AVoiD (Agro View Disease)

Participantes:

Caio Ferreira
Maria Luiza Nascimento Rodrigues
Eronides Felisberto da Silva Neto

Resumo do projeto:

Sistema embarcado para detecção de pragas/parasitas em plantas.

Descrição do projeto:

Doenças de plantas são anormalidades provocadas geralmente por microorganismos, como bactérias, fungos, nematóides e vírus, mas podem ainda ser causadas por falta ou excesso de

elementos essenciais para o crescimento das plantas, tais como nutrientes, água e luz. Neste caso, são também conhecidas como distúrbios fisiológicos.

Medidas podem ser aplicadas a fim até mesmo de reduzir o impacto destas doenças na produção agrícola. A observação harmoniosa de um conjunto de medidas de controle, também

conhecido como controle integrado, por exemplo, tem como objetivo principal a redução da necessidade do uso de agrotóxicos.

AVoiD (Agro View Disease), é um sistema embarcado que utiliza técnicas de aprendizagem de máquina para monitoramento e controle de doenças em grandes plantações. Por meio de

uma base previamente captada, é construído um classificador que será embarcado a placa Qualcomm DragonBoard 410c. Uma vez que o dispositivo é integrado com tratores, carros ou

drones, a câmera anexada capta informações da plantação por meio de vídeos e/ou fotos sendo estas avaliadas pelo classificador embarcado. Com isso, os resultados são enviados a uma

plataforma online onde os dados são apresentados ao responsável da plantação.

 

Diferenciais da solução

O sistema embarcado para a classificação pode ser descrito em cinco passos principais para detecção de doença em uma planta:

Aquisição da Imagem: Etapa onde uma imagem obtida pela câmera é utilizada para ser processada.

Pré-processamento

da imagem: Etapa onde o tratamento da imagem é efetuado a fim de gerar o máximo de características.

Segmentação da imagem: Etapa onde a porção contaminada da imagem é separada de sua porção saudável.

Extração de características: Etapa onde as características que compõem um perfil contaminado da planta são armazenadas.

Classificação: Etapa onde a máquina de aprendizado é validada para detectar padrões de contaminação nas plantas.

O site, por sua vez, tem por finalidade ser uma plataforma amigável e de fácil usabilidade ao responsável pela plantação. Desenvolvida em Django, um framework gratuito e de código

aberto para a criação de aplicações web e escrito em Python, o site irá disponibilizar informações como percentual de plantações contaminadas, uso de agrotóxicos, entre outros.

 

 

Histórico do desenvolvimento:

Semana de 22/5/2017 a 26/05/2017

As primeiras atividades realizadas com a placa DragonBoard 410c foram relacionadas a instalação do S.O. A imagem usada é a da distribuição de Debian, disponível no site da Linaro/96boards.

Em seguida foi instalado os seguintes pacotes/programas:

– OpenCV;

– Libraries: GPS, acesso para GPIO;

Como um dos principais objetivos do nosso projeto é a detecção de doenças/parasitas em folhas de plantas. Assim, faz-se necessário testar modelos diferentes de WebCams compatíveis com a DragonBoard. Também foi testada algumas libraries do Python relacionadas a aprendizado de máquina.

Câmeras usadas no teste:

  • Genius C100

  • Multilaser

 

 

Semana de 29/5/2017 a 02/06/2017

Os resultado referentes a esta semana foram:

  • Seleção do banco de dados de imagens de plantas com parasitas para treinamento do classificador (qual planta em específico para teste em hardware ainda não foi definida);
  •  Testes com exemplos do OpenCV & WebCam
  • Definição da WebCam (modelo da MultiLaser)

 

Semana de 05/6/2017 a 09/06/2017

  • Testes da câmera a partir de scripts em Python: alguns problemas com compatibilidade da câmera em hubs USB aconteceram.

  • Tentativas de definição do banco de imagens para início dos testes dos algoritmos de treinamento para reconhecimento de possíveis doenças em plantas:
    • Busca de espécie economicamente explorada no Brasil com potencial para a nossa solução ter impacto na produção;
    • Escolhida a princípio aplicação da solução na cultura do café, para a qual o Brasil é um dos maiores produtores mundiais e apresenta uma morfologia da folha adequada para a aplicação da nossa solução;
    • Dificuldades em obter imagens para criar nosso banco de dados e realizar os testes: tentativa no site Plant Village, mas o mesmo está em processo de atualização. Enviado email para obter imagens com administrador do site. Algumas imagens obtidas no dataset da UCI.

Semana de 12/6/2017 a 16/06/2017

  • Testes de processamento e segmentação de imagem (offline e online) já realizados.

  • Em fase de implementação do algoritmo de identificação de doenças descrito neste artigo.
    • O algoritmo de detecção de regiões de possíveis infecções da planta através de imagens da folha será o K-means;
    • Neste algoritmo poderemos dividir as características da imagem em clusters para posteriormente esta imagem processada ser utilizada como entrada na máquina de aprendizagem baseada em SVM (Support Vector Machine).
  • Para a próxima semana devemos concluir a implementação da máquina de aprendizagem e após conseguir o dataset, utilizá-lo como entrada na nossa máquina. Também implementar a parte Web da nossa solução.

Semana de 19/6/2017 a 26/06/2017

Aguardem….

 

Hardware:

Hardware (até o momento…)

  • 1 placa DragonBoard 410C
  • 1 Linker Mezzanine Card Starter Kit
  • 1 webcam (modelo da MultiLaser)

Software/Firmware:

Os códigos do projeto em sua versão final e desenvolvimento ao longo das semanas pode ser encontrado no GitHub.

 

 

Referências: