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

2024 Autor: John Day | [email protected]. Naposledy změněno: 2024-01-30 08:19

Inteligentní nosná lišta se samostatnou automatikou do lixo. Através de uma webcam, ela identifica o tipo de lixo e o Depositita no Compartimento adekvátado para posteriormente ser reciclado.

Krok 1: Lixo, Um Problema Mundial

Naše hlavní problémy s městem, zejména naše velké cidády a sólové efekty, které mohou mít za následek společný problém.

Nejčastěji se vyskytují různé problémy se světovým průměrem, například média s průměrnou hmotností 800 ga 1 kg, více než 4 a 6 litrů, více než 15 000 tónů, odpovídá také 3 750 caminhões carregados diariamente. Em um ano eses caminhões enfileirados cobririam o trajeto entre a cidade de São Paulo e Nova Iorque, ida e volta.

Krok 2: Por Que Separar O Lixo?

Společně od sebe odebíráme různé materiály a získáváme různé materiály. Recyklace snižují náklady na výběr z různých míst a míst, kde dopadají městské vlivy, které mají vliv na okolní prostředí a také na různé velikosti..

Krok 3: Qual a Solução?

Nosná soláção 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). Após a detecção e classificação do objeto, um sinal é enviado para motor motor que move uma esteira, posiciona no local adekvátado e outro motor é acionado para fazer o despejo.

Krok 4: Quais As Tecnologias Utilizadas?

Software:

- OpenCV

- Haarův kaskádový klasifikátor

- Python

- MRAA

- Linux (Debian)

Hardware:

- Dragonboard 410c

- 96board Mezzanine

- Motory DC

- Driver Motor Ponte H L298N

- Fonte ATX 230W

- Webová kamera

Krok 5: Algoritmos E Códigos

Část 1 - OpenCV, statistika

Krok za krokem zpětného rázu 5 tipů na materiál ne Krok 3 demoraria muito, decisionidor afunilar o problema e detectar apenas latas e garrafas de plástico para COMPovar a prova do conceito. Zjišťujte prosím, zda jste vybrali některá hesla.

1 - Hlavní stránka: Použití 20 obrázků je rozděleno do několika kategorií

2 - Detekce:

2.1 - Převaděč obrázků pro 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 o velikosti iguais pesos em ambas as direções.

2.4.

2.5 - Uzavírání aplikace na imagem detekované pela câmera.

2.6 - Aplicar o detector de bordas Canny

2.7 - Calcula a transformada de linha de Hough

2.8 - Enhanadar bordas do objeto num retângulo.

2.9. Žádná různorodá bankovní pozitiva a negativa.

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 indicar que o processo ocorreu com sucesso.

3.1 - Výkon a napětí řady DragonBoard 1.8V nos pinos digitais e os ovladače dos motores requirederemem uma tensão de entrada de no mínimo 5 V, utilizamos as saídas 12 V de uma fonte ATX de 230 W.

3.2 - Nainstalované etapy využívající hlavní navigační funkce pro motorové motory a mezipatrové desky pro podřízené nosníky a respektující emulátory jako směrovače.

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:

Všechny tyto informace zjistí, jaké jsou základní údaje o AWS IoT, které jsou dostupné pro všechny typy uživatelů, kteří mají příslušné kompetence a potřeby. Nejdůležitější použití a použití protokolů MQTT je možné získat a obdržet informace o formě obousměrné.

Krok 6: Imagens Do Protótipo Em Construção. (Verze 1.0 E 2.0)

Krok 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.