ক্যাম্বাস - শহুরে বাসে ডেটা সংগ্রহের সিস্টেম: 8 টি ধাপ

2024 লেখক: John Day | [email protected]. সর্বশেষ পরিবর্তিত: 2024-01-30 08:01

পাবলিক ট্রান্সপোর্টে পরিচিত সমস্যা এবং অসুবিধার মধ্যে, জনসংখ্যার রিয়েল টাইম তথ্যের অভাব এবং সর্বনিম্ন দৃert়তার সাথে। গণপরিবহন বাসের অতিরিক্ত ভিড় ব্যবহারকারীদের দূরে সরিয়ে দেয়, যারা তাদের নিজস্ব যানবাহন ব্যবহার করতে পছন্দ করে, যদিও তারা এখনও ঘন্টার পর ঘন্টা ট্র্যাফিকের মধ্যে থাকে। যদি বাসের সংখ্যার মতো রিয়েল-টাইম তথ্য সহজেই একজন ব্যবহারকারীর কাছে পাওয়া যায়, তাহলে তিনি পরবর্তী বাসের জন্য অপেক্ষা করা বা বাসে ঘুরে বেড়ানো বা নিজের গাড়ি ব্যবহার করা বেছে নিতে পারেন। পছন্দের শক্তি ব্যবহারকারীর জন্য গণপরিবহনকে আরও আকর্ষণীয় বিকল্প করে তোলে।

বাড়ির ভিতরে লোক গণনা বা অনুমান করা অনেক উপায়ে করা যেতে পারে, যার মধ্যে সর্বাধিক নিযুক্ত করা হয়:

• তাপীয় চিত্র;
• কম্পিউটার ভিশন;
• মুখ কাউন্টার;

কম্পিউটার ভিশন ব্যবহার করে পরিবেশে মানুষকে অনুমান করতে বেশ কয়েকটি অসুবিধার মধ্যে প্রধান হল:

• মানুষের অবরোধ;
• উল্টানো আলো;
• স্ট্যাটিক অবরোধ, অর্থাৎ বস্তুর পিছনে মানুষ;
• পরিবেশের ক্যামেরা কোণ;

এই প্রকল্পের জন্য একটি চ্যালেঞ্জ হল ক্যামেরার সঠিক কোণটি জানা যা ছবির ব্যাকগ্রাউন্ডের বিয়োগে সবচেয়ে ভাল সাহায্য করবে, সেইসাথে বাসের ভিতরে দিনের বেলা পরিবর্তনশীল উজ্জ্বলতা।

এই প্রস্তাবের মূল উদ্দেশ্য হচ্ছে জনসংখ্যার জন্য জনসংখ্যার কাছে স্মার্টফোনের মাধ্যমে উপলব্ধি করার জন্য একটি শক্তিশালী এবং কনফিগারযোগ্য মডেল তৈরি করা।

ধাপ 1: উপকরণ

প্রকল্পের জন্য প্রয়োজনীয় উপাদান হল পরবর্তী:

1 x ড্রাগন বোর্ড 410c;

1 x ইউএসবি ক্যামেরা;

1 x স্মার্টফোন অ্যান্ড্রয়েড;

ধাপ 2: ড্রাগনবোর্ড 410c এ Linaro ইনস্টল করুন

ড্রাগনবোর্ড 410 সি -তে লিনারো 17.09 ইনস্টল করার জন্য নিচের লিঙ্কের নির্দেশাবলী অনুসরণ করুন। আমরা GPS এর জন্য কার্নেল সাপোর্টের জন্য Linaro 17.09 ইনস্টল করার সুপারিশ করি।

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

ধাপ 3: ধাপ 2: লাইব্রেরি ইনস্টল করুন এবং গিটহাব থেকে সোর্স কোড ডাউনলোড করুন

ক্যাম্বাসের একটি মডুলার আর্কিটেকচার এবং কোড ডিজাইন রয়েছে। আপনার নিজের মেশিন লার্নিং অ্যালগরিদম কোড করা, অন্যান্য ক্লাউড সার্ভিসে পরিবর্তন করা এবং আপনার নিজস্ব ব্যবহারকারীর অ্যাপ্লিকেশন তৈরি করা সম্ভব।

