Détection des maladies des plantes avec Qualcomm Dragonboard 410c : 4 étapes

2024 Auteur: John Day | [email protected]. Dernière modifié: 2024-01-30 09:08

Bonjour à tous, nous participons au concours Inventing the Future with Dragonboard 410c sponsorisé par Embarcados, Linaro et Baita.

Projet AVoID (Maladie Agro View)

Notre objectif est de créer un système embarqué capable de capturer des images, de traiter et de détecter d'éventuelles maladies des plantes dans une ferme. Une application supplémentaire de notre projet (non implémentée) est la capacité IoT de surveiller en temps réel une ferme.

Le plus grand avantage du système AVoID est que vous n'avez pas besoin d'un type d'objet spécifique pour surveiller la ferme. Si vous possédez un quadricycle ou un drone, vous pouvez simplement attacher la plateforme AVoID à votre objet et surveiller sa ferme.

Fondamentalement, l'AVoID est composé du Dranboard 410c et d'une webcam.

Dans les prochaines étapes, nous expliquons essentiellement comment construire le bloc principal du système AVoID

N'hésitez pas à nous contacter au sujet du système AVoID et de sa mise en œuvre:

Caio Ferreira ([email protected])

Eronides Neto ([email protected])

Maria Luiza ([email protected])

Étape 1: Configurez le matériel et le logiciel

La première étape de notre projet est de mettre en place le matériel nécessaire pour implémenter le système AVoID.

Fondamentalement, vous aurez besoin

Matériel

- 01x Dragonboard 410c (avec image Debian, cliquez ici pour voir comment installer Debian sur Dragonboard);

- 01x Webcam compatible avec le Dragonboard (voir ici compatibilité);

Logiciel

> Installez OpenCV sur les packages d'images Dragonboard, Scikit Learn et Scikit pour la distribution Debian Linux.

- Installation d'OpenCV (voir ce lien, utilisez la première partie relative à l'installation d'OpenCV);

- Installez Scikit Learn et Image via le terminal !

pip install -U scikit-learn

Étape 2: Tests de base de la webcam

Notre deuxième étape consiste à vérifier que tout ce que nous avons configuré est ok !

1) Exécutez le code de démonstration de la webcam pour voir des images/vidéos

Exécutez le code foto.py sur le terminal.

> python foto.py

2) Exécutez un exemple OpenCV

Une autre option pour vérifier qu'openCV est correctement installé consiste à exécuter un exemple opencv.

Étape 3: Formation/test d'un ensemble de données pour mettre en œuvre l'objectif AVoID

Partie A: techniques de traitement d'images

Ce sera probablement l'étape la plus complexe de notre projet. Nous devons maintenant stabiliser certains paramètres et métriques pour décider si une plante (une image d'une plante) a une maladie.

Notre principale référence pour cette étape est cet article qui montre comment détecter les maladies dans les feuilles à l'aide de techniques de traitement d'images. Fondamentalement, notre objectif dans cette étape est de reproduire ces techniques de traitement d'imagerie dans la carte Dragonboard 410c.

1) Définissez l'ensemble de données d'image et le type de plante que vous souhaitez détecter les maladies

C'est une partie importante de votre spécification. Quel type de plante voulez-vous pour indemniser les maladies. A partir de la référence de l'article, nous développons sur la base d'une feuille de Strwaberry.

Ce code, charge une feuille de fraise et fait la partie de traitement d'image.

Partie B: apprentissage automatique

Après la partie traitement de l'image, nous devons organiser les données d'une manière ou d'une autre. À partir de la théorie de l'apprentissage automatique, nous devons regrouper les données en groupes. Si le plan a une maladie, un membre de ce groupe l'indiquera.

L'algorithme de classification que nous utilisons pour regrouper ces informations est l'algorithme K-means.

Étape 4: Résultats et travaux futurs

Ainsi, nous pouvons voir des résultats pour détecter certaines maladies à partir des images et des groupes d'images.

Une autre amélioration de notre projet est le tableau de bord IoT qui pourrait être mis en œuvre.