Sistem Pemantauan dan Alarm Hama Berbasis Edge AI di Perkebunan Leci

ARTIFICIAL INTELLIGENCE

Seeed Studio AIoT Marketing and Partnership Diterjemahkan oleh : Digiware

3/25/20251 min baca

Perangkat Keras: reComputer J1020v2 dengan NVIDIA Jetson Nano

Aplikasi: Deteksi Hama

Industri: Pertanian Cerdas

Lokasi Penerapan: Tiongkok

Serangan Conopomorpha sinensis merupakan faktor utama yang memengaruhi hasil panen leci. Solusi ini bertujuan untuk membantu petani dengan cepat menemukan dan mengidentifikasi keberadaan hama penggerek pada cabang, daun, dan buah pohon leci. Dengan sistem ini, petani dapat menerapkan pestisida secara tepat sasaran, sehingga pengendalian hama dapat dilakukan sejak dini. Selain itu, teknologi ini juga membantu mengurangi penggunaan pestisida yang berlebihan, sehingga lebih ramah lingkungan dan menghemat biaya.

Tantangan dalam Deteksi Hama pada Pohon Leci

Mendeteksi serangga pada pohon leci menghadirkan tantangan besar karena ukuran serangga yang sangat kecil, sehingga proses deteksi dan segmentasi menjadi sangat sulit. Kesulitan utama terletak pada identifikasi dan segmentasi serangga secara akurat, terutama ketika serangga tertutup oleh daun atau saling bertumpuk. Skala yang kecil semakin menambah kompleksitas dalam proses pendeteksian.

Selain itu, dataset gambar yang dikumpulkan dari lapangan juga menghadirkan tantangan tambahan. Variasi pencahayaan dan bayangan dalam berbagai gambar dapat memengaruhi akurasi deteksi secara signifikan. Faktor lingkungan ini menciptakan kondisi yang dinamis dan kompleks dalam penerapan teknologi deteksi hama, sehingga dibutuhkan teknik yang andal untuk mengatasi variabilitas ukuran serangga serta kondisi pencahayaan yang beragam dalam dataset.

Solusi

Model deteksi objek dapat diterapkan pada Jetson Nano untuk mendeteksi hama, dengan pelatihan berbasis arsitektur CNN Darknet53 dan dataset COCO. Untuk mengurangi tumpang tindih bounding box akibat banyaknya hama yang terdeteksi dalam satu area, serta memastikan jumlah hama yang diprediksi lebih mendekati jumlah sebenarnya dalam gambar, bounding box pada klaster yang berdekatan perlu digabungkan, sementara klaster yang sangat kecil dapat diabaikan.

Jetson Nano mampu melakukan pre-processing pada sejumlah besar gambar masukan dan mengirimkan sinyal keputusan ke modul penyemprot elektrik untuk mengontrol pembukaan atau penutupan penyemprotan berdasarkan hasil deteksi objek. Hasil deteksi menunjukkan bahwa sistem ini memiliki ketahanan yang baik terhadap kondisi lingkungan yang kompleks, bahkan ketika terdapat sedikit hambatan visual atau latar belakang dengan bayangan gelap.