Table des matières:
Vidéo: Système de reconnaissance d'incendie et d'extinction d'incendie basé sur le traitement d'images : 3 étapes
2024 Auteur: John Day | [email protected]. Dernière modifié: 2024-01-30 09:05
Bonjour les amis, il s'agit d'un système de détection et d'extinction d'incendie basé sur le traitement d'images utilisant Arduino
Étape 1:
Fondamentalement, le système est divisé en deux parties
1 détection incendie
2 alerte incendie et extincteur
Dans la première partie, le feu détecte à l'aide du traitement d'image.
Ici, dans ce projet, j'utilise Open CV et python pour la détection d'incendie. J'ai créé un classificateur en cascade HAAR pour la détection d'incendie à l'aide d'Open CV. Il a un entraîneur et un détecteur pour former notre propre classificateur en cascade, HAAR Cascade est utilisé pour détecter l'objet pour lequel il a été formé. De nombreux échantillons d'images positifs et négatifs sont nécessaires pour former le classificateur. La formation du classificateur en cascade est un processus complexe et fastidieux, donc pour le rendre facile, je trouve un logiciel de formation en cascade sur le nom Web « interface graphique d'entraîneur en cascade ».
Pour former le classificateur en cascade, téléchargez et installez ce formateur EXE à partir du lien ci-dessus. Créez un dossier avec le nom fire (vous pouvez créer un dossier avec n'importe quel nom car mon objet cible est fire, donc j'ai créé le dossier "fire") maintenant créer deux dossiers à l'intérieur du dossier fire avec le nom "n" et "p", le dossier n est pour les échantillons d'images négatifs et p pour les échantillons d'images positifs. L'image positive contient l'objet que nous voulons détecter, dans notre cas, nous voulons détecter le feu, alors collectez les échantillons d'image qui contiennent le feu et placez-les dans le dossier p. Pour les échantillons négatifs, collectez un grand nombre d'images qui ne contiennent pas de feu même partiellement. Suivez maintenant les étapes de la page ci-dessus pour créer votre fichier de classificateur en cascade, ou vous pouvez télécharger un classificateur en cascade prédéfini pour la détection d'incendie et le code source à partir du lien (code source)
Vient vers le python, pour exécuter ce projet, vous devez installer les modules et bibliothèques suivants dans votre configuration python.
· Numpy
· Scipy
· Pyserial (cliquez dessus pour télécharger numpy, scipy et pyserial)
Après l'installation de tous les modules, ouvrez le code python avec le nom de détection d'incendie, arduino.py si vous obtenez des erreurs lors de l'exécution, ne paniquez pas, nous venons de faire la première partie.
Étape 2:
Passons au matériel, ici j'utilise Arduino UNO comme contrôleur car je dois contrôler la pompe, le buzzer et les LED rouges.
Composants utilisés:
Arduino uno:
Écran LCD 16x2:
Buzzer 5 volts:
LED
Relais 5 volts:
Transistor Bc547:
Résistances 470r, 1k, 220r, 10k prédéfinies:
Lm7805
Condensateurs 1000 uf/25 volts, 470 uf/16 volts:
Diode 1N4007
Webcam (facultatif, vous pouvez également utiliser la caméra de votre ordinateur portable):
Mini pompe submersible (du magasin local)
Connectez tous les composants selon le schéma de circuit ci-dessous, connectez arduino à votre ordinateur à l'aide d'un câble USB et découvrez le port com sur lequel Arduino est connecté, ouvrez maintenant le code Arduino, sélectionnez le port com et la carte correcte dans le menu outil d'Arduino et téléchargez le code.
Étape 3:
Ouvrez le code python avec le nom de détection d'incendie, arduino.py vérifiez que le code du port com est correct ou non à la ligne 13, sinon modifiez-le avec votre numéro de port com Arduino. Cliquez sur l'onglet Exécuter puis cliquez sur Exécuter le module ou appuyez sur F5.
Si toutes les connexions sont correctes, l'aperçu de la caméra s'affichera à l'écran. Maintenant, montrez-lui le feu, le feu est détecté et la pompe démarre ainsi que le buzzer émet un bip sonore.
LIENS DE TÉLÉCHARGEMENT
Code source:
Modules Python:
Interface graphique de l'entraîneur en cascade:
Espérant que ceci puisse t'être utile. si oui, aimez-le, partagez-le, commentez votre doute. Pour plus de tels projets, suivez-moi! Soutenez ma chaîne sur YouTube.
Merci!
Youtube
Conseillé:
Intelligence artificielle et reconnaissance d'images à l'aide de HuskyLens : 6 étapes (avec images)
Intelligence artificielle et reconnaissance d'images à l'aide de HuskyLens : quoi de neuf, les gars ! Akarsh ici de CETech. Dans ce projet, nous allons jeter un œil au HuskyLens de DFRobot. Il s'agit d'un module de caméra alimenté par l'IA qui est capable d'effectuer plusieurs opérations d'intelligence artificielle telles que la reconnaissance faciale
Système de tri des couleurs : système basé sur Arduino avec deux courroies : 8 étapes
Système de tri par couleur : Système basé sur Arduino avec deux courroies : Le transport et/ou l'emballage des produits et articles dans le domaine industriel se fait à l'aide de lignes réalisées à l'aide de courroies transporteuses. Ces courroies aident à déplacer l'article d'un point à un autre avec une vitesse spécifique. Certaines tâches de traitement ou d'identification peuvent être
Générateur de musique basé sur la météo (Générateur Midi basé sur ESP8266): 4 étapes (avec images)
Générateur de musique basé sur la météo (Générateur Midi basé sur ESP8266): Bonjour, aujourd'hui, je vais vous expliquer comment créer votre propre petit générateur de musique basé sur la météo. Il est basé sur un ESP8266, qui ressemble un peu à un Arduino, et il réagit à la température, à la pluie et l'intensité lumineuse. Ne vous attendez pas à ce qu'il fasse des chansons entières ou un programme d'accords
Gesture Hawk : Robot contrôlé par gestes manuels utilisant une interface basée sur le traitement d'images : 13 étapes (avec images)
Gesture Hawk : Robot contrôlé par les gestes de la main utilisant une interface basée sur le traitement d'images : Gesture Hawk a été présenté dans TechEvince 4.0 comme une simple interface homme-machine basée sur le traitement d'images. Son utilité réside dans le fait qu'aucun capteur supplémentaire ou portable, à l'exception d'un gant, n'est requis pour contrôler la voiture robotique qui fonctionne sur différents
Reconnaissance d'images avec TensorFlow sur Raspberry Pi : 6 étapes
Reconnaissance d'images avec TensorFlow sur Raspberry Pi : Google TensorFlow est une bibliothèque de logiciels open source pour le calcul numérique utilisant des graphiques de flux de données. Il est utilisé par Google dans ses différents domaines de Machine Learning et Deep Learning Technologies. TensorFlow a été initialement développé par Google Brai