【Jetson开发项目展示】用Jetson NANO检测植物病害

这是一个基于边缘的设备，帮助教育农民早期发现植物疾病，提高作物产量。

硬件：

Jetson NANO*1

树莓派V2摄像头*1

软件：

Tensorflow

Jetpack SDK

项目背景：

该项目可用于帮助小社区的农民建立知识和教育他们种植的作物，并帮助早期识别和预防常见的植物/作物疾病的传播。

如何工作的

该设备配备了一个摄像头，农民可以在那里拍摄他们的植物叶子，该设备有一个CNN分类器和一个知识库，在那里它可以提供有关作物生长的信息，并帮助预测作物的健康状况。

许多村镇没有活跃的互联网连接，因此所有的处理和数据存储都发生在边缘设备本身，设备需要便携才能在他们的领域进行和使用。

当农民捕获图像时，图像首先经过CNN分类器，并从38个类中预测出图像，然后将预测与附加数据一起显示给用户。

CNN模型

在这个项目中，使用了Plant Village数据集，它包含了38个不同类别的植物叶片图像，其中包括植物的常见病害图像。

基于这个数据集，作者决定构建一个keras CNN模型，它可以帮助将任何图像分类到38个不同的类中。CNN或卷积神经网络是一种深度学习算法，它获取输入图像并生成有助于将其与其他图像区分开来的特征集。通过这种方法，我们可以区分猫和狗的图像，或者在这种情况下，像番茄植物叶子的图像和土豆植物叶子的图像。

作者使用Keras和tensorflow作为后端来开发CNN模型，它由6个卷积层组成。使用这个模型，可以达到92%的验证精度。

在将数据提供给CNN之前，需要对数据进行预处理，这包括将数据排序为训练、测试、验证文件夹、调整数据大小和规范化数据。您应该在image_processing.py文件中找到预处理代码，它使用opencv读取和保存图像。

在预处理数据之后，现在需要用处理过的图像来训练我们的模型。py文件包含训练模型的代码，您可以根据计算机硬件指定批处理大小和epoch的数量。你可能想要在GPU上运行训练，如果你不想花很多时间来训练模型。如果您想跳过这一步，作者还提供了一个预先训练好的模型。

一旦模型被训练，您应该找到存储在模型中的训练过的模型。h5文件。要在测试图像上运行经过训练的模型，您可以使用test.py文件，并且应该看到基于所显示的植物图像的预测。

一旦您完成了对模型的培训，现在就可以将代码部署到Jetson Nano上了。