ক্যাম্বাস প্রকল্পটি চালানোর জন্য প্রথমে আপনাকে গিথুব (https://github.com/bmonteiro00/cambus) থেকে সোর্স কোড ডাউনলোড করতে হবে। পাইথন ইনস্টল করুন (ক্যাম্বাস মোড ছিল ভেরিসন ২.7 এবং> x. এক্স) এবং নিম্নলিখিত লাইব্রেরিগুলি 'পিপ' ব্যবহার করে (sudo apt-get install python-pip)। লিনারো সিস্টেমে একগুচ্ছ লাইব্রেরি ইনস্টল করার প্রয়োজন হবে (এছাড়াও, এটি একটি ভার্চুয়াল পরিবেশ তৈরি করার জন্য সুপারিশ করা হয় - পিপ ইনস্টল ভার্চুয়ালেনভ - যাতে এসও থেকে ক্যাম্বাস সিস্টেমকে বিচ্ছিন্ন করা যায়)। অনুগ্রহ করে, নিম্নলিখিত গ্রন্থাগারগুলি ইনস্টল করুন:

• পাইপ ইনস্টল paho-mqtt
• pip ইনস্টল numpy
• pip opencv-python ইনস্টল করুন
• pip opencv- অবদান-পাইথন ইনস্টল করুন
• পিপ ইনস্টল টুইলিও
• পিপ ইনস্টল matplotlib

মূল প্রোগ্রামটি শ্রেণীতে বিভক্ত ছিল:

• ক্যামবাস - প্রধান শ্রেণী;
• সেন্সর - জিপিএস অবস্থান, তাপমাত্রা, সিও 2 এর মতো ডেটা পাওয়ার একটি শ্রেণী।
• কাউন্টার - ইমেজ প্রসেসিং অ্যালগরিদম সহ ক্লাস।

নিশ্চিত করুন যে সমস্ত লাইব্রেরি ইনস্টল করা হয়েছে এবং পাইথন CamBus_v1.py চালানো হয়েছে কিনা।

ধাপ 4: AWS IoT Core, DynamoDB সেট আপ করা

আমরা TLS এবং X509 এবং NoSQL এবং DynamoDB এর সাথে MQTT ব্রোকার হিসেবে AWS IoT কোর ব্যবহার করেছি ডেটা লগ করতে। আপনাকে https://aws.amazon.com/free এ একটি অ্যাকাউন্ট তৈরি করতে হবে।) এরপরে, আপনি একটি জিনিস তৈরি করতে এবং ডায়নামোর সাথে সংহত করতে নীচের পদক্ষেপগুলি অনুসরণ করবেন:

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

ধাপ 5: টুইলিও এবং ডুইট এপিআই সেটআপ করুন

টুইলিও এসএমএস পরিষেবাও স্থাপন করা হয়েছিল। এই পদক্ষেপটি সম্পন্ন করার জন্য নির্দেশাবলীর জন্য নীচের URL টি দেখুন:

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

অ্যান্ড্রয়েড অ্যাপ এবং সিস্টেমের মধ্যে ইন্টিগ্রেশনটি ডিইটিটি প্ল্যাটফর্ম ব্যবহার করে REST এর মাধ্যমে করা হয়েছিল।

dweet.io/

ধাপ 6: চ্যালেঞ্জ

আমাদের উন্নয়নের সময় আমরা OpenCV কৌশল থেকে শুরু করে AWS প্ল্যাটফর্ম পর্যন্ত অনেক চ্যালেঞ্জের মুখোমুখি হয়েছি। আমরা সি/সি ++ তে বিকাশের সময় বাঁচাতে পাইথনের সাথে কোড করার সিদ্ধান্ত নিয়েছি। আমাদের উন্নয়নের সময় শুধুমাত্র মৌলিক Opencv পদ্ধতি যেমন:

Aus cv2. গাউসিয়ান ব্লুর (..)

V cv2.threshold (..)

Cv2.morphologyEx (..)

• cv2.contourArea (..)

• cv2.findContours (..)

