Cambus - Adatgyűjtési rendszer városi buszon: 8 lépés

2025 Szerző: John Day | [email protected]. Utoljára módosítva: 2025-01-23 14:48

A tömegközlekedésben ismert problémák és nehézségek közül a lakosságnak nincs valós idejű információja és a legkevésbé határozott. A tömegközlekedési autóbuszok túlzsúfoltsága elűzi a felhasználókat, akik inkább a saját járműveiket használják, annak ellenére, hogy órákig még mindig forgalomban vannak. Ha a valós idejű információk, például a buszok száma, könnyen elérhetők a felhasználó számára, akkor választhat, hogy megvárja-e a következő buszt, vagy busszal közlekedik, vagy saját járművet használ. A választás ereje vonzóvá teszi a tömegközlekedést a felhasználó számára.

A beltéri emberek számbavétele vagy becslése sokféleképpen történhet, amelyek közül a leggyakrabban foglalkoztatottak a következők:

• Hőképek;
• Számítógépes látás;
• Arcszámláló;

A számítógépes látást használó környezetben élő emberek becslésének számos nehézsége közül a legfontosabbak a következők:

• Emberek elzáródásai;
• Fordított világítás;
• Statikus elzáródás, vagyis emberek a tárgyak mögött;
• Kamera szöge a környezethez;

Ennek a projektnek a kihívása az, hogy ismerje a kamera helyes szögét, amely a legjobban segíti a kép hátterének levonását, valamint a buszon belüli napközbeni változó fényerőt.

A javaslat fő célja egy robusztus és konfigurálható modell létrehozása a túlzsúfoltság becslésére és az eredmények elérhetővé tételére a lakosság számára okostelefonokon keresztül.

1. lépés: Anyagok

A projekthez szükséges anyagok a következők:

1 x Dragon Board 410c;

1 x USB kamera;

1 x Android okostelefon;

2. lépés: Telepítse a Linarót a Dragonboard 410c -be

Kövesse az alábbi linken található utasításokat a Linaro 17.09 telepítéséhez a DragonBoard 410c -re. Javasoljuk a Linaro 17.09 telepítését a GPS rendszermag támogatásához.

www.96boards.org/documentation/consumer/dr…

3. lépés: 2. lépés: Telepítse a könyvtárakat, és töltse le a forráskódot a GitHub -ból

A Cambus moduláris architektúrával és kódtervezéssel rendelkezik. Lehetőség van saját gépi tanulási algoritmus kódolására, más felhőszolgáltatásra váltásra és saját felhasználói alkalmazások létrehozására.

A cambus projekt futtatásához először le kell töltenie a forráskódot a github webhelyről (https://github.com/bmonteiro00/cambus). Telepítse a python-ot (a Cambus mód a 2.7 és> 3.x verisonon való futtatásra volt) és a következő könyvtárakat a 'pip' használatával (sudo apt-get install python-pip). Szükség lesz egy csomó könyvtár telepítésére a Linaro rendszerbe (Ajánlott virtuális környezet létrehozása - pip install virtualenv - a Cambus rendszer elkülönítése érdekében a kifogásközléstől). Kérjük, telepítse a következő könyvtárakat:

• pip install paho-mqtt
• pip install numpy
• pip telepítse az opencv-python programot
• pip install opencv-contrib-python
• pip install twilio
• pip install matplotlib

A fő programot osztályokra osztották:

• CamBus - a fő osztály;
• Érzékelő - osztály olyan adatok beszerzésére, mint a GPS pozíció, hőmérséklet, Co2.
• Számláló osztály képfeldolgozó algoritmussal.

Ellenőrizze, hogy minden könyvtár telepítve van -e, és futtassa a python CamBus_v1.py fájlt.

