Detecção de doenças de plantas com Qualcomm Dragonboard 410c: 4 etapas

2024 Autor: John Day | [email protected]. Última modificação: 2024-01-30 11:37

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.