Taula de continguts:
- Pas 1: Lixo, Um Problema Mundial
- Pas 2: Per Que Separar O Lixo?
- Pas 3: Qual a Solució?
- Pas 4: Quais com a tecnologies útils?
- Pas 5: Algoritmos E Códigos
- Pas 6: Imagens Do Protótipo Em Construção. (Versions 1.0 E 2.0)
- Pas 7: Autors Do Projeto
Vídeo: Colec.te - Lixeira Inteligente Qualcomm Dragonboard 410c + OpenCV: 7 Steps
2024 Autora: John Day | [email protected]. Última modificació: 2024-01-30 08:11
A nostra lixeira intel·ligent consisteix en una separació automàtica del lixo. Através de uma webcam, ela identifica o tipus de lixo e o deposita no compartiment adequat per posteriorment ser reciclat.
Pas 1: Lixo, Um Problema Mundial
Um dos principals problemes trobats no meio urbà, especialment en grans ciutats és o lixo sòlid, resultat de la seva societat que cada dia consome més.
Para ter uma noção mais ampla do problema tomemos a cidade de São Paulo com exemple, em média cada pessoa produz diariamente entre 800 ga 1 kg de lixo diário, ou de 4 a 6 litros de dejetos, por dia são gerados 15.000 toneladas de lixo, isso corresponde a 3.750 caminhões carregados diariamente. Em um ano esses caminhões enfileirados cobririam o trajecteto entre a cidade de São Paulo e Nova Iorque, ida e volta.
Pas 2: Per Que Separar O Lixo?
Com a separação dos lixos fica mais fácil e rápida a reciclagem do material. A reciclagem reduz considervelmente os cases de doenças e mortes devido às enchentes e acúmulo de lixo em locais urbanos, diminui impactos sobre o meio ambiente e ajuda a ciutat se tornar més limpa.
Pas 3: Qual a Solució?
Nossa solução é uma Lixeira feita com materials també recicláveis que analisa o tipo de lixo eo descarta no compartimento correto. O reconhecimento é através de uma câmera que utilitza um banc de dats d'imatges i formes. Há nela um algoritmo com a tecnologia d'aprenentatge automàtic capaz de aprender e reconhecer o material do objecto descartado (papel, metal, plástico, vidro ou outros). acionado para fazer o despejo.
Pas 4: Quais com a tecnologies útils?
Programari:
- OpenCV
- Classificador de cascades Haar
- Python
- MRAA
- Linux (Debian)
Maquinari:
- Dragonboard 410c
- Altell de 96 taulers
- Motors de corrent continu
- Motor del conductor Ponte H L298N
- Fonte ATX 230W
- Càmera web
Pas 5: Algoritmos E Códigos
Part 1 - OpenCV, estadística
Como o treinamento para reconhecer os 5 tipos de material descritos no Step 3 demoraria muito, decididor afunilar o problema e detectar apenas latas e garrafas de plástico para comprovar a prova do conceito. Essa detecció ocorreu els següents passos.
1 - Treinamento: Foram utilizadas 20 images divididas entre garrafas e latas
2 - Detecció:
2.1 - Converter image for o espaço de cor HSV. Aumentar 'V' per um fator de 2 com o objectiu de ter features mais visíveis.
2.2 - Encontrar gradiente de Sobel nos eixos x e y.
2.3 - Computar a magnitude com iguais pesos em ambas as direções.
2.4 - Aplicar o mètode d'Otsu na imagem detectada pela câmera..
2.5 - Aplicar Closing na imagem detectada pela câmera.
2.6 - Aplicar o detector de bordes Canny
2.7 - Calcula a transformada de linha de Hough
2.8 - Enquadrar bordas do objeto num retângulo.
2.9 - Checar proporció de llargada x altura per a comparació amb banc de dats. No banco estão armazenados diversos models positius i negatius.
