Colec.te - Lixeira Inteligente Qualcomm Dragonboard 410c + OpenCV - Gunook

2024 Autor: John Day | [email protected]. Zuletzt bearbeitet: 2024-01-30 07:16

Eine nossa lixeira inteligente besteht aus einer separação automática do lixo. Através de uma webcam, ela identifica or tipo de lixo und o Deposita no compartimento adequado para posteriormente ser reciclado.

Schritt 1: Lixo, ähm 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 media 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 isso korrespondiert mit 3.750 caminhões carregados diariamente. Em um ano isses caminhões enfileirados cobririam o trajeto entre a cidade de São Paulo e Nova Iorque, ida und volta.

Schritt 2: Por Que Separar O Lixo?

Com a separação dos lixos fica mais fácil e rápida a reciclagem do material. A reciclagem reduz Consideravelmente os casos de doenças e mortes devido às enchentes e acúmulo de lixo em locais urbanos, diminuiioos a judo mailime sobre cido me impactpa.

Schritt 3: Qualifizieren Sie sich für eine Lösung?

Nossa solução é uma Lixeira feita com materiais também recicláveis que analisa o tipo de lixo eo descarta no compartimento correto. O reconhecimento é através de uma câmera que utiliza um banco de dados de umicaalcom demo capaz de aprender e reconhecer o material do objeto descartado (papel, metal, plástico, vidro ou outros). acionado para fazer oder despejo.

Schritt 4: Quais als Tecnologias Utilizadas?

Software:

- OpenCV

- Haarkaskadenklassierer

- Python

- MRAA

- Linux (Debian)

Hardware:

- Drachenbrett 410c

- Zwischengeschoss mit 96 Brettern

- Motoren DC

- Fahrer Motor Ponte H L298N

- Fonte ATX 230W

- Webcam

Schritt 5: Algoritmos E Códigos

Teil 1 - OpenCV, Statistik

Como o treinnamento para reconhecer os 5 tipos de materiais decritos no Step 3 demoraria muito, decididor afunilar o problema e Detectar apenas latas und Garrafas de plástico para comprovar a prova do conceito. Essa detecção ocorreu nos seguintes passos.

1 - Treinamento: Foram utilizadas 20 imagens divididas entre garrafas e latas

2 - Erkennung:

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 - Computar a Magnitude com iguais pesos em ambas als direções.

2.4 - Aplicar o método de Otsu na imagem Detectada Pela Camera..

2.5 - Aplicar Closing na imagem Detectada Pela Camera.

2.6 - Applikator oder Detektor von Bordas Canny

2.7 - Berechne a transformada de linha de Hough

2.8 - Enquadrar bordas do objeto num retângulo.

2.9 - Checar proporção largura x altura para comparação com o banco de dados. Keine Banco estão armazenados diversos modelos positivos e negativos.

3 - Trennung: 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 processo ocorreu com sucesso.

3.1 - Devido a Tensão de saída da DragonBoard ser de apenas 1.8V nos pinos digitais e os driver dos motores requererem uma Tensão de entrada de no minimo 5 V, utilizamos as saídas 12 V de uma fonte ATX de 230 W.

3.2 - Nesta etapa utilizamos oder mraa para mapear os dois polos do motor em pinos de entrada na mezzanine board para podermos girar a estira embas as direções.

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

4 - Armazenamento de dados:

Todas als informações Detectadas são enviadas para uma instância da AWS IoT onde os dados podem ser acessados pelas pessoas kompetentes e tomar ações necessárias. Essas dados são trocados utilizando o protocolo MQTT onde é possível o envio e recebimento de informações de forma bidirecional.

Schritt 6: Imagens Do Protótipo Em Construção. (Verse 1.0 E 2.0)

Schritt 7: Autores Do Projecto

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.