Colec.te - Lixeira Inteligente Qualcomm Dragonboard 410c + OpenCV: 7 ধাপ

2024 লেখক: John Day | [email protected]. সর্বশেষ পরিবর্তিত: 2024-01-30 07:57

একটি নক্সা lixeira inteligente সমন্বিত এবং স্বতন্ত্র স্বয়ংচালিত ডু lixo। Através de uma webcam, ela identifica o tipo de lixo e o depositita no compartimento adequado para posteriormente ser reciclado।

ধাপ 1: লিক্সো, উম সমস্যা মুন্ডিয়াল।

উম ডস প্রিন্সিপাইস প্রবলেমস এনকন্ট্রাডো নো মেইও আরবানো, এস্পেশালমেন্ট নাস গ্র্যান্ডস সিডাডেস ও লিক্সো স্যালিডো, রেজাল্টো দ্যা উমা সোসিয়েডেড ক্যু এ ক্যাডা দিয়া কনসোম মাইস।

Para ter uma noção mais ampla do problemma tomemos a cidade de São Paulo como exemp, 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 tondeas de lix, isso corresponde 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।

ধাপ 2: Por Que Separar O Lixo?

Com একটি separação ডস lixos ফিকার Mais fácil ই Rapida একটি reciclagem না material. A reciclagem reduz consideravelmente OS casos ডি doenças ই Mortes devido যেমন enchentes ই acúmulo ডি lixo ই.এম. locais urbanos, diminui impactos sobre ণ Meio Ambiente ই ajuda একটি Cidade SE tornar Mais limpa ।

ধাপ 3: একটি সলিউনো যোগ্য?

Nossa solução ma 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 imagenes demagos emagos emage emage emage emage emage emage emag tes demag als emage emage emag tes demag als demag als emag tes emag tes demag alsssmssnmsssmsssssss.ss.s. 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, posiciona no local adequado e outro motor acionado para fazer o despejo।

ধাপ 4: টেকনোলজিয়াস ইউটিলিজাদাস হিসাবে কুইস?

সফটওয়্যার:

- ওপেনসিভি

- হার ক্যাসকেড ক্লাসিফায়ার

- অজগর

- এমআরএএ

- লিনাক্স (ডেবিয়ান)

হার্ডওয়্যার:

- ড্রাগনবোর্ড 410c

- 96 বোর্ড মেজানাইন

- মোটর ডিসি

- ড্রাইভার মোটর Ponte H L298N

- Fonte ATX 230W

- ওয়েবক্যাম

ধাপ 5: অ্যালগরিটমোস ই কডিগোস

পর্ব 1 - ওপেনসিভি, পরিসংখ্যান

Como o treinamento para reconhecer os 5 tipos de materiais descritos no step 3 demoraria muito, decididor afunilar o problemma 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 কল্পনা divididas entre garrafas e latas

2 - Detecção:

2.1 - কনভার্টার ইমেজ para para 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 - কম্পিউটারের একটি মাত্রা com iguais pesos em ambas in direções

2.4 - এপ্লিকার ও মেটোডো ডি ওটসু না ইমেজ ডিটেক্টাডা পেলা ক্যামেরা..

2.5 - এপ্লিকার ক্লোজিং এবং ইমেজ ডিটেক্টড পেলা ক্যামেরা।

2.6 - এপ্লিকার ও ডিটেক্টর ডি বর্ডাস ক্যানি

2.7 - ক্যালকুলা এ ট্রান্সফর্মদা ডি লিনহা ডি হাফ

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 - পৃথক: দাদো একটি সাদ্দা দা এতাপা পূর্ববর্তী (গরাফা বা লাটা), মুভমোস এ এস্টিইরা (মোটর) প্যারা ও লাডো এসকিউরডো ও ডাইরিটো ডেসপিজ্যান্ডো ও ওবজেটো ই অ্যাসেন্ডেন্ডো উম এলইডি প্যারা ইন্ডিকার কুই ও প্রসেসো ওকোরেউ কম সুসেসো।

3.1 - Devido a tensão de saída da DragonBoard ser de apenas 1.8V nos pinos digitais e os drivers dos motores requererem uma tensão de entrada de no mínimo 5 V, utizamos 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 direções।

লক্ষ্য করুন।

4 - Armazenamento de dados:

Todas informações detectadas são enviadas para uma instância da AWS IoT onde os dados podem ser acessados pelas pessoas competentes e tomar ações essentialárias। Essas dados são trocados utilizando o protocolo MQTT onde é possível o envio e recebimento de informações de forma bidirecional।

ধাপ 6: ইমোজেনস ডু প্রোটেটিপো এম কনস্ট্রুয়ো। (ভার্সেস 1.0 ই 2.0)

ধাপ 7: অটোরেস ডো প্রজেটো

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 নির্দেশনা