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

2024 Auteur: John Day | [email protected]. Dernière modifié: 2024-01-30 09:05

Une nossa lixeira inteligente consiste en une séparation automatique du lixo. Através de uma webcam, ela identifica o tipo de lixo e o deposita no compartimento adequado para posteriormente ser reciclado.

Étape 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 media 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 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.

Étape 2: Por Que Separar O Lixo?

Com a separação dos lixos fica mais fácil e rápida a reciclagem do material. A reciclagem reduz consideravelmente os casos de doenças e mortes devido às enchentes e acúmulo de lixo em locais urbanos, diminui impactos sobre o meio ambiente e ajuda a mais.

Étape 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. O reconhecimento é através de uma câmera que utiliza um banco de dados de imagens e formas. Htecá nela com através de uma câmera que utiliza um banco de dados de imagens e formas. Htecá nemozia um agorittica nela um a com capaz de aprender e reconhecer o material do objeto descartado (papel, metal, plastic, 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 é acionado para fazer o despejo.

Étape 4: Quais As Tecnologias Utilizadas?

Logiciel:

- OpenCV

- Classificateur en cascade de Haar

-Python

- MRAA

-Linux (Debian)

Matériel:

- Dragonboard 410c

- 96 planches Mezzanine

- Moteurs CC

- Pilote Moteur Ponte H L298N

- Fonte ATX 230W

- Webcam

Étape 5: Algoritmos E Códigos

Partie 1 - OpenCV, Statistique

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

1 - Treinamento: Foram utilizadas 20 images divididas entre garrafas e latas

2 - Détection:

2.1 - Converter imagem para o espaço de cor HSV. Aumentar 'V' por um fator de 2 com o objetivo de ter features more visíveis.

2.2 - Encontrar gradiente de Sobel nos eixos x e y.

2.3 - Calculer une ampleur com iguais pesos em ambas comme direções.

2.4 - Aplicar ou méthode de Otsu na imagem detectada pela camera..

2.5 - Clôture de l'application avec l'image détectée par la caméra.

2.6 - Application ou détecteur de bords Canny

2.7 - Calcula a transformada 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. Pas de banco estão armzenados diversos modelos positivos e negativos.

3 - Séparation: Dado a saída da etapa anterior (garrafa ou lata), movemos a esteira (motor) para o lado esquerdo ou direito despejando o objecto e acendendo um LED para indicar que o processo ocorreu com successo.

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 minimo 5 V, utilizamos as 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.

Obs.: É important deixar claro que o mappeamentos 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 as informações detectadas são enviadas para uma instância da AWS IoT onde os dados podem ser acessados pelas pessoas competencees e tomar ações necessárias. Essas dados são trocados utilizando o protocolo MQTT onde é possível o envio e recebimento de informações de forma bidirecional.

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

Étape 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