Tartalomjegyzék:
- 1. lépés: Lixo, Um Problema Mundial
- 2. lépés: Por Que Separar O Lixo?
- 3. lépés: Minősítse a Solução -t?
- 4. lépés: Quais as Tecnologias Utilizadas?
- 5. lépés: Algoritmos E Códigos
- 6. lépés: Imagens Do Protótipo Em Construção. (Versões 1.0 E 2.0)
- 7. lépés: Autores Do Projeto
![Colec.te - Lixeira Inteligente Qualcomm Dragonboard 410c + OpenCV: 7 lépés Colec.te - Lixeira Inteligente Qualcomm Dragonboard 410c + OpenCV: 7 lépés](https://i.howwhatproduce.com/images/004/image-11537-j.webp)
Videó: Colec.te - Lixeira Inteligente Qualcomm Dragonboard 410c + OpenCV: 7 lépés
![Videó: Colec.te - Lixeira Inteligente Qualcomm Dragonboard 410c + OpenCV: 7 lépés Videó: Colec.te - Lixeira Inteligente Qualcomm Dragonboard 410c + OpenCV: 7 lépés](https://i.ytimg.com/vi/MlWp758f6Qk/hqdefault.jpg)
2024 Szerző: John Day | [email protected]. Utoljára módosítva: 2024-01-30 09:39
![Colec.te - Lixeira Inteligente Qualcomm Dragonboard 410c + OpenCV Colec.te - Lixeira Inteligente Qualcomm Dragonboard 410c + OpenCV](https://i.howwhatproduce.com/images/004/image-11537-1-j.webp)
A nossa lixeira inteligente consiste na separação automática do lixo. Através de uma webcam, ela identifika o tipo de lixo e o deposita no compartimento sobado para posteriormente ser reciclado.
1. lépés: Lixo, Um Problema Mundial
![Lixo, Um Problema Mundial Lixo, Um Problema Mundial](https://i.howwhatproduce.com/images/004/image-11537-2-j.webp)
Um dos principais problems 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 problem tomemos a cidade de São Paulo como examplelo, 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 megfelel 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.
2. lépés: Por Que Separar O Lixo?
![Que Separar vagy Lixo? Que Separar vagy Lixo?](https://i.howwhatproduce.com/images/004/image-11537-3-j.webp)
Com a separação dos lixos fica mais fácil e rápida a reciclagem do material. A reciclagem Reduz huomioon véve a casus de doenças e mortes devido às enchentes e acúmulo de lixo em locais urbanos, diminui impactos sobre o meio ambiente e ajudaar cidade se.
3. lépés: Minősítse a Solução -t?
![Minőségi Solução? Minőségi Solução?](https://i.howwhatproduce.com/images/004/image-11537-4-j.webp)
Nossa solução é uma Lixeira feita com materiais também recicláveis que analisa o tipo de lixo eo descarta no compartimento correctto. O reconhecimento é através de uma câmera que utiliza um banco de dados de imagens e formas. Há nela algoritmusa 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, poziciona no local satisado e outro motor é acionado para fazer o despejo.
4. lépés: Quais as Tecnologias Utilizadas?
![Quais mint Tecnologias Utilizadas? Quais mint Tecnologias Utilizadas?](https://i.howwhatproduce.com/images/004/image-11537-5-j.webp)
Szoftver:
- OpenCV
- Haar kaszkád osztályozó
- Python
- MRAA
- Linux (Debian)
Hardver:
- Dragonboard 410c
- 96 deszkás félemelet
- DC motorok
- Hajtómotor Ponte H L298N
- Fonte ATX 230W
- Webkamera
5. lépés: Algoritmos E Códigos
![Algoritmos E Códigos Algoritmos E Códigos](https://i.howwhatproduce.com/images/004/image-11537-6-j.webp)
1. rész - OpenCV, statisztika
Como o treinamento para reconhecer os 5 tipos de materiais descritos no Step 3 demoraria muito, decididor afunilar o problem e detectar apenas latas e garrafas de plástico para comprovar a prova do conceito. Essa detecção ocorreu nos seguintes passos.
1 - Treinamento: Foram utilizadas 20 kép osztott entre garrafas e latas
2 - Detecção:
2.1 - Converter imagem for 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 - Számítógépes nagyságrendű com iguais peso em ambas as directções.
2.4 - Aplicar o método de Otsu na imagem detectada pela camera..
2.5 - Aplicar Zárás a képérzékelő játékkal.
2.6 - Aplicar vagy detektor de bordas 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 para comparação com o banco de dados. No banco estão armazenados diversos modelos positivos e negativos.
3 - Separação: Dado a saída da etapa anterior (garrafa ou lata), movemos a esteira (motor) para o lado esquerdo ou directito 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 digitalis and os drivers dos motores requererem uma tensão de entrada de no mínimo 5 V, utilizamos as saídas 12 V de uma fonte ATX de 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 directções.
Megjegyzés: 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 de dados:
Todas as informationções detectadas são enviadas para uma instância da AWS IoT onde os dados podem ser acessados pelas pessoas kompetentes e tomar ações needárias. Essas dados são trocados utilizando o protokoll MQTT onde e possível o envio e recebimento de formaçire de information.
