Բույսերի հիվանդությունների հայտնաբերում Qualcomm Dragonboard 410c- ով ՝ 4 քայլ

2024 Հեղինակ: John Day | [email protected]. Վերջին փոփոխված: 2024-01-30 09:48

Ողջույն բոլորին, մենք մասնակցում ենք Dragonboard 410c- ով ապագայի հայտնագործման մրցույթին, որը հովանավորվում է Embarcados- ի, Linaro- ի և Baita- ի կողմից:

AVoID նախագիծ (Agro View Disease)

Մեր նպատակն է ստեղծել ներկառուցված համակարգ, որն ունակ է ֆերմայում նկարել, մշակել և հայտնաբերել բույսերի հնարավոր հիվանդությունները: Մեր նախագծի լրացուցիչ կիրառումը (չիրականացված է) IoT- ի հնարավորությունն է իրական ժամանակում վերահսկել ֆերմա:

AVoID համակարգի ամենամեծ առավելությունն այն է, որ ֆերմայում վերահսկելու համար ձեզ հարկավոր չէ որոշակի տեսակի օբյեկտ: Եթե ունեք քառանիվ կամ անօդաչու թռչող սարք, կարող եք պարզապես կցել AVoID պլատֆորմը ձեր օբյեկտին և վերահսկել ձեր ֆերմա:

Հիմնականում AVoID- ը կազմված է Dranboard 410c- ից և վեբ -տեսախցիկից:

Հաջորդ մի քանի քայլերում մենք հիմնականում բացատրում ենք, թե ինչպես կառուցել AVoID համակարգի հիմնական բլոկը:

Ազատորեն դիմեք մեզ AVoID համակարգի և դրա ներդրման մասին.

Կայո Ֆերեյրա ([email protected])

Էրոնիդես Նետո ([email protected])

Մարիա Լուիզա ([email protected])

Քայլ 1: Կարգավորեք սարքավորումները և ծրագրակազմը:

Մեր նախագծի առաջին քայլը ստեղծում է անհրաժեշտ ապարատը, որն իրականացնում է AVoID համակարգը:

Հիմնականում ձեզ պետք կգա

Սարքավորումներ

- 01x Dragonboard 410c (Debian պատկերով, կտտացրեք այստեղ ՝ տեսնելու, թե ինչպես տեղադրել Debian- ը Dragonboard- ում);

- 01x վեբ -տեսախցիկ համատեղելի է Dragonboard- ի հետ (տես այստեղ համատեղելիություն);

Ծրագրային ապահովում

> Տեղադրեք OpenCV Dragonboard- ում, Scikit Learn և Scikit պատկերների փաթեթներում Debian Linux բաշխման համար:

- OpenCV- ի տեղադրում (տե՛ս այս հղումը, օգտագործեք OpenCV- ի տեղադրմանը վերաբերող առաջին մասը);

- Տեղադրեք Scikit Learn and Image տերմինալի միջոցով:

pip install -U scikit -learn

Քայլ 2: Տեսախցիկի հիմնական թեստեր

Մեր երկրորդ քայլը ստուգելն է, որ այն ամենը, ինչ մենք կարգավորել ենք, նորմալ է:

1) Գործարկեք տեսախցիկի ցուցադրական կոդը ՝ որոշ պատկերներ/տեսանյութեր տեսնելու համար

Գործարկեք foto.py կոդը տերմինալի վրա:

> python foto.py

2) Գործարկեք OpenCV- ի որոշ օրինակ

Այլ տարբերակ `ստուգելու համար, որ openCV- ն ճիշտ է տեղադրված, գործարկում է opencv օրինակ:

Քայլ 3. AVoID նպատակի իրականացման համար տվյալների հավաքածուի ուսուցում/փորձարկում

Մաս Ա. Պատկերի մշակման տեխնիկա

Հավանաբար, սա կլինի ամենաբարդ քայլը մեր նախագծում: Այժմ մենք պետք է կայունացնենք որոշ պարամետրեր և չափումներ `որոշելու, թե արդյոք բույսը (բույսից ստացված պատկերը) ունի որևէ հիվանդություն:

Այս քայլի մեր հիմնական հղումը այս հոդվածն է, որը ցույց է տալիս, թե ինչպես կարելի է տերևների հիվանդությունները հայտնաբերել ՝ օգտագործելով պատկերի մշակման տեխնիկան: Հիմնականում, այս քայլի մեր նպատակն է վերարտադրել պատկերների մշակման այս տեխնիկան Dragonboard 410c տախտակում:

1) Սահմանեք պատկերի տվյալների հավաքածուն և այն բույսի տեսակը, որը ցանկանում եք հայտնաբերել հիվանդությունները

Սա ձեր ճշգրտման կարևոր մասն է: Ինչպիսի բույս եք ուզում անորոշացնել հիվանդությունները: Հոդվածի հղումից մենք զարգանում ենք ՝ հիմնվելով Strwaberry տերևի վրա:

Այս ծածկագիրը բեռնում է ելակի տերև և կատարում պատկերի մշակման մասը:

Մաս Բ. Մեքենայական ուսուցում

Պատկերի մշակման մասից հետո մենք պետք է ինչ -որ կերպ կազմակերպենք տվյալները: Մեքենայական ուսուցման տեսությունից մենք պետք է տվյալները խմբավորենք խմբերի մեջ: Եթե պլանը հիվանդություն ունի, այս խմբից մեկը դա ցույց կտա:

Դասակարգման ալգորիթմը, որը մենք օգտագործում ենք այս տեղեկատվությունը խմբավորելու համար, K-means ալգորիթմն է:

Քայլ 4: Արդյունքներ և ապագա աշխատանք

Այսպիսով, մենք կարող ենք տեսնել որոշ արդյունքներ ՝ որոշ հիվանդություններ հայտնաբերելու համար ՝ պատկերներից և պատկերի կլաստերներից:

Մեր նախագծի մյուս բարելավումը IoT- ի վահանակն է, որը հնարավոր է իրականացնել: