Farmaid: Robot Deteksi Penyakit Tanaman

Bagian 1 – Pendahuluan

Terinspirasi oleh karya plantvillage.psu.edu dan iita.org, kami ingin menggunakan platform Donkey Car untuk membangun robot otonom yang dapat bergerak di lingkungan pertanian tanpa merusak tanaman yang ada atau tanah dan menggunakan deteksi objek untuk menemukan dan menandai tanaman yang sakit dengan warna yang aman bagi lingkungan. Secara tradisional, manusia harus secara manual memeriksa peternakan besar menggunakan ponsel mereka untuk menandai tanaman, dalam kebanyakan kasus teknologi tinggi. Ini membutuhkan banyak waktu dan usaha. Selain itu, ada berbagai telepon yang digunakan yang tidak selalu memiliki semua fitur yang diperlukan untuk melakukan tugas secara efisien atau mereka harus menunggu seseorang dengan perangkat yang tepat. Sebuah platform robot seragam yang mengelilingi peternakan akan memecahkan masalah ini dan membuat penandaannya jauh lebih cepat. Kecepatan juga dapat mempermudah untuk berbagi platform antara beberapa peternakan.

  • Tantangan:
  • Menjaga ukuran / berat robot cukup kecil sehingga tidak merusak tanaman itu sendiri.
  • Menavigasi tanpa merusak yang ada
  • Menemukan cara untuk menandai tanaman yang sakit secara aman.
  • Menemukan kumpulan data dan lahan pertanian untuk kemungkinan menguji platform

Gambar 01: Skema Awal Bot Farmaid

Latar Belakang

Our Tim Teamato datang bersama-sama sebagai hasil dari fakta bahwa kita semua adalah anggota dari Detroit Autonomous Vehicle Group dan Ann Arbor Autonomous Vehicle Group. Keduanya adalah grup Meetup. Anggota tim kami, Sohaib, memasuki tantangan dengan konsep di atas dan membuat pos yang menanyakan apakah ada yang tertarik untuk berpartisipasi. Alex, Juanito, dan David bergabung dengan Sohaib dan memulai pencarian bersama di antara individu-individu yang belum pernah bekerja sama sebelumnya.

Selain menemukan titik temu dalam hal pendekatan, teknologi, pengaturan waktu, dll. Kami harus menyusun kerangka jadwal rapat, repositori, teknologi konferensi, dan sebagainya. Pada dasarnya, semua komponen yang masuk ke proyek profesional harus diberlakukan, kecuali tidak ada yang dibayar, kami tidak memiliki anggaran, dan semua memiliki komitmen kerja, sekolah, keluarga, dll. Tidak masalah karena kami berbagi visi bersama dan keinginan untuk mengeksekusi.

Yang menarik, kelompok kami yang beranggotakan empat orang mewakili komunitas internasional. Setiap anggota tim kami adalah multi-bahasa dan memiliki hubungan keluarga langsung dengan satu atau lebih dari yang berikut: China, Jerman, Pakistan, Filipina, Rusia.

Kami semua memiliki waktu yang hebat dan itu adalah pengalaman belajar yang luar biasa. [19659015] Membangun Robot

Bekerja pada sasis, navigasi otonom, dan klasifikasi gambar dimulai dengan cepat dan berkembang pada kecepatan yang baik. Di mana kami menghadapi tantangan dan penundaan tak terduga yang besar terkait dengan sasis dan sistem penggerak kami. Sederhananya kita tidak mengantisipasi medan yang beragam seperti di antara rumah kaca tes, dan motor, roda, kabel, kontrol, dll yang baik-baik saja dalam skenario A kewalahan dalam skenario B.

Kami pergi melalui sejumlah besar mod untuk dial -dalam sasis yang bisa diterapkan untuk semua lingkungan kita. Kami harus membuat banyak kendala waktu dan anggaran tetapi produk akhir melebihi tujuan awal kami dari konfigurasi minimum yang layak. Desain akhir pada saat penyerahan dijelaskan di bawah ini.

Kamera Kutub

Untuk dapat melihat hamparan tanaman yang ditinggikan dan berpotensi meningkatkan ke kamera bergerak yang bisa melihat di bagian atas dan bawah tanaman tomat, kami membangun tiang kamera menggunakan batang serat karbon yang dibeli dari penjualan garasi.