6. lépés: Imagens Do Protótipo Em Construção. (Versões 1.0 E 2.0)
![Imagens Do Protótipo Em Construção. (Versões 1.0 E 2.0) Imagens Do Protótipo Em Construção. (Versões 1.0 E 2.0)](https://i.howwhatproduce.com/images/004/image-11537-7-j.webp)
![Imagens Do Protótipo Em Construção. (Versões 1.0 E 2.0) Imagens Do Protótipo Em Construção. (Versões 1.0 E 2.0)](https://i.howwhatproduce.com/images/004/image-11537-8-j.webp)
![Imagens Do Protótipo Em Construção. (Versões 1.0 E 2.0) Imagens Do Protótipo Em Construção. (Versões 1.0 E 2.0)](https://i.howwhatproduce.com/images/004/image-11537-9-j.webp)
7. lépés: Autores Do Projeto
![Autores Do Projeto Autores Do Projeto](https://i.howwhatproduce.com/images/004/image-11537-10-j.webp)
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 directtamente e indiretamente.
Ajánlott:
QR -kód -szkenner az OpenCV használatával Pythonban: 7 lépés
![QR -kód -szkenner az OpenCV használatával Pythonban: 7 lépés QR -kód -szkenner az OpenCV használatával Pythonban: 7 lépés](https://i.howwhatproduce.com/images/001/image-2256-j.webp)
QR-kód-szkenner az OpenCV használatával Pythonban: A mai világban azt látjuk, hogy a QR-kódot és a vonalkódot szinte mindenhol használják, a termékcsomagolástól az online fizetésig, és manapság már az étteremben is látjuk a QR-kódokat a menü megtekintéséhez. kétlem, hogy ez most a nagy gondolat. De szenvedtél már valaha
Valós idejű Rubik-kocka bekötött szemű megoldó a Raspberry Pi és az OpenCV használatával: 4 lépés
![Valós idejű Rubik-kocka bekötött szemű megoldó a Raspberry Pi és az OpenCV használatával: 4 lépés Valós idejű Rubik-kocka bekötött szemű megoldó a Raspberry Pi és az OpenCV használatával: 4 lépés](https://i.howwhatproduce.com/images/001/image-192-17-j.webp)
Valós idejű Rubik-kocka bekötött szemű megoldó a Raspberry Pi és az OpenCV használatával: Ez a Rubik kockaeszköz 2. verziója, bekötött szemmel történő megoldásra. Az első verziót a javascript fejlesztette ki, láthatja a RubiksCubeBlindfolded1 projektet. Az előzőtől eltérően ez a verzió az OpenCV könyvtárat használja a színek és az
Vision 4all - Sistema Visão Assistida Para Deficientes Visuais Usando OpenCV, Dragonboard 410c E Aplicativo Android: 6 lépés
![Vision 4all - Sistema Visão Assistida Para Deficientes Visuais Usando OpenCV, Dragonboard 410c E Aplicativo Android: 6 lépés Vision 4all - Sistema Visão Assistida Para Deficientes Visuais Usando OpenCV, Dragonboard 410c E Aplicativo Android: 6 lépés](https://i.howwhatproduce.com/images/004/image-10674-j.webp)
Vision 4all - Sistema Visão Assistida Para Deficientes Visuais Usando OpenCV, Dragonboard 410c E Android: DESCRI Ç Ã OO intuito do projeto é dar autonomia para deficientes visuais se locomoverem em ambientes beltéri como casas vagy bevásárlóközpontok és repülőterek.A locomo ç ã o em ambientes j á mapeados pode ou n ã o s
Képfeldolgozás a Raspberry Pi -vel: OpenCV és képszín -elválasztás telepítése: 4 lépés
![Képfeldolgozás a Raspberry Pi -vel: OpenCV és képszín -elválasztás telepítése: 4 lépés Képfeldolgozás a Raspberry Pi -vel: OpenCV és képszín -elválasztás telepítése: 4 lépés](https://i.howwhatproduce.com/images/005/image-14151-j.webp)
Képfeldolgozás a Raspberry Pi -vel: OpenCV és képszínelkülönítés telepítése: Ez a bejegyzés az első a következő képfeldolgozási oktatóanyagok közül. Közelebbről megvizsgáljuk a képet alkotó képpontokat, megtanuljuk, hogyan kell telepíteni az OpenCV -t a Raspberry Pi -re, és teszt szkripteket is írunk a kép rögzítéséhez, és
Objektumfelismerés W/ Dragonboard 410c vagy 820c OpenCV és Tensorflow használatával: 4 lépés
![Objektumfelismerés W/ Dragonboard 410c vagy 820c OpenCV és Tensorflow használatával: 4 lépés Objektumfelismerés W/ Dragonboard 410c vagy 820c OpenCV és Tensorflow használatával: 4 lépés](https://i.howwhatproduce.com/images/003/image-6246-2-j.webp)
Objektumészlelés W/ Dragonboard 410c vagy 820c OpenCV és Tensorflow használatával: Ez az útmutató leírja, hogyan kell telepíteni az OpenCV, Tensorflow és gépi tanulási keretrendszereket a Python 3.5 rendszerhez az Objektumfelismerő alkalmazás futtatásához