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

2024 Forfatter: John Day | [email protected]. Sist endret: 2024-01-30 11:21

A nossa lixeira inteligente consiste na separação automática do lixo. Através de uma webcam, ela identifica o tipo de lixo e o depositita no compartimento adequado para posteriormente ser reciclado.

Trinn 1: Lixo, Um Problema Mundial

Um dos principais problemas 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 problema tomemos a cidade de São Paulo como exemplo, em média cada pessoa produce 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 correspondonde 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.

Trinn 2: Por Que Separar O Lixo?

Com a separação dos lixos fica mais fácil e rápida a reciclagem do material..

Trinn 3: Qual a Solução?

Nossa solução é uma Lixeira feita com materiais também recicláveis que analisa o tipo de lixo eo descarta no compartimento correto. capaz de aprender e reconhecer o material do objeto descartado (papel, metal, plástico, vidro ou outros). acionado para fazer o despejo.

Trinn 4: Quais As Tecnologias Utilizadas?

Programvare:

- OpenCV

- Haar cascade classifier

- Python

- MRAA

- Linux (Debian)

Maskinvare:

- Dragonboard 410c

- 96board mesanin

- Motorer DC

- Driver Motor Ponte H L298N

- Fonte ATX 230W

- Webkamera

Trinn 5: Algoritmos E Códigos

Part 1 - OpenCV, statistikk

Como o treinamento para reconhecer os 5 tipos de materiais descritos no Step 3 demoraria muito, decididor afunilar o problema 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 imagens dividides entre garrafas e latas

2 - Detecção:

2.1 - Converter image for 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 - Computar a magnitude com iguais pesos em ambas as direções.

2.4 - Beskrivelse av metoden de Otsu na imagem detectada pela câmera..

2.5 - Avsluttende avsluttende bilde.

2.6 - Informasjon om bordetektor Canny

2.7 - Beregning og transformasjon av linja 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 positiveos e negativeos.

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 successesso.

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, utilizamos as saidas 12 V de uma fonte ATX de 230 W.

3.2 - Nesta etapa utilizamos o mraa for mapear os dois polos do motor em pinos de entrada na mezzanine board para podermos girar esteira em ambas as 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:

Vi kan informere deg om informasjon om AWS IoT for å få informasjon om hva som er nødvendig for oss. Essas dados são trocados utilizando o protocolo MQTT onde é possível o envio and recebimento de informações de forma biirecional.

Trinn 6: Imagens Do Protótipo Em Construção. (Vers 1.0 E 2.0)

Trinn 7: Forfattere gjør 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 àdos que nos ajudaram diretamente e indiretamente.