Colect.te - Lixeira Inteligente Qualcomm Dragonboard 410c + OpenCV - Ajarnpa

2024 Auteur: John Day | [email protected]. Laatst gewijzigd: 2024-01-30 11:15

Een intelligente lixeira inteligente bestaat uit een automática do lixo. Através de uma webcam, ela identifica of tipo de lixo en o deposito geen compartimento adequado para posteriormente ser reciclado.

Stap 1: Lixo, Um Problema Mundial

Um dos principais problemas encontrado no meio urbano, especialmente nas grandes cidades 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 Sao Paulo como exemplo, em média cada pessoa produz diariamente entre 800 ga 1 kg de lixo diário, of 4 a 6 litros de dejetos, por dia são geradas delix 15.000 tonelados delix isso corresponde a 3.750 caminhões carregados diariamente. Em um an esses caminhões enfileirados cobririam of trajeto cidade de São Paulo en Nova Iorque, ida e volta.

Stap 2: Por Que Separar O Lixo?

Het is een goed idee om meer informatie en een reciclagem do material te gebruiken. A reciclagem reduz consideravelmente os casos de doenças e mortes devido às enchentes e acúmulo de lixo em locais urbanos, diminuiio impactos sobre o e motes.

Stap 3: Qual a Solução?

Nossa solução é uma Lixeira feita com materiais também recicláveis que antalise o tipo de lixo eo descarta no compartimento correto. O reconhecimento é através de uma também que utiliza um banco de dados de imagens capaz de aprender e reconhecer of material do objeto descartado (papel, metal, plástico, vidro ou outros). Após a detecção e classificaço do objeto, um sinal é enviado para um motor quero move uma esteira, posiciona e local ademo outro acionado para fazer o despejo.

Stap 4: Quais As Tecnologias Utilizadas?

Software:

- OpenCV

- Haar cascadeclassificatie

- Python

- MRAA

-Linux (Debian)

Hardware:

- Dragonboard 410c

- Mezzanine met 96 bedden

- Motoren gelijkstroom

- Stuurmotor Ponte H L298N

- Fonte ATX 230W

- Webcam

Stap 5: Algoritmos E Códigos

Deel 1 - OpenCV, Statistiek

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

1 - Treinamento: Foram utilizadas 20 imagens divididas andtre garrafas e latas

2 - Detectie:

2.1 - Converter afbeelding voor 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 - Bereken een magnitude com iguais pesos em ambas als direções.

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

2.5 - Aplicar Closing na imagem detectada pela câmera.

2.6 - Applicar o detector de bordas Canny

2.7 - Bereken een transformada de linha de Hough

2.8 - Enquadrar bordas do objeto num retângulo.

2.9 - Groter overzicht x altura voor comparação com o banco de dados. Geen banco estão armazenados diversos modelos positivos en negativos.

3 - Gescheiden: Dado en saída da etapa anterior (garrafa of lata), movemos a esteira (motor) para o lado esquerdo of direito despejando o objeto e accendendo um LED para indicar que ocorreu com sucesso.

3.1 - Het is mogelijk om DragonBoard aan te sluiten op 1.8V met digitale pins en stuurprogramma's voor motoren die nodig zijn om de minimale spanning van 5 V te gebruiken, gebruik te maken van 12 V van de ATX van 230 W.

3.2 - Nesta etapa utilizamos of mraa para mapear os dois polos do motor em pinos de entrada op mezzanine board para podermos girar a Esteira em ambas as direções.

Obs.: Het is belangrijk om duidelijk te maken of om een mezzanine-bord te ontwikkelen dat vrij is van een diretório /sys/class/gpio en hoe je de executado como root (sudo) kunt uitvoeren.

4 - Armazenamento de dados:

Het is mogelijk om informatie te detecteren die kan worden gedetecteerd door AWS IoT op het moment dat er toegang wordt verleend tot de benodigde gegevens. Essas dados são trocados utilizando o protocolo MQTT onde é possível o envio en recebimento de informações de forma bidirecional.

Stap 6: Afbeeldingen doen Protótipo Em Construção. (Versies 1.0 E 2.0)

Stap 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 e indiretamente.