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

2024 Autors: John Day | [email protected]. Pēdējoreiz modificēts: 2024-01-30 10:52

A nossa lixeira inteligente consiste na separação automática do lixo. Tīmekļa kameras atrašana, identifikācija vai tipa de lixo e o noguldījums bez nodalījuma pietiekamības pēc posteriormente ser reciclado.

1. darbība: Lixo, Um Problema Mundial

Um dos principais problēmas encontrado no meio urbano, especialmente nas grandes cidades é o lixo sólido, resultado de uma sociedade que a cada dia consome mais.

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

2. solis: Vai Que Separar O Lixo?

Com a separação dos lixos fica mais fácil e rápida a reciclagem do material. A reciclagem reduz apsver apsvērumus par caso de doenças e mortes devido às enchentes e acúmulo de lixo em locais urbanos, diminui impactos sobre o meio ambiente e ajudaar cidade se.

3. solis: vai kvalificēties Solução?

Nossa solução é uma Lixeira feita com materiais também recicláveis que analisa o tipo de lixo eo descarta no compartimento correctto. 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). Apop un a detecção e classificação do objeto, um sinal é enviado para um motor que move uma esteira, poziciona no local sobado e outro motor é acionado para fazer o despejo.

4. solis: Quais As Tecnologias Utilizadas?

Programmatūra:

- OpenCV

- Hāra kaskādes klasifikators

- Pitons

- MRAA

- Linux (Debian)

Aparatūra:

- Dragonboard 410c

- 96board Mezzanine

- DC motori

- Vadītāja motors Ponte H L298N

- Fonte ATX 230W

- Tīmekļa kamera

5. darbība: Algoritmos E Códigos

1. daļa - OpenCV, statistika

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 attēli divididas entre garrafas e latas

2 - Detekcija:

2.1 - HSV pārveidotāja attēls. 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 - Datoru lielums ir iguais pesos em ambas as directções.

2.4.

2.5 - Aplicar Aizverot attēlu, tiek atklāta pela camera.

2.6 - Aplikārs vai detektors de Bordas Canny

2.7 - Aprēķins un transformācijas līnija de Hough

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 pozitivos e negativos.

3 - Separação: Dado a saída da etapa anterior (garrafa ou lata), movemos a esteira (motor) para o lado esquerdo ou directito despejando o objeto 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 digitalis and os drivers dos motores requererem uma tensão de entrada de no minínimo 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 directções.

Ievērojiet: svarīgs deixar claro que vai mapeamentos dos pinos da mezzanine board deve estar liberado no directtório/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 kompetentas e tomar ações needárias. Essas dados são trocados izmanto vai izmanto protokolu MQTT, kas ir pieejams vai pieejams, un saņem informāciju par divvirzienu informāciju.

6. darbība: Imagens Do Protótipo Em Construção. (Versija 1.0 E 2.0)

7. darbība: 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 directtamente e indiretamente.