Sommario:
- Fase 1: Lixo, Um Problema Mundial
- Fase 2: Por Que Separar O Lixo?
- Fase 3: Qual a Solução?
- Passaggio 4: Quais As Tecnologias Utilizadas?
- Passaggio 5: Algoritmos E Códigos
- Passaggio 6: immagini Do Protótipo Em Construção. (Versi 1.0 E 2.0)
- Passaggio 7: Autores Do Project
Video: Colec.te - Lixeira Inteligente Qualcomm Dragonboard 410c + OpenCV: 7 passaggi
2024 Autore: John Day | [email protected]. Ultima modifica: 2024-01-30 10:00
A nossa lixeira inteligente consiste na separação automática do lixo. Através de uma webcam, ela identifica o tipo de lixo e o non deposita compartimento adeguato per posteriormente ser reciclado.
Fase 1: Lixo, Um Problema Mundial
Um dos principais problemas 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 problema tomemos 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 corrisponde a 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.
Fase 2: Por Que Separar O Lixo?
Com a separação dos lixos fica mais fácil e rápida a reciclagem do material. A reciclagem reduz considerevolmente os casos de doenças e mortes devido às enchentes e acúmulo de lixo torna em locais urbanos, diminui impactos sobre o meio ambiente e ajuda a maicidade se.
Fase 3: Qual a Solução?
Nossa solução é uma Lixeira feita com materiais também recicláveis que analisa o type de lixo eo descarta no compartimento correto. O reconhecimento é através de uma câmera que utiliza um banco de dati de imagens e forms. Há nela de me autom y algoritmo com a una tecnologia capaz de aprender e reconhecer o material do objeto descartado (papel, metal, plástico, vidro ou outros). Após a detecção e classificação do objeto, um sinal é enviado para um motor que move uma esteira, posiciona no local adequado e outro motor é acionado para fazer o despejo.
Passaggio 4: Quais As Tecnologias Utilizadas?
Software:
- ApriCV
- Classificatore a cascata Haar
- Pitone
- MRAA
-Linux (Debian)
Hardware:
- Dragonboard 410c
- Soppalco da 96 tavole
- Motori DC
- Driver Motore Ponte H L298N
- Fonte ATX 230W
- Webcam
Passaggio 5: Algoritmos E Códigos
Parte 1 - OpenCV, Statistica
Como o treinamento para reconhecer os 5 tipi de materialeis 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 detecção ocorreu nos seguintes passi.
1 - Treinamento: Foram utilizadas 20 imagens divididas entre garrafas e latas
2 - Rilevamento:
2.1 - Converter imagem para o espaço de 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 - Calcolare una grandezza com iguais pesos em ambas as direções.
2.4 - Applicar o método de Otsu na imagem detectada pela câmera..
2.5 - Applicazione di chiusura dell'immagine rilevata dalla telecamera.
2.6 - Applicazione del rilevatore di bordi Canny
2.7 - Calcula a transformada de linha de Hough
2.8 - Enquadrar bordas do objeto num retângulo.
2.9 - Checar proporção largura x altura per comparação con banco de dodos. Nessun banco estão armazenados diversi modelli positivi e negativi.
3 - Separação: Dado a saída da etapa anterior (garrafa ou lata), movemos a esteira (motor) para o lado esquerdo ou direito despejando o objeto e acendendo um LED para indicar que o process ocorreu com sucesso.
3.1 - Devidare la tensione da DragonBoard ser de apenas 1.8V nos pinos digitais e os driver dos motors requererem uma tensão de entrada de no mínimo 5 V, utilizamos come dette 12 V da una fonte ATX da 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 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 dei dati:
Tutte le informazioni rilevate sono necessarie per qualsiasi istanza di AWS IoT su tutti i dati che hanno accesso a persone competenti e a tutte le esigenze. Essas dados são trocados utilizando o protocolo MQTT onde é possível o envio e recebimento de informações de forma bidirecional.
Passaggio 6: immagini Do Protótipo Em Construção. (Versi 1.0 E 2.0)
Passaggio 7: Autores Do Project
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.
Consigliato:
Scanner di codici QR utilizzando OpenCV in Python: 7 passaggi
Scanner di codici QR che utilizza OpenCV in Python: nel mondo di oggi vediamo che il codice QR e il codice a barre vengono utilizzati quasi ovunque, dalla confezione del prodotto ai pagamenti online e oggigiorno vediamo i codici QR anche nel ristorante per vedere il menu. Quindi no dubito che sia il grande pensare ora. Ma hai mai wo
Risolutore bendato del cubo di Rubik in tempo reale utilizzando Raspberry Pi e OpenCV: 4 passaggi
Risolutore bendato del cubo di Rubik in tempo reale utilizzando Raspberry Pi e OpenCV: questa è la seconda versione dello strumento cubo di Rubik realizzato per la risoluzione con gli occhi bendati. La prima versione è stata sviluppata da javascript, puoi vedere il progetto RubiksCubeBlindfolded1 A differenza della precedente, questa versione utilizza la libreria OpenCV per rilevare i colori ed e
Vision 4all - Sistema Visão Assistida Para Deficientes Visuais Usando OpenCV, Dragonboard 410c E Aplicativo Android: 6 Passaggi
Vision 4all - Sistema Visão Assistida Para Deficientes Visuais Usando OpenCV, Dragonboard 410c E Aplicativo Android: DESCRIÇÃOO intuito do projeto é dar autonomia para deficientes visuais se locomoverem em ambientes indoor como casas ou shopping centres e aeroportos.A locomoção em ambientes já mapeados pode ou não s
Elaborazione delle immagini con Raspberry Pi: installazione di OpenCV e separazione del colore dell'immagine: 4 passaggi
Elaborazione delle immagini con il Raspberry Pi: installazione di OpenCV e separazione dei colori dell'immagine: questo post è il primo di numerosi tutorial sull'elaborazione delle immagini che seguiranno. Diamo un'occhiata più da vicino ai pixel che compongono un'immagine, impariamo come installare OpenCV sul Raspberry Pi e scriviamo anche script di test per catturare un'immagine e anche c
Rilevamento di oggetti con Dragonboard 410c o 820c utilizzando OpenCV e Tensorflow.: 4 passaggi
Rilevamento di oggetti con Dragonboard 410c o 820c utilizzando OpenCV e Tensorflow.: Queste istruzioni descrivono come installare OpenCV, Tensorflow e framework di apprendimento automatico per Python 3.5 per eseguire l'applicazione Object Detection