Batang ini dilengkapi dengan 2 klem yang dicetak 3D untuk kamera navigasi dan klasifikasi. Kami juga menambahkan pencahayaan matahari 1,2v ke tiang, serta, lampu status multicolor 12v di atas kolam. Ya, itu adalah wadah pil repurposed dicat hitam di atas tiang. Salah satu dari banyak akomodasi anggaran berbasis nol kami yang bekerja sangat bagus!

Kamera-kamera itu adalah Raspberry Pi Cameras yang melekat pada dua pi berbeda yang didukung oleh pengisi daya USB. Alasan menggunakan 2 Pi adalah bahwa klasifikasi dan navigasi menggunakan jaringan saraf yang membutuhkan banyak kekuatan pemrosesan. Selain itu, kamera klasifikasi harus menunjuk ke arah tanaman sementara kamera navigasi harus menunjuk ke depan.

Bagian atas tiang juga harus memiliki lampu untuk berfungsi sebagai indikator. Setelah mencari lampu RGB yang cukup terang, kami menemukan bahwa mereka akan mengeluarkan biaya hingga $ 100 sehingga kami membuat sendiri menggunakan lampu dari speaker, kantong plastik kecil untuk refleksi dan terbungkus dalam botol pil kosong.

Karena lampu diperlukan 12 Volt dan output Arduino kami adalah 5 volt, kami menghubungkannya dengan relay

Sambungannya membutuhkan kesamaan dengan Arduino dan 3 kabel untuk lampu merah, hijau dan biru yang kami pasang pada pin 7, 8 dan 11 di Arduino. Kita bisa mensimulasikan spektrum RGB pada lampu-lampu ini dengan menggunakan fungsi analogWrite untuk memberikan nilai yang berbeda untuk ketiga kabel. Perhatikan bahwa untuk pewarnaan yang benar, ketiganya perlu ditulis jika tidak warna yang ditulis sebelumnya pada salah satu pin dapat menunjukkan hasil yang tidak diharapkan.

Chassis

Eksperimen kami dengan sasis plastik dengan kedua roda dan trek menggunakan motor daya rendah telah terbukti gagal di lokasi di peternakan Stone Coop dan Growing Hope dan kedua pilihan akan parit menjadi tanah berpasir yang bermanfaat bagi tanaman.

Salah satu versi chassis sementara kami, kami menanggalkan banyak roda gigi plastik sebelum meng-upgrade ke logam dan kemampuan untuk menangani arus yang lebih tinggi:

Kami akhirnya menetap di chassis Mountain Ark SR13 karena motornya yang kuat dan roda besar dan memasangnya menggunakan petunjuk di bawah ini.

Kami memodifikasi Mountain Ark, menambahkan platform untuk membagi kekuatan dari teknologi komputasi, dan memberi Farmaid sentuhan gaya dengan cover ringan custome yang dicat dan logo unik.

Setelah merakit sasis kita eded motor dan baterai untuk menyalakannya.

Sementara sasis datang dengan casing baterai, kami memutuskan untuk menggunakan baterai LiPo 12V seperti yang sudah kami miliki dan telah menggunakannya dengan sasis yang lebih tua.

Motor dihubungkan ke baterai menggunakan blok terminal untuk penarikan arus yang lebih tinggi diperlukan.

Awalnya kami menggunakan pengontrol motor L298 normal yang kami miliki tetapi menemukan bahwa arus terlalu rendah untuk menyalakan motor RPM 320 yang kami miliki sekarang. Kami kemudian beralih ke kontroler motor IBT-2, yang disumbangkan anggota lain dari ruang pembuat. Masalah dengan pengendali motor IBT-2 adalah mereka hanya dapat mengendalikan 1 motor sehingga kami harus menghubungkan 4 dari mereka. Rincian IBT-2 dapat dilihat di sini:

http://www.hessmer.org/blog/2013/12/28/ibt-2-h-bridge-with-arduino/

Untuk menghemat ruang pengkabelan, kami menyambungkan kabel PWM kiri dan kanan, sambatan menghubungkan L-PWM dan R-PWM dari motor di sebelah kiri dan motor di sebelah kanan satu sama lain.

Teknik penghemat ruang lain yang kami gunakan adalah menghubungkan langsung pin aktif dari semua motor ke 5 volt dari Arduino.

