Upload
others
View
4
Download
0
Embed Size (px)
Citation preview
Milan Maric, dir. S&T
Andjela Draganić , ETF
IoT in pest detection IoT u detekciji insekata
Pogresan timing , nekonzistentnot i kompleksnost pri manualnom
osmatranju insekata
Neadekvatana zastista usjeva koriscenjem pesticida
Reaction time to pest pressure is about 7 to 10 days
Klopka za insekte je instalirana u polju gdje automatski registruje stetocine I salje podatke putem mobilne mreze ili internet linije.
Trap is catching targeted insects
and takes picture of what was
caught in the trap. These
pictures are sent to the cloud/servers
Rjesenje
Trapview
Neke od štetočina u vinovoj lozi uhvaćene na Trapview zamci
Automatski Video zapis uhvaćenih insekata
Yellow squares which are show on the picture are result of our image recognition algorithm. With it, we identify targeted insects automatically.
Stručna revizija snimljenih insekata
Yellow squares which are show on the picture are result of our image recognition algorithm. With it, we identify targeted insects automatically.
TrapView Pest Monitoring System
• TrapView pest monitoring system is a platform that provides information about occupancy of traps distributed through the fields/orchards
• The system captures and uploads the images to the TrapView cloud, at daily basis and it is useful in cases when there is need for monitoring large areas
• Each TrapView camera has its own Public Key Cryptography Signature - PKCS
• Part of the PKCS is the serial number SN
In order to be able to detect which camera captured the observed image, the SN is embedded into the image
The SN embedding can be added to the standard TrapView system after image capturing
TrapView Pest Monitoring System
Serial
number
embedding
SN
SN
Experimental results
• The observed SN is in the hexadecimal form: 4C F9 DF CA
• The first step is hexadecimal to binary conversion: 0100 1100 1111 1001 1101 1111 1100 1010
• The next step assumes forming matrix from each bit in the sequence. This part of the procedure results in binary logo formation
• The logo is repeated 4 times prior it is embedded into the 4 bit planes (the coefficients of the image are represented with 8 bits).
Watermarked
50 100 150 200 250
50
100
150
200
250
50 100 150 200 250
50
100
150
200
250
The CS reconstructed image obtained
from 21% of the randomly selected
samples
•The obtained peak signal to noise ratio (PSNR) is 30.0082 dB,
which numerically proves satisfactory reconstruction quality
•We can conclude that the CS approach will not affect the process of
specimens counting
The logo extracted after the CS attack
Original
50 100 150 200 250
50
100
150
200
250
Watermarked
50 100 150 200 250
50
100
150
200
250
• In order to decrease the number of transmitted samples per image, as
well as to increase transmission and upload speed, only 21% of
randomly selected samples per image are chosen
• TV-based optimization is done at the receiver side and the image is
reconstructed
• After the optimization, the logo and SN are extracted
• The watermark does
not degrade the
image quality
Statistika koncentracije insekata
Not only that you have total number of insects on a specific day in the trap, the system is also automatically calculating how many new pets were caught on daily basis
Video prikaz uhvacenih insekata
Vrijednost za poljoprivrednike
Minimalni rizik od štetnog uticaja pesticida – optimalna mjera i timing. Bolje planiranje buduće zaštite zasnovano na sačuvanim podacima na specifičnoj lokaciji Minimalna rezistencija insekata na upotrijebljene pesticide
Rješenje prisutno u 40 zemalja širom svijeta. Više od 25 različitih insekata može biti detektovano. Koristi se kod različitih poljoprivrednih kultura: povrće, voće , kukuruz itd.
IoT nadzor je najbolja preventiva
za primjenu mjera zaštite od
štetočina.
Ali prenos velike količine podataka
putem mobilne mreže van urbane
sredine nije uvijek efikasan…
Compressive Sensing based
image processing in TrapView
pest monitoring system
Andjela Draganić ,
Elektrotehnički fakultet, Univerzitet Crne Gore
Istraživanje finansirano od strane CS-ICT projekta
New ICT Compressive Sensing
based trends applied to:
Multimedia, Biomedicine and
Communications – CS-ICT
Projekat je finansiran od strane Ministarstva nauke Crne Gore i kredita
Svjetske banke
PARTNERI
Faculty of Electrical Engineering, UoM
National Polytechnical Institute Grenoble (INP Grenoble)
ALPMEDIA, Slovenia & LTFE, University Ljubljana
S&T Montenegro
University of Pittsburgh
External collaborators (University of Ghent, Harbin Institute of
Technology, etc.)
