AVoiD (Agro View Disease)
Participantes:
Caio FerreiraResumo 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.