მცენარეთა დაავადებების გამოვლენა Qualcomm Dragonboard 410c: 4 ნაბიჯი

2025 ავტორი: John Day | [email protected]. ბოლოს შეცვლილი: 2025-01-23 14:50

მოგესალმებით ყველას, ჩვენ ვმონაწილეობთ Inventing the Future with Dragonboard 410c კონკურსში, რომელსაც აფინანსებენ Embarcados, Linaro და Baita.

AVoID პროექტი (Agro View Disease)

ჩვენი მიზანია შევქმნათ ჩამონტაჟებული სისტემა, რომელსაც შეუძლია აღბეჭდოს სურათი, დაამუშაოს და გამოავლინოს ფერმაში შესაძლო მცენარეული დაავადებები. ჩვენი პროექტის დამატებითი პროგრამა (არ განხორციელებულა) არის IoT შესაძლებლობა რეალურ დროში ფერმის მონიტორინგისთვის.

AVoID სისტემის ყველაზე დიდი უპირატესობა ის არის, რომ თქვენ არ გჭირდებათ კონკრეტული სახის ობიექტი ფერმის მონიტორინგისთვის. თუ თქვენ გაქვთ ოთხი ველოსიპედი ან დრონი, შეგიძლიათ უბრალოდ მიამაგროთ AVoID პლატფორმა თქვენს ობიექტზე და აკონტროლოთ მათი ფერმა.

ძირითადად AVoID შედგება Dranboard 410c და ვებკამერა.

მომდევნო რამდენიმე ნაბიჯში ჩვენ ძირითადად განვმარტავთ, თუ როგორ უნდა ავაშენოთ AVoID სისტემის მთავარი ბლოკი

მოგერიდებათ დაგვიკავშირდეთ AVoID სისტემისა და მისი დანერგვის შესახებ:

კაიო ფერეირა ([email protected])

Eronides Neto ([email protected])

მარია ლუიზა ([email protected])

ნაბიჯი 1: დააყენეთ აპარატურა და პროგრამული უზრუნველყოფა

ჩვენი პროექტის პირველი ნაბიჯი არის საჭირო ტექნიკის შექმნა AVoID სისტემის დანერგვის მიზნით.

ძირითადად დაგჭირდებათ

ტექნიკა

- 01x Dragonboard 410c (დებიანის გამოსახულებით, დააწკაპუნეთ აქ რომ ნახოთ როგორ დააინსტალიროთ დებიანი Dragonboard– ზე);

- 01x ვებკამერა Dragonboard– თან თავსებადი (იხილეთ აქ თავსებადობა);

პროგრამული უზრუნველყოფა

> დააინსტალირეთ OpenCV Dragonboard– ზე, Scikit Learn და Scikit გამოსახულების პაკეტები Debian Linux– ის განაწილებისთვის.

- OpenCV- ის დაყენება (იხილეთ ეს ბმული, გამოიყენეთ OpenCV ინსტალაციასთან დაკავშირებული პირველი ნაწილი);

- დააინსტალირეთ Scikit Learn and Image ტერმინალის საშუალებით!

pip install -U scikit -learn

ნაბიჯი 2: ვებკამერის ძირითადი ტესტები

ჩვენი მეორე ნაბიჯი არის იმის შემოწმება, რომ ყველაფერი, რაც ჩვენ შევქმენით, ნორმალურია!

1) გაუშვით ვებკამერის დემო კოდი, რომ ნახოთ რამდენიმე სურათი/ვიდეო

გაუშვით კოდი foto.py ტერმინალზე.

> პითონი foto.py

2) გაუშვით OpenCV მაგალითი

სხვა ვარიანტი იმის დასადასტურებლად, რომ openCV სწორად არის დაინსტალირებული, არის opencv მაგალითის გაშვება.

ნაბიჯი 3: მონაცემთა ნაკრების სწავლება/ტესტირება AVoID მიზნის განსახორციელებლად

ნაწილი A: სურათის დამუშავების ტექნიკა

ალბათ ეს იქნება ყველაზე რთული ნაბიჯი ჩვენს პროექტში. ახლა ჩვენ გვჭირდება გარკვეული პარამეტრების და მეტრიკის სტაბილიზაცია, რათა გადავწყვიტოთ აქვს თუ არა დაავადებას მცენარე (გამოსახულება მცენარედან).

ამ ნაბიჯის ჩვენი მთავარი მითითება არის ეს სტატია, რომელიც გვიჩვენებს, თუ როგორ გამოვავლინოთ ფოთლებში არსებული დაავადებები გამოსახულების დამუშავების ტექნიკის გამოყენებით. ძირითადად, ჩვენი ამოცანაა ამ სურათის გამეორება Dragonboard 410c დაფაზე.

1) განსაზღვრეთ სურათის მონაცემთა ნაკრები და მცენარის ტიპი, რომლის დაავადებაც გსურთ გამოავლინოთ

ეს არის თქვენი სპეციფიკაციის მნიშვნელოვანი ნაწილი. როგორი მცენარე გინდათ განუსაზღვრელი დაავადებები. სტატიის მითითებიდან, ჩვენ ვვითარდებით Strwaberry ფოთლის საფუძველზე.

ეს კოდი, იტვირთება მარწყვის ფოთოლი და ასრულებს სურათის დამუშავების ნაწილს.

ნაწილი B: მანქანათმცოდნეობა

სურათის დამუშავების ნაწილის შემდეგ, ჩვენ უნდა მოვაწყოთ მონაცემები რაღაცნაირად. მანქანათმცოდნეობის თეორიიდან, ჩვენ გვჭირდება მონაცემების დაჯგუფება ჯგუფებად. თუ გეგმას აქვს დაავადება, ამ ჯგუფიდან რომელიმე მიუთითებს მას.

კლასიფიკაციის ალგორითმი, რომელსაც ჩვენ ვიყენებთ ამ ინფორმაციის დაჯგუფებისათვის არის K- საშუალებების ალგორითმი.

ნაბიჯი 4: შედეგები და მომავალი სამუშაო

ამრიგად, ჩვენ შეგვიძლია დავინახოთ გარკვეული შედეგები სურათების და სურათების მტევანიდან ზოგიერთი დაავადების გამოვლენის მიზნით.

ჩვენს პროექტში სხვა გაუმჯობესებაა IoT დაფა, რომლის განხორციელებაც შესაძლებელია.