• 26 istraživača aktivno
uključeno u projekat
• 6 PhD studenata
• 2 MSc studenta
• 2 postdoktoranda
Istraživači
• Prof. dr Srdjan Stanković – Rukovodilac
projekta
• Prof. dr Ljubiša Stanković
• Prof. dr Miloš Daković
• Prof. dr Budimir Lutovac
• Prof. dr Nedjeljko Lekić
• Prof. dr Irena Orović
• MSc Miloš Brajović
• MSc Andjela Draganić
• MSc Stefan Vujović
• MSc Maja Lakičević
• MSc Isidora Stanković
• Dipl. ing. Željko Vujović
Univerzitet Crne Gore:
• Prof. Cornel Ioana
• Dr. Gabriel Vasile
• Prof. Jocelyn Chanussot
• Dr. Cindy Bernard
• Dr. Ion Candel
• Roze Mazari
• Emile Devillers
• Prof. dr Janez Bešter
• Dr. Matevž Pogačnik
• Dr. Jože Guna
• MSc Rok Žurbi
INP Grenoble:
Univerzitet Ljubljana:
ALPMEDIA:
• Dipl. ing. Ljubomir Pasinović
S&T:
• Dipl. ing. Milan Marić
Formirana je CS istraživačka laboratorija na
Univerzitetu Crne Gore (Elektrotehnički fakultet):
Laboratorija za kompresivno odabiranje i napredne
tehnologije
CILJ: kao jedina laboratorija u regionu koja se bavi
CS-om u ovom trenutku, možemo delovati kao
glavni regionalni centar za postizanje naučnih
rezultata i izradu softverskih proizvoda u ovoj
oblasti
Laboratorija za obradu
signala
Laboratorija za
multimedijalne signale i
sisteme
Razvoj novih algoritama i primjena u
realnim aplikacijama
CILJEVI PROJEKTA:
• Istraživanje i inovacione aktivnosti
• Razvoj novih CS algoritama
• Publikacije u SCI časopisima i učešće na
konferencijama
• Formiranje regionalnog centra za CS
Razvijeno je više algoritama za rekonstrukciju
signala, koji imaju poboljšane performanse u
odnosu na postojeće algoritme, kraće vrijeme
izvršavanja i robustnost na šumove
Rekonstrukcija
oštećenih video
frejmova korišćenjem
CS algoritama
• U nastavku:
• „Problemi“ kod TrapView sistema
• Compressive Sensing pristup za rekonstrukciju slika kojima fali informacija/piksela
• Primjena Compressive Sensing pristupa u TrapView sistemu
• Neki eksperimentalni rezultati
• Cilj1 : Smanjenje veličine slike koja se snima
TrapView kamerom
• Cilj 2 : Watermarking slike korišćenjem digitalnog
sertifikata radi 100% autentikacije i autentičnosti
• Compressive Sensing: Smanjenje
broja piksela koje je potrebno
prenijeti mrežom, uz zadrzavanje
informacije od značaja
• Rekonstrukcija slike na prijemu
primjenom algoritama Compressive
Sensing-a
• Važno je očuvati što je moguće bolji kvalitet
slike, u cilju minimizacije greške prilikom
brojanja insekata na slici, koji su se uhvatili u
zamku
• Compressive Sensing (kompresivno
odabiranje) - CS, je Intenzivno razvijan
metod poslednjih godina
• Razvijeni su algoritmi koji obezbjeđuju
prikupljanje odbiraka signala na sasvim
slučajan način
Omogućena je rekonstrukcija signala sa velikom tačnošću
iz značajno manjeg broja odbiraka, nego što je to
zahtijevao dosadašnji pristup, baziran na teoremi o
odabiranju
• Redukcija količine
podataka tokom
procesa odabiranja
• smanjenje
memorijskih resursa
neophodnih za čuvanje
odbiraka signala
• smanjenje vremena
prikupljanja podataka
i obrade signala
•Watermarking slike kamere
korišćenjem dig. sertifikata
• Autentikacija izvora
•Autentičnost sadržaja
•100 % Rekonstrukcija izvora
i sadržaja slike na prijemu
CS:
Eksperimentalni rezultati
Polazna slika
Originalna
• Broj piksela koje uzimamo –
od oko 3% do oko 40% od
ukupnog broja piksela u slici
Rekonstruisana 2Rekonstruisana 2
Rekonstruisana Xlptv Rekonstruisana 2 Rekonstruisana Xp Rekonstruisana Xp30.14% 39.67% 2.7% 10.68% 15% 21%
• Kvalitet rekonstuisanih slika je testiran vizuelno, i mjerenjem
peak signal to noise ratio (PSNR)
• Rekonstruisane slike iz smanjenog broja piksela:
Hvala na pažnji, pitanja ?