Setelah ini, satu-satunya bagian dari motor yang kami butuhkan untuk terhubung langsung ke Arduino adalah pin PWM. Di sisi kiri, kami menghubungkan R_PWM dari motor kiri ke 6 pin pada Arduino dan L_PWM ke pin 5. Perhatikan bahwa pin R_PWM dari kedua pengontrol di sebelah kiri dan L_PWM pada kedua pengontrol di sebelah kiri disambung sehingga perintah ke depan menjadi satu, akan bergerak maju dan perintah balik ke salah satu akan membalikkan kedua roda di sebelah kiri. Penyambungan yang sama dilakukan di sebelah kanan. The R_PWM di sebelah kanan terhubung ke pin 9 pada Arduino dan L_PWM terhubung ke pin 10 pada Arduino.

Untuk deteksi tabrakan, kami pertama kali mencoba Garmin Lidar salah satu anggota grup kami sudah memiliki tetapi kami mengalami kesulitan dalam membuat itu bekerja jadi kami memutuskan menggunakan sensor ultrasonik SR04 sebagai gantinya. Gema pinnya terhubung ke pin 12 dan pin pemicu dihubungkan ke pin 13 pada Arduino.

Kami juga menambahkan sensor lain di belakang tetapi karena cara interupsi timer digunakan , kami tidak bisa menggunakannya saat juga melakukan kontrol manual terhadap robot. Perhatikan bahwa kami membuat rutin Arduino lain untuk menggerakkan robot di antara rintangan hanya dengan menggunakan sensor tetapi tidak sesuai dengan pendekatan kloning perilaku.

Mengemudi:

Karena kami tidak dapat menggunakan chassis yang mirip dengan Mobil Donkey karena untuk fakta bahwa itu tidak bisa mengemudi di lingkungan yang kami berikan, kami harus menulis kode mengemudi kami sendiri.

Untuk ini kami menggunakan dua inspirasi, metode Donkey Car sendiri serta serangkaian video oleh YouTuber Sentdex

Model mengemudi didasarkan pada Mobil Donkey kecuali sebagai pengganti regresi dan kesalahan kuadrat rata-rata, kami menggunakan klasifikasi untuk mengklasifikasikan antara 7 tombol menggunakan gambar. Kami juga mengubahnya menjadi jaringan saraf convolutional penuh untuk membuatnya lebih cepat dan sejalan dengan penelitian yang lebih baru.

Setelah pengujian, kami menemukan bahwa karena itu secara konstan mengeluarkan tombol yang tidak seperti dalam pelatihan di mana kami menekan tombol setelah beberapa interval. Untuk mengatasi hal ini, kami kemudian menambahkan beberapa kode dalam skrip Arduino untuk menghasilkan waktu yang dilewati antara tombol ditekan. Ini digunakan untuk menambahkan cabang lain ke jaringan yang akan melakukan regresi dan menghasilkan kunci yang dihasilkan setelah jumlah waktu yang diberikan.

Klasifikasi Tanaman yang berpenyakit:

Untuk klasifikasi kami menggunakan model MobileNet SSD karena relatif kecil ukuran dan fakta bahwa itu sudah memiliki metode untuk mengunggah ke aplikasi android.

Kami mendapat data dengan menggunakan video 5-10 detik dan membuat skrip untuk mengekstrak gambar dari video ini. Video itu sendiri telah ditempatkan di folder-folder yang diberi nama setelah penyakit dan tanaman. Kami memastikan untuk mengambil video ini dalam kondisi yang berbeda dan di lokasi yang berbeda. Total dataset pelatihan terdiri dari sekitar 2000 gambar.

Kami juga membuat situs web untuk menunjukkan output dari klasifikasi dan peta keseluruhan rumah kaca dan kesehatan tanamannya. Situs web menggunakan data XML untuk membuat kisi ini. Kami tidak punya waktu untuk menambahkan pembaruan waktu nyata ke situs web dari penggolong tetapi itu adalah salah satu tujuan kami di masa depan.

Kami juga menguji sistem SMS oleh Twillo untuk mengirim pesan ke telepon ketika penyakit tanaman berada di atas yang diberikan ambang. Sekali lagi karena keterbatasan waktu, kami belum menghubungkannya dengan classifier.

Catatan menarik:

Pekerjaan rumah kaca bisa mendapatkan gambar yang agak hangat, sebenarnya dari salah satu hari pengujian kami.

Kami juga membuatnya titik selama proyek untuk mengambil Farm Aid ke acara publik setiap kali diminta untuk melakukannya.

Pada suatu acara, bot Farmaid kami bahkan bertemu dengan beberapa teman bot termasuk Mowbot dan beberapa bot daya tinggi. Sinergi untuk membangun dan berkolaborasi di masa depan!

Leave a Reply

Your email address will not be published. Required fields are marked *