এই মৌলিক পদ্ধতিগুলি মানুষকে সনাক্ত করার ক্ষেত্রে একটি ভাল গুণে পৌঁছানোর জন্য যথেষ্ট ছিল না। নড়বড়ে ভিডিও এমএল (মেশিন লার্নিং) সহ দৃশ্যগুলি ব্যবহার করা হয়েছিল। সুতরাং, আমরা ওপেনসিভি মেশিন লার্নিং লাইব্রেরি ব্যবহার করার সিদ্ধান্ত নিয়েছি এবং আমরা আরেকটি সমস্যা পেয়েছি কারণ এমএল অ্যালগরিদমের জন্য একটি ভাল ডেটা ইনপুট খুঁজে পাওয়া একটি সমস্যা যা আমরা অনেক দিন কাটিয়েছি। আমরা OpenCV SVM অ্যালগরিদম ব্যবহার করেছি কিন্তু কাজ করিনি। আমরা OpenCV Naive Bayses ব্যবহার করেছি এবং এটি ঠিক আছে। আমরা টেন্সরফ্লো এবং সিএনএন নিউরাল নেটওয়ার্ক ব্যবহার করার চেষ্টা করেছি, তবে আমরা এটি আপাতত ঘটাইনি। সিএনএন অনেক প্রক্রিয়াকরণ শক্তি ব্যবহার করে, যা আমাদের কাছে ছিল না। তা সত্ত্বেও, প্রতিটি ধরনের ভিডিওর জন্য আমাদের ওপেনসিভির মানদণ্ড মানিয়ে নিতে হবে যাতে মানুষ সনাক্ত করার একটি ভাল হারে পৌঁছাতে পারে এবং মিথ্যা ইতিবাচকতা এড়াতে পারে। শুধু যাত্রীর সংখ্যা এবং GPS অবস্থান। আমরা তাপমাত্রা ইত্যাদি সেন্সর ব্যবহার করে ডেটা সংগ্রহ না করার সিদ্ধান্ত নিয়েছি। Cambus.ini ফাইলে আপনি অ্যাপ্লিকেশনটি অনেক উপায়ে কনফিগার করতে পারেন।

ধাপ 7: ফলাফল এবং ভবিষ্যতের কাজ

আপনি ভিডিওতে দেখতে পাচ্ছেন, কাউন্টারটি সঠিকভাবে কাজ করছে। নীল রেখা ইনপুট সীমা এবং লাল রেখা আউটপুট সীমা চিহ্নিত করে। এই ক্ষেত্রে, একটি ভিডিও নকল করার জন্য ব্যবহার করা হয়েছিল কারণ আমরা এটি একটি বাসে স্থাপন করতে পারিনি।

মনে রাখবেন যে ভিডিওর আকার, ক্যামেরা কোণ, উজ্জ্বলতা ইত্যাদি সম্পর্কে আপনার অবস্থার কিছু পরিবর্তন করতে হবে।

দয়া করে cambus.ini এ ভেরিয়েবল পরিবর্তন করুন, এমকিউটিটি ব্রোকার নির্দেশ করে এবং তাই।

আমরা ভবিষ্যতে বাস্তবায়নে সেন্সর যুক্ত করতে বিবেচনা করি, উদাহরণস্বরূপ, সিস্টেমের তাপমাত্রা, আর্দ্রতা এবং CO2। ধারণাটি হল শহরগুলির চারপাশে তথ্য পাওয়া যা সেগুলি সম্প্রদায়ের জন্য উপলব্ধ করা।

প্রকল্পটি উন্নত করতে আপনি পরবর্তী পদক্ষেপগুলি গণনা করতে পারেন:

• C/C ++ ব্যবহার করে কোডটি পুনরায় লিখুন;
• এমএল অ্যালগরিদম উন্নত করুন;
• রি-ফ্যাক্টর পাইথন কোড;
• একটি বাসে মোতায়েন;

প্রদত্ত সমস্ত সহায়তার জন্য আমরা এমবারকাডোস এবং কোয়ালকমকে ধন্যবাদ জানাতে চাই।

সহযোগীরা:

ব্রুনো মন্টেইরো - [email protected]

Kleber Drobowok - [email protected]

Vinicius de Oliveira - [email protected]

ধাপ 8: তথ্যসূত্র

[1]

[2]

[3]

[4]

[5]