scikit Learn ve Scikit görüntü paketlerine kurun.

- OpenCV kurulumu (bu bağlantıya bakın, OpenCV kurulumu ile ilgili ilk bölümü kullanın);

- Scikit Learn ve Image'i Terminal aracılığıyla kurun!

pip kurulumu -U scikit-learn

2. Adım: Web Kamerası Temel Testleri

İkinci adımımız, ayarladığımız her şeyin yolunda olduğunu doğrulamak!

1) Bazı görüntüleri/videoları görmek için web kamerası demo kodunu çalıştırın

Terminalde foto.py kodunu çalıştırın.

> piton foto.py

2) Bir OpenCV örneği çalıştırın

OpenCV'nin doğru şekilde kurulduğunu doğrulamak için diğer seçenek bir opencv örneği çalıştırmaktır.

Adım 3: AVOID Hedefini Uygulamak için bir Veri Kümesini eğitme/test etme

Bölüm A: görüntü işleme teknikleri

Muhtemelen bu, projemizdeki en karmaşık adım olacak. Şimdi, bir bitkinin (bir bitkiden bir görüntü) bir hastalığı olup olmadığına karar vermek için bazı parametreleri ve ölçüleri stabilize etmemiz gerekiyor.

Bu adım için ana referansımız, görüntü işleme teknikleri kullanılarak yapraklardaki hastalıkların nasıl tespit edileceğini gösteren bu makaledir. Temel olarak, bu adımdaki amacımız, bu görüntüleme işleme tekniklerini Dragonboard 410c kartında çoğaltmaktır.

1) Görüntü veri setini ve hastalıkları tespit etmek istediğiniz bitki türünü tanımlayın

Bu, spesifikasyonunuzun önemli bir parçasıdır. Hastalıkları teşhis etmek için ne tür bir bitki istiyorsunuz? Makale referansından, bir Çilek yaprağına dayalı olarak geliştiriyoruz.

Bu kod, bir çilek yaprağı yükler ve görüntü işleme kısmını yapar.

Bölüm B: makine öğrenimi

Görüntü işleme kısmından sonra verileri bir şekilde düzenlememiz gerekiyor. Makine öğrenimi teorisinden, verileri gruplar halinde kümelememiz gerekiyor. Planın bir hastalığı varsa, bu gruptan biri bunu belirtirdi.

Bu bilgileri gruplamak için kullandığımız sınıflandırma algoritması K-ortalama algoritmasıdır.

Adım 4: Sonuçlar ve Gelecekteki Çalışmalar

Böylece, görüntülerden ve görüntü kümelerinden bazı hastalıkları tespit etmek için bazı sonuçlar görebiliriz.

Projemizdeki diğer iyileştirme, uygulanabilecek IoT panosudur.