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.