Android app: Deel 1

-

Aanmelden & Registreren:

Zoals het meestal gaat bij ontwikkeling, start ik met het ontwikkelen van het inlog en registratie scherm. Hiervoor heeft Firebase een authenticatie service die perfect aansluit bij hun Firebase database systeem. en in de achtergrond gebruiker data bewaard en beheerd. Deze kan vervolgens in de back-end -, in verzoeken naar de database -, in authenticatie en validatie gebruikt worden. Voor de front-end is er gekozen voor een eenvoudig en duidelijk design. Als de gebruiker zich aanmeld dan blijft deze aangemeld tot hij zichzelf afmeld via een knop in de action bar (bovenste navigatie bar) of de app herinstalleert. 



Plant Details & Plant overzicht:

In de huidige versie van de app is het ook al mogelijk om planten te vertonen van een bepaalde gebruiker, ook heb ik al een "detail scherm" gemaakt waar de gebruiker details kan zien over de plant als hij op een plant drukt. Bij de ontwikkeling van de Plant overzicht heb ik gebruik gemaakt van een Firebase Android library genaamd FirebaseUI, en voor het laden van de afbeeldingen heb ik gebruik gemaakt van Glide een Android library die de efficiëntie verhoogt in het inladen en bewaren van afbeeldingen en gebruikt wordt FirebaseUI. Om de afbeeldingen in te laden van de database gebruik ik nog een service die Firebase biedt, namelijk Firebase Storage. Met deze service kan je bestanden opladen en afhalen op een eenvoudig en efficiënte manier. De afbeeldingen die geupload worden krijgen via de service een referentie address en GlideV4 ondersteund het inladen van afbeeldingen via deze referenties. In de achtergrond word alles ook gepersisteerd door de implementatie van Firebase en zal de afbeelding dus niet verdwijnen als je geen verbinding hebt en de app herstart.

Volgende stap:

In de volgende blog ga ik bespreken hoe ik planten door de gebruiker laat toevoegen & verwijderen, en de interface feedback methodes die ik heb geïmplementeerd.

Comments

Post a Comment

Popular posts from this blog

AI Implementation

-
Image
To start with the AI implementation of this project, I researched some similar exisiting projects until I found an open-source project on GitHub  from Marko Arsenovic, that was comparing different results achieved by AI models using a plant disease dataset. This was an ideal starting point for my own project. A chart was also provided to clarify the results achieved by his project. I noticied that AlexNet achieved good results while not taking a lot of time to train as you can see in the chart below provided by Marko Arsenovic. This project used an open-source dataset provided by the R&D unit of Penn State University called PlantVillage, to train the neural networks in plant disease identification. This dataset includes 38 classifications each represented by more than 1000 pictures and spread over 14 plant types. In order to verify that our AI model is performing correctly it is important to keep some data for validation. Thus, 80% of plant disease images was used fo...
Read more

Development Tools

-
In this blogpost I will cover the different tools I have used during the development process of this project. General The tool below is used in all implementations. Github This free hosting website was used for version control. It uses the git open-source VCS (Version Controll System) enabling a combination of both local and centralized version control. This allows for easy and efficient management of progress in development. AIDE Implementation AIDE or the AI Diagnosis Engine includes the pre-trained AI model. This model allows the diagnosis engine from the previous section to calculate the disease prediction rankings. It also handles the image pre-processing of incoming requests. The following components are involved in this process. Anaconda Distribution This tool is a python package manager and provides the ability to easily manage, test and deploy development environments. Pycharm This IDE made by the software company JetBrains, is used for Python...
Read more

Future...

-
Recent developments in computer vision and artificial intelligence have made it possible to achieve classifications of complex patterns in images. These developments have made the successful implementation of this solution architecture achievable. My implementation does not represent a production-ready product as it is a PoC. However, it does prove that a product resulting from this solution is achievable. With this implementation it is safe to say that all technical requirements have been satisfied to an acceptable degree for this thesis. Future To achieve a production ready product a few improvements must be implemented.   Legal Compliance in general and specifically with regards to privacy/integrity (GDPR) and       Data Storage laws must be researched and implemented. 2.    A feature must be implemented in the AI implementation that allows for live training to support continuous improvement of the AI. This live training will lead to e...
Read more