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

2024 Автор: John Day | [email protected]. Последно модифициран: 2024-01-30 07:50

A nossa lixeira inteligente се състои от separação automática do lixo. Através de uma webcam, ela identifica o tipo de lixo e o depositita nopartimento adequado para posteriormente ser reciclado.

Стъпка 1: Lixo, Um Problema Mundial

Um dos principais problemas encontrado no meio urbano, особено nas grandes cidades é o lixo sólido, резултатът от uma sociedade que a cada dia consome mais.

Para ter uma noção mais ampla do problem tomemos a a cidade de São Paulo como exemplo, 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 съответства на 3.750 caminhões carregados diariamente. Em um ano esses caminhões enfileirados cobririam o trajeto entre a cidade de São Paulo e Nova Iorque, ida e volta.

Стъпка 2: Por Que Separar O Lixo?

Com a separação dos lixos fica mais fácil e rápida a reciclagem do material. A reciclagem reduz obzirravelmente os casos de doenças e mortes devido às enchentes e acúmulo de lixo em locais urbanos, diminui impactos sobre o meio ambiente cade mapa torade cade mapa fadil.

Стъпка 3: Qual a Solução?

Nossa solução é uma Lixeira feita com materiais também recicláveis que analisa o tipo de lixo eo descarta nopartimento correto. O reconhecimento é através de uma câmera que utiliza um banco de dados de imagens e formas. capaz de aprender e reconhecer o material do objeto descartado (papel, metal, plástico, vidro ou outros). Após a detecção e classicficação do objeto, um sinal é enviado para um que move uma esteira, posiciona no local adequado e outro motor é acionado para fazer o despejo.

Стъпка 4: Quais As Tecnologias Utilizadas?

Софтуер:

- OpenCV

- Каскаден класификатор Haar

- Python

- MRAA

- Linux (Debian)

Хардуер:

- Dragonboard 410c

- 96 борда на мецанин

- DC двигатели

- Шофьор двигател Ponte H L298N

- Fonte ATX 230W

- Уебкамера

Стъпка 5: Algoritmos E Códigos

Част 1 - OpenCV, статистика

Como o treinamento para reconhecer os 5 tipos de materiais descritos no Step 3 demoraria muito, decididor afunilar o problem e detectar apenas latas e garrafas de plástico para comprovar a prova do conceito. Essa detecção ocorreu nos seguintes passos.

1 - Treinamento: Foram utilizadas 20 изображения разделени като entre garrafas e latas

2 - Откриване:

2.1 - Изображение на преобразувателя за спазване на Cor HSV. Aumentar 'V' por um fator de 2 com o objetivo de ter features mais visíveis.

2.2 - Encontrar gradiente de Sobel nos eixos x e y.

2.3 - Изчисляване на величина com iguais pesos em ambas като direções.

2.4 - Aplicar o método de Otsu на imagem detectada pela câmera..

2.5 - Затваряне на Aplicar с изображение, открито с камера.

2.6 - Aplicar или detector de bordas Canny

2.7 - Изчислете трансформация на линха де Хаг

2.8 - Enquadrar bordas do objeto num retângulo.

2.9 - Checar proporção largura x altura para comparação com o banco de dados. No banco estão armazenados diversos modelos positivos e negativos.

3 - Отделно: Dado a saída da etapa anterior (garrafa ou lata), movemos a esteira (motor) para o lado esquerdo ou direito despejando o objectto e acendendo um LED para indicar que o processo ocorreu com sucesso.

3.1 - Devido a tensão de saída da DragonBoard ser de apenas 1.8V nos pinos digitais e os драйвери dos motores requestrerem uma tensão de entrada de no mínimo 5 V, използва се като 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 Ambassador as direções.

Obs.: É Importante deixar claro que o mapeamentos dos pinos da mezzanine board deve estar liberado no diretório/sys/class/gpio e que o código seja executado como root (sudo).

4 - Armazenamento de dados:

Todas as informações detectadas são enviadas para uma instância da AWS IoT onde os dados podem ser acessados pelas pessoas компетенции e tomar ações neophodárias. Essas dados são trocados utilizando или protocolo MQTT onde é possível o envio e recebimento de informações de forma bidirecional.

Стъпка 6: Imagens Do Protótipo Em Construção. (Версия 1.0 E 2.0)

Стъпка 7: 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 e à todos que nos ajudaram diretamente e indiretamente