Índice:
2025 Autor: John Day | [email protected]. Última modificação: 2025-01-13 06:58
Olá a todos, estamos participando do Concurso Inventando o Futuro com Dragonboard 410c patrocinado pela Embarcados, Linaro e Baita.
Projeto AVoID (Agro View Disease)
Nosso objetivo é criar um sistema embarcado capaz de capturar imagens, processar e detectar possíveis doenças de plantas em uma fazenda. Uma aplicação adicional do nosso projeto (não implementada) é a capacidade de IoT para monitorar em tempo real um farm.
A maior vantagem do sistema AVoID é que você não precisa de um tipo específico de objeto para monitorar a fazenda. Se você tem um quadriciclo ou drone, você pode simplesmente anexar a plataforma AVoID ao seu objeto e monitorar sua fazenda.
Basicamente o AVoID é composto pelo Dranboard 410c e uma webcam.
Nas próximas etapas, explicamos basicamente como construir o bloco principal do sistema AVoID
Sinta-se à vontade para nos contatar sobre o sistema AVoID e sua implementação:
Caio Ferreira ([email protected])
Eronides Neto ([email protected])
Maria Luiza ([email protected])
Etapa 1: Configure o Hardware e Software
O primeiro passo do nosso projeto é configurar o hardware necessário para implementar o sistema AVoID.
Basicamente, você vai precisar
Hardware
- 01x Dragonboard 410c (com imagem do Debian, clique aqui para ver como instalar o Debian no Dragonboard);
- 01x Webcam compatível com Dragonboard (veja aqui compatibilidade);
Programas
> Instale OpenCV nos pacotes de imagem Dragonboard, Scikit Learn e Scikit para a distribuição Debian Linux.
- Instalação do OpenCV (veja este link, use a primeira parte relacionada à instalação do OpenCV);
- Instale o Scikit Learn e Image através do Terminal!
pip install -U scikit-learn
Etapa 2: testes básicos da webcam
Nossa segunda etapa é verificar se tudo o que configuramos está ok!
1) Execute o código de demonstração da webcam para ver algumas imagens / vídeos
Execute o código foto.py no terminal.
> python foto.py
2) Execute algum exemplo OpenCV
Outra opção para verificar se o openCV está instalado corretamente é executar um exemplo do opencv.
Etapa 3: treinar / testar um conjunto de dados para implementar a meta AVoID
Parte A: técnicas de processamento de imagem
Provavelmente esta será a etapa mais complexa do nosso projeto. Agora precisamos estabelecer alguns parâmetros e métricas para decidir se uma planta (uma imagem de uma planta) tem alguma doença.
Nossa principal referência para esta etapa é este artigo que mostra como detectar doenças em folhas usando técnicas de processamento de imagens. Basicamente, nosso objetivo nesta etapa é replicar essas técnicas de processamento de imagem na placa Dragonboard 410c.
1) Defina o conjunto de dados de imagem e o tipo de planta que você deseja detectar doenças
Esta é uma parte importante da sua especificação. Que tipo de planta você quer para tornar as doenças indefinidas. A partir da referência do artigo, desenvolvemos com base em uma folha de Strwaberry.
Este código carrega uma folha de morango e faz a parte de processamento da imagem.
Parte B: aprendizado de máquina
Após a parte de processamento da imagem, precisamos organizar os dados de alguma forma. A partir da teoria do aprendizado de máquina, precisamos agrupar os dados em grupos. Se o plano tiver alguma doença, alguém desse grupo indicaria.
O algoritmo de classificação que usamos para agrupar essas informações é o algoritmo K-means.
Etapa 4: Resultados e trabalho futuro
Assim, podemos ver alguns resultados para detectar algumas doenças das imagens e clusters de imagens.
Outra melhoria em nosso projeto é o painel IoT que pode ser implementado.