Monitoring van de opbrengst van medicinale planten
Automatisering van de groeimonitoring van medicinale planten met AI-gestuurde computer vision
problem
Onze klant, een farmaceutisch bedrijf dat geautomatiseerde plantages van medicinale planten exploiteert, experimenteert met verschillende landbouwtechnische schema's (een ander schema voor elke struik) op hun plantages. Momenteel gebruiken ze robots met camera's voor regelmatige observatie van de planten. Het bedrijf had echter behoefte aan meer automatisering en modernisering om de menselijke factor te verkleinen en volledige marktzekerheid te bereiken. Ook was het essentieel om het groeiproces van de toppen en anomalieën op topniveau te controleren en te monitoren voor verdere analyse en verbetering van de schema's.
problem
Onze klant, een farmaceutisch bedrijf dat geautomatiseerde plantages van medicinale planten exploiteert, experimenteert met verschillende landbouwtechnische schema's (een ander schema voor elke struik) op hun plantages. Momenteel gebruiken ze robots met camera's voor regelmatige observatie van de planten. Het bedrijf had echter behoefte aan meer automatisering en modernisering om de menselijke factor te verkleinen en volledige marktzekerheid te bereiken. Ook was het essentieel om het groeiproces van de toppen en anomalieën op topniveau te controleren en te monitoren voor verdere analyse en verbetering van de schema's.
solution
We hebben robots met camera's ingezet voor periodieke plantobservatie. We creëerden een computer vision-oplossing die beelden verwerkt die met bepaalde tijdsintervallen uit verschillende zones binnenkomen. Het detecteert en identificeert groeiende toppen en levert informatie over het groeiproces als resultaat van elke unieke groeitop. Tijdens dit project hebben we de CRISP-DM-methodologie gebruikt. Het team koos voor YOLO als de snelste en populairste manier om een hoge nauwkeurigheid en snelle verwerking te bereiken. We besteedden ongeveer 12 uur aan transfer learning voor 30.000 iteraties. Uiteindelijk behaalden we een nauwkeurigheid van 90%. Het duurt ongeveer 20 seconden per beeld om vele toppen te analyseren en te detecteren met een embedded device op één foto.
solution
We hebben robots met camera's ingezet voor periodieke plantobservatie. We creëerden een computer vision-oplossing die beelden verwerkt die met bepaalde tijdsintervallen uit verschillende zones binnenkomen. Het detecteert en identificeert groeiende toppen en levert informatie over het groeiproces als resultaat van elke unieke groeitop. Tijdens dit project hebben we de CRISP-DM-methodologie gebruikt. Het team koos voor YOLO als de snelste en populairste manier om een hoge nauwkeurigheid en snelle verwerking te bereiken. We besteedden ongeveer 12 uur aan transfer learning voor 30.000 iteraties. Uiteindelijk behaalden we een nauwkeurigheid van 90%. Het duurt ongeveer 20 seconden per beeld om vele toppen te analyseren en te detecteren met een embedded device op één foto.
results
We hebben de oplossing geïmplementeerd op Jetson TX2. De data werd gelabeld met de LabelImg-tool. Nadat we de 'bounding boxes' uit de tool hadden verkregen, werd het YOLO-model getraind om groeitopen te detecteren. We hebben een aangepast Python-algoritme geïmplementeerd dat een speciale afstandsvector gebruikte om elke groeitop op het beeld te beschrijven. Dankzij het werk van het team behaalde de software een nauwkeurigheid van 80% voor de detectie van hennep en 90% voor de classificatie van ziekten. De klant was onder de indruk van de innovatie en flexibiliteit.
results
We hebben de oplossing geïmplementeerd op Jetson TX2. De data werd gelabeld met de LabelImg-tool. Nadat we de 'bounding boxes' uit de tool hadden verkregen, werd het YOLO-model getraind om groeitopen te detecteren. We hebben een aangepast Python-algoritme geïmplementeerd dat een speciale afstandsvector gebruikte om elke groeitop op het beeld te beschrijven. Dankzij het werk van het team behaalde de software een nauwkeurigheid van 80% voor de detectie van hennep en 90% voor de classificatie van ziekten. De klant was onder de indruk van de innovatie en flexibiliteit.
tech stack
tech stack
