Sommario:
2025 Autore: John Day | [email protected]. Ultima modifica: 2025-01-23 14:49
Ciao amici, questo è un sistema di rilevamento ed estinzione incendi basato sull'elaborazione di immagini che utilizza Arduino
Passo 1:
Fondamentalmente il sistema è diviso in due parti
1 rivelazione incendio
2 allarme antincendio ed estintore
Nella prima parte il fuoco rileva utilizzando l'elaborazione delle immagini.
Qui in questo progetto sto usando Open CV e Python per il rilevamento degli incendi. Ho creato un classificatore a cascata HAAR per la rivelazione incendio utilizzando Open CV. Ha un trainer e un rilevatore per addestrare il nostro classificatore a cascata, HAAR Cascade viene utilizzato per rilevare l'oggetto per il quale è stato addestrato. Sono necessari molti campioni di immagine positivi e negativi per addestrare il classificatore. La formazione del classificatore a cascata è un processo complesso e dispendioso in termini di tempo, quindi per semplificare trovo che un software di formazione a cascata sul nome Web sia "GUI del trainer a cascata".
Per il classificatore a cascata di formazione, scaricare e installare questo EXE del trainer dal collegamento sopra. Crea una cartella con nome fire (puoi creare una cartella con qualsiasi nome poiché il mio oggetto target è fire, quindi ho creato la cartella "fire") ora crea due cartelle all'interno della cartella fire con nome "n" e "p", n cartella è per campioni di immagini negative e p per campioni di immagini positive. L'immagine positiva contiene l'oggetto che vogliamo rilevare, nel nostro caso vogliamo rilevare il fuoco, quindi raccogli i campioni di immagine che contengono il fuoco e mettili all'interno della cartella p. Per i campioni negativi raccogliere un gran numero di immagini che non contengono fuoco nemmeno parzialmente. Ora segui i passaggi nella pagina sopra per creare il file del classificatore a cascata, oppure puoi scaricare il classificatore a cascata preimpostato per il rilevamento degli incendi e il codice sorgente dal link (codice sorgente)
Viene verso il Python, per eseguire questo progetto è necessario installare i seguenti moduli e librerie nella configurazione di Python.
· Numpy
· Scipy
· Pyserial (cliccala per scaricare numpy, scipy e pyserial)
Dopo l'installazione di tutti i moduli, apri il codice python con il nome fire detection, arduino.py se ricevi degli errori durante l'esecuzione, non farti prendere dal panico, abbiamo appena fatto la prima parte.
Passo 2:
Passiamo all'hardware, qui sto usando Arduino UNO come controller poiché devo controllare pompa, cicalino e led rossi.
Componenti utilizzati:
Arduino uno:
LCD 16x2:
Cicalino 5volt:
LED
Relè 5volt:
Transistor Bc547:
Resistori 470r, 1k, 220r, 10k preimpostati:
Lm7805
Condensatori 1000uf/25volt, 470uf/16 volt:
Diodo 1N4007
Webcam (opzionale, puoi usare anche la fotocamera del tuo laptop):
Mini pompa sommersa (dal negozio locale)
Collega tutti i componenti come da schema elettrico sottostante, collega arduino al computer tramite cavo USB e scopri la porta com su cui è collegato Arduino, ora apri il codice Arduino, seleziona la porta com e la scheda corretta dal menu degli strumenti di Arduino e carica il codice.
Passaggio 3:
Apri il codice python con il nome di rilevamento del fuoco, arduino.py controlla che la porta com di scrittura nel codice sia corretta o meno nella riga 13, in caso contrario cambialo con il numero della porta com di Arduino. Fare clic sulla scheda Esegui, quindi fare clic su Esegui modulo o premere F5.
Se tutte le connessioni sono ok, l'anteprima della telecamera verrà visualizzata sullo schermo. Ora mostra il fuoco ad esso, il fuoco viene rilevato e la pompa si avvia così come il cicalino avvia il suono di un segnale acustico.
SCARICA LINK
Codice sorgente:
Moduli Python:
GUI del trainer a cascata:
Spero che tu lo trovi utile. se sì, metti mi piace, condividi, commenta il tuo dubbio. Per altri progetti simili, seguimi! Supporta il mio canale su YouTube.
Grazie!
Youtube
Consigliato:
Intelligenza artificiale e riconoscimento delle immagini con HuskyLens: 6 passaggi (con immagini)
Intelligenza artificiale e riconoscimento delle immagini con HuskyLens: Ehi, come va, ragazzi! Akarsh qui da CETech. In questo progetto, daremo un'occhiata all'HuskyLens di DFRobot. È un modulo fotocamera basato sull'intelligenza artificiale in grado di eseguire diverse operazioni di intelligenza artificiale come Face Recognitio
Riconoscimento delle immagini con schede K210 e Arduino IDE/Micropython: 6 passaggi (con immagini)
Riconoscimento immagine con schede K210 e Arduino IDE/Micropython: ho già scritto un articolo su come eseguire demo OpenMV su Sipeed Maix Bit e ho anche realizzato un video di demo di rilevamento oggetti con questa scheda. Una delle tante domande che le persone hanno posto è: come posso riconoscere un oggetto che la rete neurale non è tr
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
Sistema di rilevamento degli incendi boschivi basato su IOT: 8 passaggi
Sistema di rilevamento degli incendi boschivi basato sull'IOT: ●Gli incendi boschivi sono stati un problema urgente per decenni in India e vengono alla ribalta solo quando si verificano incidenti gravi come quello in Uttarakhand. ●Secondo il dipartimento forestale dell'Uttarakhand, 3399 ettari di foresta sono stati sventrati nel 1451 per
Gesture Hawk: Robot controllato con gesti della mano che utilizza un'interfaccia basata sull'elaborazione delle immagini: 13 passaggi (con immagini)
Gesture Hawk: Robot controllato con gesti della mano che utilizza un'interfaccia basata sull'elaborazione delle immagini: Gesture Hawk è stato presentato in TechEvince 4.0 come una semplice interfaccia uomo-macchina basata sull'elaborazione delle immagini. La sua utilità sta nel fatto che non sono necessari sensori aggiuntivi o indossabili tranne un guanto per controllare l'auto robotica che funziona su diversi