Detección de enfermedades de plantas con Qualcomm Dragonboard 410c: 4 pasos

2024 Autor: John Day | [email protected]. Última modificación: 2024-01-30 08:42

Hola a todos, participamos del Concurso Inventing the Future with Dragonboard 410c patrocinado por Embarcados, Linaro y Baita.

Proyecto AVoID (Enfermedad Agro View)

Nuestro objetivo es crear un sistema integrado capaz de capturar imágenes, procesar y detectar posibles enfermedades de las plantas en una granja. Una aplicación adicional de nuestro proyecto (no implementado) es la capacidad de IoT para monitorear en tiempo real una granja.

La mayor ventaja del sistema AVoID es que no necesita un tipo específico de objeto para monitorear la granja. Si tiene un cuadriciclo o un dron, simplemente puede conectar la plataforma AVoID a su objeto y monitorear su granja.

Básicamente, el AVoID está compuesto por el Dranboard 410c y una cámara web.

En los siguientes pasos, básicamente explicamos cómo construir el bloque principal del sistema AVoID

No dude en contactarnos sobre el sistema AVoID y su implementación:

Caio Ferreira ([email protected])

Eronides Neto ([email protected])

María Luiza ([email protected])

Paso 1: ¡Configure el hardware y el software

El primer paso de nuestro proyecto es configurar el hardware necesario para implementar el sistema AVoID.

Básicamente necesitarás

Hardware

- 01x Dragonboard 410c (con imagen de Debian, haga clic aquí para ver cómo instalar Debian en Dragonboard);

- Webcam 01x compatible con Dragonboard (ver aquí compatibilidad);

Software

> Instale OpenCV en los paquetes de imágenes Dragonboard, Scikit Learn y Scikit para la distribución Debian Linux.

- Instalación de OpenCV (vea este enlace, use la primera parte relacionada con la instalación de OpenCV);

- ¡Instale Scikit Learn e Image a través de la Terminal!

pip install -U scikit-learn

Paso 2: Pruebas básicas de la cámara web

Nuestro segundo paso es verificar que todo lo que configuramos esté bien.

1) Ejecute el código de demostración de la cámara web para ver algunas imágenes / videos

Ejecute el código foto.py en la terminal.

> pitón foto.py

2) Ejecute algún ejemplo de OpenCV

Otra opción para verificar que openCV está correctamente instalado es ejecutar un ejemplo de opencv.

Paso 3: Entrenamiento / prueba de un conjunto de datos para implementar el objetivo de EVITAR

Parte A: técnicas de procesamiento de imágenes

Probablemente este sea el paso más complejo de nuestro proyecto. Ahora necesitamos estabilizar algunos parámetros y métricas para decidir si una planta (una imagen de una planta) tiene alguna enfermedad.

Nuestra principal referencia para este paso es este artículo que muestra cómo detectar enfermedades en hojas utilizando técnicas de procesamiento de imágenes. Básicamente, nuestro objetivo en este paso es replicar estas técnicas de procesamiento de imágenes en la placa Dragonboard 410c.

1) Defina el conjunto de datos de imágenes y el tipo de planta que desea detectar enfermedades

Esta es una parte importante de su especifcación. ¿Qué tipo de planta quieres para indefinir enfermedades? A partir de la referencia del artículo, desarrollamos en base a una hoja de Strwaberry.

Este código carga una hoja de fresa y hace la parte de procesamiento de imágenes.

Parte B: aprendizaje automático

Después de la parte de procesamiento de imágenes, necesitamos organizar los datos de alguna manera. Desde la teoría del aprendizaje automático, necesitamos agrupar los datos en grupos. Si el plan tiene alguna enfermedad, uno de este grupo lo indicaría.

El algoritmo de clasificación que usamos para agrupar esta información es el algoritmo K-means.

Paso 4: Resultados y trabajo futuro

Entonces, podemos ver algunos resultados para detectar algunas enfermedades a partir de las imágenes y los grupos de imágenes.

Otra mejora en nuestro proyecto es el panel de IoT que podría implementarse.