Spisu treści:
2025 Autor: John Day | [email protected]. Ostatnio zmodyfikowany: 2025-01-23 15:03
Witam wszystkich, bierzemy udział w konkursie Inventing the Future with Dragonboard 410c sponsorowanym przez Embarcados, Linaro i Baita.
Projekt AVoID (choroba agrowidoku)
Naszym celem jest stworzenie wbudowanego systemu zdolnego do przechwytywania obrazu, przetwarzania i wykrywania ewentualnych chorób roślin w gospodarstwie. Dodatkową aplikacją naszego projektu (nie wdrożoną) jest możliwość monitorowania farmy w czasie rzeczywistym przez IoT.
Największą zaletą systemu AVoID jest to, że do monitorowania farmy nie jest potrzebny konkretny obiekt. Jeśli masz czterokołowiec lub drona, możesz po prostu przymocować platformę AVoID do swojego obiektu i monitorować farmę.
Zasadniczo AVoID składa się z Dranboard 410c i kamery internetowej.
W kolejnych kilku krokach wyjaśnimy w zasadzie, jak zbudować główny blok systemu AVoID
Zapraszamy do kontaktu w sprawie systemu AVoID i jego wdrożenia:
Caio Ferreira ([email protected])
Eronides Neto ([email protected])
Maria Luiza ([email protected])
Krok 1: Skonfiguruj sprzęt i oprogramowanie
Pierwszym krokiem naszego projektu jest ustawienie sprzętu potrzebnego do wdrożenia systemu AVoID.
Zasadniczo będziesz potrzebować
Sprzęt komputerowy
- 01x Dragonboard 410c (z obrazem Debiana, kliknij tutaj, aby zobaczyć, jak zainstalować Debiana na Dragonboard);
- 01x Kamera internetowa kompatybilna z Dragonboard (patrz tutaj kompatybilność);
Oprogramowanie
> Zainstaluj OpenCV na pakietach Dragonboard, Scikit Learn i Scikit dla dystrybucji Debian Linux.
- Instalacja OpenCV (zobacz ten link, skorzystaj z pierwszej części dotyczącej instalacji OpenCV);
- Zainstaluj Scikit Learn and Image przez terminal!
pip install -U scikit-learn
Krok 2: Podstawowe testy kamery internetowej
Naszym drugim krokiem jest sprawdzenie, czy wszystko, co ustawiliśmy, jest w porządku!
1) Uruchom kod demonstracyjny kamery internetowej, aby zobaczyć kilka zdjęć/filmów
Uruchom kod foto.py na terminalu.
> pyton foto.py
2) Uruchom przykład OpenCV
Inną opcją sprawdzenia, czy openCV jest poprawnie zainstalowane, jest uruchomienie przykładu opencv.
Krok 3: Szkolenie/testowanie zbioru danych w celu wdrożenia celu AVoID
Część A: techniki przetwarzania obrazu
Prawdopodobnie będzie to najbardziej złożony krok w naszym projekcie. Teraz musimy ustabilizować niektóre parametry i metryki, aby zdecydować, czy roślina (obraz z rośliny) ma jakąś chorobę.
Naszym głównym punktem odniesienia na tym etapie jest ten artykuł, który pokazuje, jak wykrywać choroby w liściach za pomocą technik przetwarzania obrazu. Zasadniczo naszym celem na tym etapie jest odtworzenie tych technik przetwarzania obrazu na płycie Dragonboard 410c.
1) Określ zestaw danych obrazu i rodzaj rośliny, którą chcesz wykrywać choroby
To ważna część twojej specyfikacji. Jakiej rośliny chcesz odeityzować choroby. Z referencji artykułu opracowujemy w oparciu o liść Strwaberry.
Ten kod ładuje liść truskawki i wykonuje część przetwarzania obrazu.
Część B: uczenie maszynowe
Po części związanej z przetwarzaniem obrazu musimy w jakiś sposób uporządkować dane. Z teorii uczenia maszynowego musimy pogrupować dane w grupy. Jeśli plan ma chorobę, jeden z tej grupy wskazałby to.
Algorytm klasyfikacji, którego używamy do grupowania tych informacji, to algorytm K-średnich.
Krok 4: Wyniki i przyszła praca
Możemy więc zobaczyć niektóre wyniki wykrywania niektórych chorób na podstawie obrazów i klastrów obrazów.
Innym usprawnieniem w naszym projekcie jest pulpit IoT, który można wdrożyć.
Zalecana:
Jak zrobić bezdotykowy dzwonek do drzwi, wykrywanie temperatury ciała, GY-906, 433 MHz za pomocą Arduino: 3 kroki
Jak zrobić bezdotykowy dzwonek do drzwi, wykrywanie temperatury ciała, GY-906, 433 MHz za pomocą Arduino: Dzisiaj zrobimy bezdotykowy dzwonek do drzwi, który wykryje temperaturę ciała. W obecnej sytuacji bardzo ważne jest, aby wiedzieć, czy temperatura ciała kogoś jest wyższa niż normalnie, gdy ktoś się wali. Ten projekt pokaże czerwone światło, jeśli wykryje jakikolwiek
Wykrywanie sytuacji awaryjnych - Qualcomm Dragonboard 410c: 7 kroków
Wykrywanie sytuacji awaryjnych - Qualcomm Dragonboard 410c: Poszukując systemów bezpieczeństwa, które monitorują sytuacje awaryjne, można zauważyć, że przetwarzanie wszystkich zapisanych informacji jest zbyt trudne. Myśląc o tym postanowiliśmy wykorzystać naszą wiedzę z zakresu przetwarzania dźwięku/obrazu, czujników i
Colec.te - Lixeira Inteligente Qualcomm Dragonboard 410c + OpenCV: 7 kroków
Colec.te - Lixeira Inteligente Qualcomm Dragonboard 410c + OpenCV: Nossa lixeira inteligentna składa się z oddzielnych i automatycznych do lixo. Através de uma webcam, ela identifica o tipo de lixo e o deposita no compartimento adequado para posteriormente ser reciclado
Podlewanie roślin domowych za pomocą NodeMCU, lokalnego serwera Blynk i Blynk Apk, regulowany punkt nastawczy: 3 kroki
Podlewanie roślin domowych za pomocą NodeMCU, lokalnego serwera Blynk i Blynk Apk, regulowany punkt nastawczy: Zbudowałem ten projekt, ponieważ moje rośliny domowe muszą być zdrowe, nawet gdy jestem na wakacjach przez dłuższy czas i podoba mi się ten pomysł kontrolować lub przynajmniej monitorować wszystkie możliwe rzeczy, które dzieją się w moim domu przez internet
Wykrywanie obiektów z Dragonboard 410c lub 820c przy użyciu OpenCV i Tensorflow.: 4 kroki
Object Detection W/ Dragonboard 410c lub 820c Using OpenCV i Tensorflow.: Ta instrukcja opisuje, jak zainstalować OpenCV, Tensorflow i frameworki uczenia maszynowego dla Pythona 3.5 w celu uruchomienia aplikacji Object Detection