Taula de continguts:

Colec.te - Lixeira Inteligente Qualcomm Dragonboard 410c + OpenCV: 7 Steps
Colec.te - Lixeira Inteligente Qualcomm Dragonboard 410c + OpenCV: 7 Steps

Vídeo: Colec.te - Lixeira Inteligente Qualcomm Dragonboard 410c + OpenCV: 7 Steps

Vídeo: Colec.te - Lixeira Inteligente Qualcomm Dragonboard 410c + OpenCV: 7 Steps
Vídeo: Intervalo CESAR - Colec.te: O lixo sob uma nova perspectiva 2024, De novembre
Anonim
Colec.te - Lixeira Inteligente Qualcomm Dragonboard 410c + OpenCV
Colec.te - Lixeira Inteligente Qualcomm Dragonboard 410c + OpenCV

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

Lixo, Um Problema Mundial
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?

Per Que Separar O Lixo?
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?

Qual a Solução?
Qual a Solução?

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?

Quais As Tecnologias Utilizadas?
Quais As Tecnologias Utilizadas?

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

Algoritmos E Códigos
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)

Imagens Do Protótipo Em Construção. (Versions 1.0 E 2.0)
Imagens Do Protótipo Em Construção. (Versions 1.0 E 2.0)
Imagens Do Protótipo Em Construção. (Versions 1.0 E 2.0)
Imagens Do Protótipo Em Construção. (Versions 1.0 E 2.0)
Imagens Do Protótipo Em Construção. (Versions 1.0 E 2.0)
Imagens Do Protótipo Em Construção. (Versions 1.0 E 2.0)

Pas 7: Autors Do Projeto

Autores Do Projeto
Autores 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: