Obsah:
- Krok 1: Lixo, Um Problema Mundial
- Krok 2: Por Que Separar O Lixo?
- Krok 3: Qual a Solução?
- Krok 4: Quais As Tecnologias Utilizadas?
- Krok 5: Algoritmos E Códigos
- Krok 6: Imagens Do Protótipo Em Construção. (Verzie 1.0 E 2.0)
- Krok 7: Autores Do Projeto
Video: Colec.te - Lixeira Inteligente Qualcomm Dragonboard 410c + OpenCV: 7 krokov
2024 Autor: John Day | [email protected]. Naposledy zmenené: 2024-01-30 11:56
A nossa lixeira smarte Consiste on separação automática do lixo. Através de uma webcam, elastické identifikácie o tipo de lixo e o uložení bez dostatočnej súčasti pre spätnú väzbu.
Krok 1: Lixo, Um Problema Mundial
Väčšina problémov spojených s urbanizáciou, najmä naša veľká spoločnosť, ktorá má za následok spoločnú situáciu.
Väčšina problémov spojených s týmto problémom a ich príkladom je, že mediálne médiá dosahujú priemernú hodnotu 800 g, 1 kg hmotnosti jedného zo 4 a 6 objemov litra, 15 000 tónových nahrávok, isso odpovídať 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.
Krok 2: Por Que Separar O Lixo?
Odlišujeme rôzne druhy materiálov, z ktorých získavame recykláciu a recykláciu. Recyklácia redukuje počet obáv, ktoré sa môžu prejaviť v rôznych lokalitách a miest, ktoré majú veľký vplyv na okolité prostredie a dokonca aj na inú oblasť..
Krok 3: Qual a Solução?
Nosná a konečná verzia obsahuje väčšinu materiálov, ktoré sú k dispozícii pre spätnú väzbu a neobsahujú žiadnu súčiastku. Ďalšie informácie nájdete v článku o možnostiach vytvárania ďalších kamier. capaz de aprender e reconhecer o material do objeto descartado (papel, metal, plastico, vidro ou outros). Apops a detecção e classificação do objeto, um sinal é enviado para um motor que move uma esteira, posiciona no local adekvátado e outro motor é acionado para fazer o despejo.
Krok 4: Quais As Tecnologias Utilizadas?
Softvér:
- OpenCV
- Haarov kaskádový klasifikátor
- Python
- MRAA
- Linux (Debian)
Hardvér:
- Dragonboard 410c
- 96 -poschodová mezanín
- Motory DC
- Vodič Motor Ponte H L298N
- Fonte ATX 230 W
- Webkamera
Krok 5: Algoritmos E Códigos
Časť 1 - OpenCV, štatistika
Krok 3 obsahuje niekoľko tipov na odstránenie materiálu. Krok 3 demoraria muito, rozhodne o tom, aký je problém detektorových apenas latas e garrafas de plástico para COMPovar a prova do conceito. Naše hlavné údaje sa budú líšiť.
1 - Dôležité poznámky: 20 spôsobov, ako rozdeliť nákupy na jedno alebo druhé miesto
2 - Detekcia:
2.1 - Prevodník obrázkov 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 - Počítače s magnitúdou com iguais pesos em ambas as direções.
2.4 - Žiadosť o detekciu snímok na kamere..
2.5 - Uzatváranie aplikácií na detekciu pela câmera.
2.6 - Aplicar o detector de bordas Canny
2.7 - Kalkulácia a transformácia de Linha de Hough
2.8 - Bordas enquadrar do objeto num retângulo.
2.9 - Pomer strán k rozmeru x altura k porovnaniu bankových účtov. Žiadne rôzne druhy pozitívnych a negatívnych dopadov.
3 - Separação: Dado a saída da etapa anterior (garrafa ou lata), movemos a esteira (motor) para o lado esquerdo ou directito despejando o objeto e acendendo um LED para indicater que o processo ocorreu com sucesso.
3.1 - Výkon a napätie série DragonBoard 1,8 V nosných pinov digitálnych ovládačov a motorov Požadované parametre pre napätie 5 V, použitie ako 12 V pre písmo ATX s výkonom 230 W.
3.2 - Najvyššia možná miera využitia paraboly do dvoch pólov do motorových paletových dosiek na medziposchodí a ich pohyb v pásme pod a pod úrovňou smeru.
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:
Informácie o tom, ako zistiť všetky druhy inštalácií AWS IoT, môžu mať jednu z nasledujúcich možností: Základné informácie o použití protokolu MQTT sú k dispozícii a sú dostupné v akejkoľvek forme.
Krok 6: Imagens Do Protótipo Em Construção. (Verzie 1.0 E 2.0)
Krok 7: Autores Do Projeto
Naše hlavné rady:- 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.
Odporúča:
Skener QR kódu pomocou OpenCV v Pythone: 7 krokov
Skener QR kódov pomocou OpenCV v Pythone: V dnešnom svete vidíme, že QR kód a čiarový kód sa používajú takmer všade, od balenia produktu po online platby a v dnešnej dobe vidíme QR kódy dokonca aj v reštaurácii, aby sme videli menu. Pochybujem, že je to teraz hlavná myšlienka. Ale už ste niekedy mali
Vision 4all - Sistema Visão Assistida Para Deficientes Visuais Usando OpenCV, Dragonboard 410c E Aplicativo Android: 6 Steps
Vízia 4 - všetky systémy, ktorých počet chýb je rovnaký ako OpenCV, Dragonboard 410c Aplikácia pre Android: DESCRI Ç Ã OO, intuitívne do projeto é autonómia niektorých nedostatočných vizuálov sa prejavuje v okolitých interiéroch ako v nákupných centrách a na letiskách. lokomo ç ã o em ambientes j á mapeados pode ou n ã o s
Rozpoznávanie hviezd pomocou počítačového videnia (OpenCV): 11 krokov (s obrázkami)
Rozpoznávanie hviezd pomocou počítačového videnia (OpenCV): Tento návod vám popíše, ako vytvoriť program počítačového videnia na automatickú identifikáciu vzorov hviezd na obrázku. Metóda používa knižnicu OpenCV (Open-Source Computer Vision) na vytvorenie sady vyškolených kaskád HAAR, ktoré je možné
Základné projekty OpenCV: 5 krokov
Základné projekty OpenCV: V tomto projekte skúmame niektoré základné funkcie OpenCV prostredníctvom 4 jednoduchých projektov zahŕňajúcich prenos živého videa. Jedná sa o rozpoznávanie tváre, odstraňovanie pozadia, špeciálne vizuálne vykresľovanie hrán a použitie efektu rozmazania na živé video
Detekcia objektov pomocou Dragonboard 410c alebo 820c pomocou OpenCV a Tensorflow .: 4 kroky
Object Detection W/ Dragonboard 410c or 820c using OpenCV and Tensorflow .: This instructables popisuje how to install OpenCV, Tensorflow, and machine learning frameworks for Python 3.5 to run the Object Detection