作物病害損害是農(nóng)民關(guān)注的一個(gè)主要問題，該項(xiàng)目工作利用機(jī)器學(xué)習(xí)根據(jù)葉子照片確定作物中存在的疾病類型。首先，使用 Single Shot Detector，從現(xiàn)場(chǎng)捕獲的視頻源中實(shí)時(shí)單獨(dú)檢測(cè)樹葉。從田間拍攝的樹葉圖像也可以作為該系統(tǒng)的輸入。提出了一個(gè)卷積神經(jīng)網(wǎng)絡(luò)來對(duì)作物中存在的疾病類型進(jìn)行分類，該網(wǎng)絡(luò)使用 PlantVillage 數(shù)據(jù)集進(jìn)行訓(xùn)練，所提出的混合網(wǎng)絡(luò)在Kria KV-260上實(shí)現(xiàn)用于實(shí)時(shí)檢測(cè)和識(shí)別。所以這個(gè)平臺(tái)是為高級(jí)視覺應(yīng)用開發(fā)而開發(fā)的，不需要復(fù)雜的硬件設(shè)計(jì)知識(shí)。KV260還提供了通過 Vitis AI 在軟件級(jí)別區(qū)分我們的設(shè)計(jì)的好處。達(dá)到的疾病分類準(zhǔn)確率在95.88%左右。為了對(duì)抗作物疾病造成的損失，基于機(jī)器學(xué)習(xí)的邊緣人工智能系統(tǒng)可以檢測(cè)疾病，幫助農(nóng)民提高產(chǎn)量。

動(dòng)機(jī) - 為什么我們決定做這個(gè)項(xiàng)目？

農(nóng)業(yè)對(duì)世界經(jīng)濟(jì)極為重要。如今，由于作物病害檢測(cè)沒有成功地整合到農(nóng)民的收割過程中，大部分作物植被都失敗了。每年，農(nóng)民都在與疾病對(duì)他們的作物造成的損害作斗爭(zhēng)。農(nóng)民可以從這些疾病的早期發(fā)現(xiàn)和治療中受益匪淺。很難在該領(lǐng)域找到能夠檢測(cè)任何類型植物病害的熟練專家。如果自動(dòng)化系統(tǒng)能夠通過手持設(shè)備或農(nóng)業(yè)設(shè)備上的硬件實(shí)時(shí)識(shí)別作物病害和其他問題（如營(yíng)養(yǎng)不良、雜草或昆蟲損害），這對(duì)農(nóng)民來說將是一個(gè)福音。

因此，需要一個(gè)能夠在整個(gè)收成毀壞之前預(yù)測(cè)作物疾病的系統(tǒng)。機(jī)器學(xué)習(xí)可用于檢測(cè)作物疾病并幫助農(nóng)民識(shí)別疾病。本研究項(xiàng)目利用深度學(xué)習(xí)的概念，構(gòu)建實(shí)時(shí)植物病害檢測(cè)系統(tǒng)。該模型可以部署在 Kria KV260 等嵌入式平臺(tái)上，以實(shí)時(shí)檢測(cè)作物中存在的疾病。主要目的是有效地預(yù)測(cè)植物病害，因此農(nóng)民可以在病害蔓延到作物之前采取有效措施。

因此，該項(xiàng)目的目標(biāo)如下：

收集印度作物的作物病害數(shù)據(jù)集（古吉拉特邦）

開發(fā)用于作物病害檢測(cè)和分類的機(jī)器學(xué)習(xí) （ML） 模型。

在 Kria KV 260 上移植 ML 模型

該項(xiàng)目的主要目標(biāo)是有效檢測(cè)植物上的葉子，然后準(zhǔn)確識(shí)別葉子上存在的疾病類型。SSD模型用于識(shí)別植物葉片，基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的新架構(gòu)用于識(shí)別葉片病害。SSD模型和提出的CNN模型相結(jié)合，創(chuàng)建了一個(gè)可以同時(shí)檢測(cè)葉子和診斷疾病的混合模型。此外，該建議的混合模型部署在 Kria KV-260 上進(jìn)行實(shí)時(shí)測(cè)試，以解決實(shí)時(shí)檢測(cè)植物葉片病害的問題。下圖描繪了用于葉片識(shí)別和疾病分類的擬議系統(tǒng)的框圖。

