作物病害損害是農民關注的一個主要問題，該項目工作利用機器學習根據葉子照片確定作物中存在的疾病類型。首先，使用 Single Shot Detector，從現場捕獲的視頻源中實時單獨檢測樹葉。從田間拍攝的樹葉圖像也可以作為該系統的輸入。提出了一個卷積神經網絡來對作物中存在的疾病類型進行分類，該網絡使用 PlantVillage 數據集進行訓練，所提出的混合網絡在Kria KV-260上實現用于實時檢測和識別。所以這個平臺是為高級視覺應用開發而開發的，不需要復雜的硬件設計知識。KV260還提供了通過 Vitis AI 在軟件級別區分我們的設計的好處。達到的疾病分類準確率在95.88%左右。為了對抗作物疾病造成的損失，基于機器學習的邊緣人工智能系統可以檢測疾病，幫助農民提高產量。

動機 - 為什么我們決定做這個項目？

農業對世界經濟極為重要。如今，由于作物病害檢測沒有成功地整合到農民的收割過程中，大部分作物植被都失敗了。每年，農民都在與疾病對他們的作物造成的損害作斗爭。農民可以從這些疾病的早期發現和治療中受益匪淺。很難在該領域找到能夠檢測任何類型植物病害的熟練專家。如果自動化系統能夠通過手持設備或農業設備上的硬件實時識別作物病害和其他問題（如營養不良、雜草或昆蟲損害），這對農民來說將是一個福音。

因此，需要一個能夠在整個收成毀壞之前預測作物疾病的系統。機器學習可用于檢測作物疾病并幫助農民識別疾病。本研究項目利用深度學習的概念，構建實時植物病害檢測系統。該模型可以部署在 Kria KV260 等嵌入式平臺上，以實時檢測作物中存在的疾病。主要目的是有效地預測植物病害，因此農民可以在病害蔓延到作物之前采取有效措施。

因此，該項目的目標如下：

收集印度作物的作物病害數據集（古吉拉特邦）

開發用于作物病害檢測和分類的機器學習 （ML） 模型。

在 Kria KV 260 上移植 ML 模型

該項目的主要目標是有效檢測植物上的葉子，然后準確識別葉子上存在的疾病類型。SSD模型用于識別植物葉片，基于卷積神經網絡（CNN）的新架構用于識別葉片病害。SSD模型和提出的CNN模型相結合，創建了一個可以同時檢測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 上進行實時測試，以解決實時檢測植物葉片病害的問題。下圖描繪了用于葉片識別和疾病分類的擬議系統的框圖。

結果：

所提出的系統在 PlantVillage 數據集的葉子圖像以及從附近的真實番茄農場捕獲的數據上進行了測試。通過將該系統應用于感染疾病的番茄葉片，測試了該模型在葉片檢測和疾病識別方面的有效性。結果如下圖所示：

從圖中可以看出，該模型能夠準確地從葉子中識別出疾病的類型——蜘蛛螨、早疫病、番茄花葉病毒和葉霉病。正如這些實時現場測試所證明的那樣，建議的模型在所有情況下都表現良好，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。沒有此類適當的文檔或鏈接可用于正確安裝。此外，安裝到設備中需要很長時間。在參考了一些死鏈接后，我們花了 12 個多小時才完成安裝。

2、TensorFlow Frozen graph問題及其安裝

為了獲得最終的靜態圖，輸入是.pb 和.ckpt 文件，它為我們提供了輸出frozen_graph.pb。這是 TensorFlow 庫的一個主要問題，如果沒有此圖，則無法進行進一步的處理。最終這條指令沒有被執行：

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錯誤

對于攝像頭模塊的實時接口和處理，open CV 是使用最廣泛的 Python 庫。沒有這個，就不會發生攝像頭接口，并且在 Linux 環境中安裝它非常耗時。

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，克隆在某些時候卡住了。出于安裝目的，我們需要創建一個用于安裝 Vitis-AI 的 Docker。存在與索引包、GnuTLS 和早期 EOF 相關的錯誤。

5. 在 Kria Kv-260 上實現 YOLO v2-v3 期間的實時網絡攝像頭接口

在開始使用我們自己的模型之前，我們考慮過使用 YOLO 實現和檢查硬件。然而，在實現 YOLO 預訓練模型時，與 KV-260 進行實時攝像頭接口的主要問題是該套件不支持實時網絡攝像頭接口。

總結了一下我們可能遇到的問題，項目到此就結束了。