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

2024 Tus sau: John Day | [email protected]. Kawg hloov kho: 2024-01-30 09:25

Nossa lixeira inteligente suav nrog kev sib cais automática rau lixo. Através de uma webcam, ela identifica o tipo de lixo e o deposita no compartimento adequado para posteriormente ser reciclado.

Kauj Ruam 1: Lixo, Um Problema Mundial

Um dos tus thawj tswj hwm teeb meem encontrado no meio urbano, tshwj xeeb tshaj yog 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 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 sib thooj 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.

Kauj Ruam 2: Puas Yog Que Separar O Lixo?

Com separação dos lixos fica mais fácil e rápida a reciclagem ua cov ntaub ntawv. Reciclagem reduz txiav txim siab li cas casos de doenças e mortes devido ens enchentes e acúmulo de lixo em locais urbanos, diminui impactos sobre o meio ambiente e ajuda.

Kauj Ruam 3: Puas yog 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.há nelam como de amére de como capaz de aprender e reconhecer o cov ntaub ntawv ua objeto descartado (papel, hlau, plástico, vidro ou outros). acionado rau fazer lossis despejo.

Kauj Ruam 4: Quais Raws Li Tecnologias Utilizadas?

Software:

- Qhib CV

- Haar cascade classifier

- Nab hab sej

- MRA

- Linux (Debian)

Kho vajtse:

Dragonboard 410c

- 96 lub rooj mezzanine

- Cov Motors DC

- Tsav Tsheb Ponte H L298N

Fonte ATX 230W

- Webcam

Kauj Ruam 5: Algoritmos E Códigos

Ntu 1 - OpenCV, Txheeb cais

Como o treinamento para reconhecer os 5 tipos de materiais descritos tsis Kauj Ruam 3 demoraria muito, decididor afunilar o o problema e detectar apenas latas e garrafas de plástico para comprovar a prova do conceito. Essa detecção ocorreu nos seguintes passos.

1 - Cov ntsiab lus: Ua kom siv cov duab 20 cov duab sib faib rau cov duab thiab cov duab

2 - Ua tiav:

2.1 - Hloov cov duab xa mus rau espaço de cor HSV. Aumentar 'V' por um fator de 2 com o objetivo de ter nta mais visíveis.

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

2.3 - Txheeb xyuas qhov loj ntawm com iguais pesos em ambas as direções.

2.4 - Aplicar o método de Otsu na imagem detectada pela câmera.

2.5 - Aplicar Kaw nrog cov duab pom hauv pela câmera.

2.6 - Aplicar o detector de bordas Canny

2.7 - Xeem hloov pauv ntawm linha de Hough

2.8 - Txheeb cais cov ntaub ntawv ua objeto tus lej retângulo.

2.9 - Checar proporção largura x altura para comparação com o banco de dados. Tsis muaj banco estão armazenados diversos modelos positivos e negativos.

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 sucesso.

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 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.

Pom: É tseem ceeb 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:

Todas as informações detectadas são enviadas para uma instância da AWS IoT onde os dados podem ser acessados pelas pessoas competentes e tomar ações necessárias. Essas dados são trocados utilizando o protocolo MQTT onde é possível o envio e recebimento de informações de forma bidirecional.

Kauj Ruam 6: Cov Duab Ua Haujlwm Protótipo Em Construção. (Nqe 1.0 E 2.0)

Kauj Ruam 7: Autores Do Projeto

Qhov tseem ceeb tshaj plaws:- 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 indire.