結(jié)果：

所提出的系統(tǒng)在 PlantVillage 數(shù)據(jù)集的葉子圖像以及從附近的真實(shí)番茄農(nóng)場(chǎng)捕獲的數(shù)據(jù)上進(jìn)行了測(cè)試。通過將該系統(tǒng)應(yīng)用于感染疾病的番茄葉片，測(cè)試了該模型在葉片檢測(cè)和疾病識(shí)別方面的有效性。結(jié)果如下圖所示：

從圖中可以看出，該模型能夠準(zhǔn)確地從葉子中識(shí)別出疾病的類型——蜘蛛螨、早疫病、番茄花葉病毒和葉霉病。正如這些實(shí)時(shí)現(xiàn)場(chǎng)測(cè)試所證明的那樣，建議的模型在所有情況下都表現(xiàn)良好，包括大氣、背景、土壤和照明。

可能面臨的問題：

1、在Ubuntu上安裝Vitis

在 Ubuntu 上安裝 Vitis 和 Vivado 非常累人。它們是安裝 Vitis 的先決條件和必需的大量依賴項(xiàng)。沒有此類適當(dāng)?shù)奈臋n或鏈接可用于正確安裝。此外，安裝到設(shè)備中需要很長(zhǎng)時(shí)間。在參考了一些死鏈接后，我們花了 12 個(gè)多小時(shí)才完成安裝。

2、TensorFlow Frozen graph問題及其安裝

為了獲得最終的靜態(tài)圖，輸入是.pb 和.ckpt 文件，它為我們提供了輸出frozen_graph.pb。這是 TensorFlow 庫的一個(gè)主要問題，如果沒有此圖，則無法進(jìn)行進(jìn)一步的處理。最終這條指令沒有被執(zhí)行：

freeze_graph --input_graph yolov2-tiny.pb --input_checkpoint yolov2-tiny.ckpt --output_graph freeze/frozen_graph.pb --output_node_names yolov2-tinyconvolutional9/BiasAdd --input_binary true

TensorFlow的安裝問題

3.OpenCV錯(cuò)誤

對(duì)于攝像頭模塊的實(shí)時(shí)接口和處理，open CV 是使用最廣泛的 Python 庫。沒有這個(gè)，就不會(huì)發(fā)生攝像頭接口，并且在 Linux 環(huán)境中安裝它非常耗時(shí)。

4. 安裝 Vitis AI

為了安裝 Vitis AI，我們嘗試 git clone KV-260 ml 加速庫，但由于某些問題，克隆在某些時(shí)候卡住了。出于安裝目的，我們需要?jiǎng)?chuàng)建一個(gè)用于安裝 Vitis-AI 的 Docker。存在與索引包、GnuTLS 和早期 EOF 相關(guān)的錯(cuò)誤。

5. 在 Kria Kv-260 上實(shí)現(xiàn) YOLO v2-v3 期間的實(shí)時(shí)網(wǎng)絡(luò)攝像頭接口

在開始使用我們自己的模型之前，我們考慮過使用 YOLO 實(shí)現(xiàn)和檢查硬件。然而，在實(shí)現(xiàn) YOLO 預(yù)訓(xùn)練模型時(shí)，與 KV-260 進(jìn)行實(shí)時(shí)攝像頭接口的主要問題是該套件不支持實(shí)時(shí)網(wǎng)絡(luò)攝像頭接口。

總結(jié)了一下我們可能遇到的問題，項(xiàng)目到此就結(jié)束了。