Uso de ML para detectar plagas, mosquitos, tala de árboles mediante análisis de audio, predicción de incendios, adaptación a invernaderos y crecimiento de plantas.
Descripción general:
Este proyecto demuestra cómo construir un dispositivo utilizando TensorFlow y el módulo Artemis para resolver la mayoría de los problemas que enfrentan las comunidades rurales o agrícolas en cualquier lugar. El dispositivo utiliza algoritmos de aprendizaje automático para verificar la salud general de las plantas, la predicción y protección del clima extremo, la adaptación automática de invernaderos y la detección de vectores de propagación de enfermedades mortales o la tala ilegal de bosques mediante análisis de audio. El proyecto también demuestra cómo podemos tener más información para nuestra granja simplemente recopilando y utilizando los datos obtenidos de nuestros sensores. Me inspiré para hacer este proyecto a partir de noticias como los incendios forestales en Australia, la caída del PIB de la India debido a prácticas agrícolas defectuosas y la plaga de langostas que está dañando los cultivos en África Oriental, Pakistán y muchas otras naciones muy rápidamente, los mosquitos que se reproducen a un ritmo alarmante, las enfermedades tropicales desatendidas, así que encontré una vocación dentro de mí como miembro activo de esta comunidad innovadora y comprometida.
La medida importante tomada al hacer este proyecto fue recopilar datos de manera eficiente y paciente, una vez que se recopilan los datos, el trabajo se vuelve mucho más fácil (es probable que falle si no recopila datos correctos para alimentar sus hambrientos marcos de ML). Para la parte de recopilación de datos, utilicé mi proyecto anterior que solo toma datos de los sensores y los envía al backend usando protocolos Sigfox, pero aquí voy a entrenar mi dispositivo con esos datos. Aquí está el enlace a mi proyecto anterior: https://www.hackster.io/Vilaksh/sigfy-sigfox-farm-yield-with-crop-and-health-monitoring-3d8116 . Intente comprender primero la parte de recopilación de datos.
La base de este proyecto es que debes ajustar tu dispositivo después de cada etapa. Así que comencemos y disfruta aprendiendo con Machine Learning.
Descripción técnica:
Aún amo mi pueblo, aunque nos hemos mudado a una ciudad moderna. La frescura del pueblo todavía me saca de cualquier estado de ánimo pensativo, pero debido a la contaminación que nos rodea, sufrimos problemas de salud y, independientemente de los cultivos que cultivemos, también tienen algún efecto no deseado en nuestro cuerpo, por lo que es importante cuidar esos cultivos, así como los primeros signos de enfermedades en las plantas y en los humanos, sin utilizar dispositivos complejos que consumen mucha energía y requieren mucho mantenimiento, y que están mucho más allá del alcance de los agricultores pobres o los hombres del pueblo. Así que decidí utilizar dispositivos Edge capaces de utilizar funciones de ML con baja latencia y casi sin huella de carbono.
Tema: Naturaleza
1) Análisis de la finca :
Con el aumento de la población, es importante adoptar un método de cultivo sostenible. Antes, solo jugábamos con sensores, pero ahora, con Tensorflow, no solo podemos sentir, sino también analizar, predecir y tomar medidas. Con todos los datos recopilados, este paso permitirá que los agricultores compitan entre sí. Si se utiliza el análisis de la granja correcto, la máquina sugerirá automáticamente al agricultor cuándo utilizar los productos químicos en su granja y, de esta forma, ahorrar dinero, esfuerzos y degradación del medio ambiente. Puede consultar este sitio web para conocer más problemas a los que se enfrenta la comunidad agrícola de mi país.
2) Detección de ciertos organismos beneficiosos y nocivos mediante análisis de audio:
Las flores pueden oír el zumbido de las abejas y eso hace que su néctar sea más dulce
Los agricultores utilizan muchos productos químicos para aumentar el rendimiento de sus explotaciones, pero solemos olvidar que, debido al uso excesivo de pesticidas, insecticidas y abonos inorgánicos, agentes de polinización cruzada, los artrópodos ( el 90 % de los organismos vivos que se encuentran en la Tierra son insectos ) no se sienten atraídos por esas plantas o mueren debido a la exposición excesiva a los productos químicos y la contaminación. Más de 2000 insectos polinizadores se han extinguido ya y solo quedan 500 que podrían extinguirse si no se los protege.
También necesitamos detectar enfermedades en los cultivos lo antes posible para evitar que se propaguen en la granja. Para resolver este problema pensé por qué no decirle al agricultor que use productos químicos solo si hay malos patrones de crecimiento o plagas dañinas, hoy en día, incluso si no hay enfermedades, los agricultores rocían productos químicos inútilmente y matan insectos útiles como las abejas. También detectará ciertos agentes polinizadores y con qué frecuencia están allí en los campos, basándose en la observación, puede ayudar al agricultor a plantar plantas ornamentales, también puede detectar animales grandes que destruyen el cultivo solo por su voz y frecuencia. Por ahora entrené mi dispositivo para reconocer sonidos de varias razas de mosquitos como aedes, culex y anopheles, también abejas . También agregaré grillos, langostas y algunas otras plagas también, ya que tengo un conjunto de datos muy pequeño para ello. El punto aquí es que en la primera aparición de cualquier signo de plaga, el agricultor o el gobierno pueden tomar medidas antes de que se propague por todas partes, también el usuario llega a saber exactamente de qué dispositivo recibió la señal. Lea este artículo https://www.aljazeera.com/news/2020/01/200125090150459.html
Si no se resuelve el problema mencionado, el mundo entero se verá en medio de una crisis alimentaria. «La plaga de langostas en África Oriental provoca un llamamiento a la ayuda internacional»
3) Detener la deforestación:
Hay muchas talas ilegales de árboles, por lo que mi dispositivo alertaría a las autoridades competentes sobre la tala de árboles mediante una técnica de análisis de sonido, en particular detectaría el tono y la frecuencia de las herramientas para cortar madera que se utilizan.
4) Predecir incendios forestales y adaptarse a situaciones extremas:
Si podemos analizar los datos provenientes de sensores ambientales y sensores de gas, podemos predecir fácilmente los incendios forestales y también podemos hacer que el dispositivo aprenda a tomar medidas en caso de que la planta no reciba la temperatura y luz óptimas para que el dispositivo pueda activar el modo invernadero.
¡Seguiremos con esta nota en el próximo número de TECNOLOGIA HUMANIZADA!
Sé el primero en comentar