4. lépés: Az AWS IoT Core, DynamoDB beállítása

Az AWS IoT magját használtuk MQTT brókerként TLS és X509, valamint NoSQL és DynamoDB rendszerekkel az adatok naplózásához. Fiókot kell létrehoznia a https://aws.amazon.com/free címen.) Ezután kövesse az alábbi lépéseket egy dolog létrehozásához és integrálásához a Dinamóval:

docs.aws.amazon.com/iot/latest/developergu…

5. lépés: A Twilio és a Dweet API -k beállítása

A Twilio SMS szolgáltatást is létrehozták. A lépés végrehajtásához lásd az alábbi URL -címet:

www.twilio.com/docs/iam/api/account

Az Android alkalmazás és a rendszer közötti integráció a REST segítségével történt a Dweet platform használatával. Nincs regisztráció szükséges.

dweet.io/

6. lépés: Kihívások

Fejlesztésünk során számos kihívással szembesültünk, kezdve az OpenCV technikáktól az AWS platformig. Úgy döntöttünk, hogy a Python segítségével kódolunk, hogy időt takarítsunk meg a C/C ++ fejlesztéssel. Fejlesztésünk során csak az alapvető Opencv módszereket, például:

• cv2. GaussianBlur (..)

• cv2.küszöb (..)

• cv2.morphologyEx (..)

• cv2.contourArea (..)

• cv2.findContours (..)

Ezek az alapvető módszerek nem voltak elegendőek ahhoz, hogy jó minőséget érjenek el az emberek észlelésében. Reszkető videó ML (Machine Learning) forgatókönyveket használtak. Tehát úgy döntöttünk, hogy az OpenCV gépi tanulási könyvtárat használjuk, és újabb problémát kaptunk, mert az ML algoritmushoz jó adatbevitel megtalálása sok napot töltött el. OpenCV SVM algoritmust használtunk, de nem működött. OpenCV Naive Bayses -t használtunk, és ez rendben működött. Megpróbáltuk használni a Tensorflow és a CNN neurális hálózatokat, de egyelőre nem sikerült. A CNN sok feldolgozási teljesítményt használ, ami nálunk nem volt. Az OpenCV ML és az alapvető OpenCV módszerek használata segített elérni az emberek észlelésének jó arányát. Mindazonáltal minden vídeo típushoz hozzá kell igazítanunk az OpenCV paramétereit annak érdekében, hogy jó arányban észleljük az embereket, és elkerüljük a hamis pozitív eredményeket. E két hónap közepén kifejlesztettük az első ötletünket, hogy ne végezzünk adatgyűjtési központot csak az utasok száma és a GPS -hely. Úgy döntöttünk, hogy nem adatokat gyűjtünk más érzékelők, például a hőmérséklet stb. Használatával. Létrehoztunk egy.ini fájlt az alkalmazás paraméterezésére és konfigurálására. A Cambus.ini fájlon sokféleképpen konfigurálhatja az alkalmazást.

7. lépés: Eredmények és jövőbeli munka

Amint a videóban látható, a számláló pontosan működik. A kék vonalak jelzik a bemeneti korlátot, a piros vonal pedig a kimeneti korlátot. Ebben az esetben egy videót használtak a szimulációhoz, mert nem tudtuk telepíteni egy buszra.

Ne feledje, hogy változtatni kell az állapotán a videó méretén, a kamera szögén, a fényerőn stb. Minden videó típusnak meg kell felelnie a saját paramétereinek adaptációjának, például az opencv kernel szívási hátterének és így tovább.

Kérjük, változtassa meg a cambus.ini webhelyen a változókat, jelezve az MQTT brókerét és így tovább.

A jövőbeni megvalósítások során fontolóra vesszük, hogy érzékelőket, például hőmérsékletet, páratartalmat és CO2 -t adunk a rendszerhez. Az ötlet az, hogy adatokat gyűjtsenek a városokról, és hozzáférhetővé tegyék azokat a közösség számára.

Az alábbiakban felsoroljuk a következő lépéseket, amelyekkel javíthatja a projektet:

• Írja újra a kódot a C/C ++ segítségével;
• ML algoritmus javítása;
• Re-factor python kód;
• Telepítés buszba;

Szeretnénk megköszönni az Embarcadosnak és a Qualcommnak a támogatást.

Együttműködők:

Bruno Monteiro - [email protected]

Kleber Drobowok - [email protected]

Vinicius de Oliveira - [email protected]

8. lépés: Hivatkozások

[1]

[2]

[3]

[4]

[5]