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

2024 Autor: John Day | [email protected]. Zadnja promjena: 2024-01-30 09:33

Nossa lixeira inteligente consiste na separação automática do lixo. Através de uma webcam, ela identifica o tipo de lixo e o depositita nopartimento adequado para posteriormente ser reciclado.

Korak 1: Lixo, Um Problema Mundial

Um dos principais problemas encontrado no meio urbano, posebno 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 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 odgovara 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.

Korak 2: Por Que Separar O Lixo?

Com a separação dos lixos fica mais fácil e rápida a reciclagem do material. A reciclagem reduz obzirravelmente os casos de doenças e mortes devido às enchentes e acúmulo de lixo em locais urbanos, diminui impactos sobre o meio ambienis epa torade epa torade apa seda mapa.

Korak 3: Qual a Solução?

Nossa solução é uma Lixeira feita com materiais também recicláveis que analisa o tipo de lixo eo descarta nopartimento correto. O reconhecimento é através de uma câmera que utiliza um banco de dados de imagens e formas. Há nela um algoritmo com aprecia com a tecnologia capaz de aprender e reconhecer o material do objeto descartado (papel, metal, plástico, vidro ou outros). Após a detecção e classicficação do objeto, um sinal é enviado para um motor que move uma esteira, poziciona no local adequado e outro motor é acionado para fazer o despejo.

Korak 4: Quais As Tecnologias Utilizadas?

Softver:

- OpenCV

- Haar kaskadni klasifikator

- Python

- MRAA

- Linux (Debian)

Hardver:

- Dragonboard 410c

- Mezanin s 96 brodova

- DC motori

- Motor vozača Ponte H L298N

- Fonte ATX 230W

- Web kamera

Korak 5: Algoritmos E Códigos

Dio 1 - OpenCV, statistika

Como o treinamento para reconhecer os 5 tipos de materiais descritos no Step 3 demoraria muito, decididor afunilar o problemu e detectar apenas latas e garrafas de plástico para comprovar a prova do conceito. Essa detecção ocorreu nos seguintes passos.

1 - Treinamento: Foram iskoristi 20 slika podijeljenih entre garrafas e latas

2 - Otkrivanje:

2.1 - Slika pretvarača 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 - Računalo veličine com iguais pesos em ambasador kao direções.

2.4 - Aplicar o método de Otsu na imagem detectada pela câmera..

2.5 - Aplicar Closing na imagem detectada pela câmera.

2.6 - Aplikacija ili detektor de bordas Canny

2.7 - Izračunajte transformaciju 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 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 drivers for motores requestsrerem uma tensão de entrada de no mínimo 5 V, utipasmos as 12 d 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 međuspratnoj ploči para podermos girar a esteira em ambasador kao direções.

Obs.: 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 kao informações detectadas são enviadas para uma instância da AWS IoT onde os dados podem ser acessados pelas pessoas competentes e tomar ações neophodárias. Essas dados são trocados utilidando o protocolo MQTT onde é possível o envio e Recebimento de informações de forma bidirecional.

Korak 6: Imagens Do Protótipo Em Construção. (Verzije 1.0 E 2.0)

Korak 7: Autores Do Projeto

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 e indiretamente