3 - Separação: Dado a saída da etapa anterior (garrafa ou lata), movemos a esteira (motor) para o lado derecho o direito despejando o objeto e acendendo um LED para indicar que o proceso ocorreu con éxito.
3.1 - Devido a tensão de saída da DragonBoard ser de apenas 1.8V nos pinos digitais e os drivers dos motores requererem uma tensão de entrada de no mínimo 5 V, utilizamos as saídas 12 V de uma fonte ATX de 230 W.
3.2 - Nesta etapa utilizamos o mraa para mapear os dois polos do motor em pinos de entrada na mezzanine board para podermos girar a esteira em ambas as direções.
Obs.: É important deixar clar que o mapeamentos dos pinos da mezzanine board deve estar liberado no diretório / sys / class / gpio e que o code seja executado com root (sudo).
4 - Armazenamento de dados:
Totes les informacions detectades són enviades per a la seva instància des de AWS IoT on es poden accedir a les pel·lícules competents i prendre les necessitats necessàries. Essas dados são trocados utilitzant o protocolo MQTT onde possível o envio e recebimento de informaciones de forma bidirecional.
Pas 6: Imagens Do Protótipo Em Construção. (Versions 1.0 E 2.0)
Pas 7: Autors Do Projeto
Da esquerda pra direita: - David Carvalho- Lucas Azevedo- Rodrigo Alves- Larissa Lages- Manoela Vieira- Bianca Lisle- Andréa DuqueAgradecimentos: Angelo Brito, Thiago Pinheiro, Heitor Araújo i a tots que no ajudem directament i indirectament.
Recomanat:
Escàner de codi QR mitjançant OpenCV a Python: 7 passos
Escàner de codis QR amb OpenCV a Python: al món actual veiem que el codi QR i el codi de barres s’utilitzen gairebé des de l’embalatge del producte fins als pagaments en línia i, ara, cada dia veiem codis QR fins i tot al restaurant per veure el menú. dubteu que ara sigui el gran pensament. Però, mai has estat
Solucionador de ulls tapats de Rubik's Cube en temps real amb Raspberry Pi i OpenCV: 4 passos
Solucionador de ulls embenats del cub de Rubik en temps real que utilitza Raspberry Pi i OpenCV: Aquesta és la segona versió de l’eina de cubs de Rubik feta per resoldre amb els ulls embenats. La primera versió va ser desenvolupada per javascript, podeu veure el projecte RubiksCubeBlindfolded1A diferència de l’anterior, aquesta versió utilitza la biblioteca OpenCV per detectar els colors i
Vision 4all - Sistema Visão Assistida Per a Deficients Visuals Usant OpenCV, Dragonboard 410c E Aplicativo Android: 6 Steps
Vision 4all - Sistema Visão Assistida Para Deficientes Visuais Usando OpenCV, Dragonboard 410c E Aplicativo Android: DESCRI Ç Ã OO intuito do projeto é dar autonomia per deficients visuais se locomoverem em ambients indoor com cases o shopping centres e aeroportos.A locomo ç ã o em ambients j á mapeados pode ou n ã o s
Processament d’imatges amb el Raspberry Pi: instal·lació d’OpenCV i separació del color de la imatge: 4 passos
Processament d’imatges amb el Raspberry Pi: instal·lació d’OpenCV i separació de color d’imatges: aquest post és el primer dels diversos tutorials de processament d’imatges que s’han de seguir. Analitzem de prop els píxels que formen una imatge, aprenem a instal·lar OpenCV al Raspberry Pi i també escrivim scripts de prova per capturar una imatge i també
Detecció d'objectes W / Dragonboard 410c o 820c mitjançant OpenCV i Tensorflow .: 4 passos
Object Detection W / Dragonboard 410c o 820c mitjançant OpenCV i Tensorflow. Aquest document descriu com instal·lar OpenCV, Tensorflow i frameworks d’aprenentatge automàtic per Python 3.5 per executar l’aplicació Detecció d’objectes