Cambus - Sistema de Coleta de Dados em Ônibus Urbanos: 8 Passos

2024 Autor: John Day | [email protected]. Última modificação: 2024-01-30 11:37

Dentre os problemas e dificuldades conhecidos no transporte público, a população carece de informações em tempo real e com o mínimo de assertividade. A superlotação dos ônibus de transporte coletivo afasta os usuários, que preferem usar seus próprios veículos, mesmo estando no trânsito por horas. Se informações em tempo real, como o número de ônibus, estiverem facilmente disponíveis para o usuário, ele pode escolher se deseja aguardar o próximo ônibus ou se locomover de ônibus ou usar um veículo próprio. O poder de escolha torna o transporte público uma opção mais atraente para o usuário.

Contar ou estimar pessoas em ambientes fechados pode ser feito de várias maneiras, entre as quais as mais comumente empregadas são:

• Imagens térmicas;
• Visão computacional;
• Contador facial;

Entre as várias dificuldades para estimar pessoas em um ambiente usando visão computacional, as principais são:

• Oclusões de pessoas;
• Iluminação invertida;
• Oclusão estática, ou seja, pessoas atrás de objetos;
• Ângulo da câmera para o ambiente;

Um desafio para este projeto é saber o ângulo correto da câmera que melhor auxiliará na subtração do fundo da imagem, bem como a luminosidade variável durante o dia dentro do ônibus.

O principal objetivo da proposta é criar um modelo robusto e configurável para estimar a superlotação e disponibilizar os resultados à população por meio de smartphones.

Etapa 1: Materiais

O material necessário para o projeto é o seguinte:

1 x Dragon Board 410c;

1 x câmera USB;

1 x Smartphone Android;

Etapa 2: Instale o Linaro no Dragonboard 410c

Siga as instruções no link abaixo para instalar o Linaro 17.09 no DragonBoard 410c. Recomendamos a instalação do Linaro 17.09 para suporte de kernel para GPS.

www.96boards.org/documentation/consumer/dr…

Etapa 3: Etapa 2: instalar bibliotecas e baixar o código-fonte do GitHub

Cambus tem uma arquitetura modular e design de código. É possível codificar seu próprio algoritmo de aprendizado de máquina, mudar para outro serviço de nuvem e criar seus próprios aplicativos de usuário.

Para executar o projeto cambus, primeiro você precisa baixar o código-fonte do github (https://github.com/bmonteiro00/cambus). Instale o python (Cambus foi o modo de execução na versão 2.7 e> 3.x) e as seguintes bibliotecas usando 'pip' (sudo apt-get install python-pip). Será necessário instalar várias bibliotecas no sistema Linaro (Além disso, é recomendável criar um ambiente virtual - pip install virtualenv - para isolar o sistema Cambus do SO). Por favor, instale as seguintes bibliotecas:

• pip install paho-mqtt
• pip install numpy
• pip install opencv-python
• pip install opencv-contrib-python
• pip instalar twilio
• pip instalar matplotlib

O programa principal foi dividido em classes:

• CamBus - a classe principal;
• Sensor - uma classe para obter dados como posição GPS, temperatura, Co2.
• Contador - classe com algoritmo de processamento de imagem.

Certifique-se de que todas as bibliotecas foram instaladas e execute python CamBus_v1.py.

Etapa 4: Configurando AWS IoT Core, DynamoDB

Usamos o núcleo AWS IoT como um corretor MQTT com TLS e X509 e NoSQL e DynamoDB para registrar dados. Você terá que criar uma conta em https://aws.amazon.com/free.). A seguir, você terá que seguir os passos abaixo para criar uma coisa e integrar com o Dynamo:

docs.aws.amazon.com/iot/latest/developergu…

Etapa 5: Configurar APIs Twilio e Dweet

O serviço Twilio SMS também foi instalado. Consulte o URL abaixo para obter instruções para concluir esta etapa:

www.twilio.com/docs/iam/api/account

A integração entre o app android e o sistema foi feita por meio de REST na plataforma Dweet. Não é necessário cadastro.

dweet.io/

Etapa 6: Desafios

Durante nosso desenvolvimento, muitos desafios enfrentamos, desde as técnicas OpenCV até a plataforma AWS. Decidimos codificar com Python para economizar tempo de desenvolvimento em C / C ++. Durante o nosso desenvolvimento, apenas os métodos básicos do Opencv, como:

• cv2. GaussianBlur (..)

• cv2.threshold (..)

• cv2.morphologyEx (..)

• cv2.contourArea (..)

• cv2.findContours (..)

Esses métodos básicos não foram suficientes para alcançar uma boa qualidade na detecção de pessoas. Cenários com vídeo instável ML (Aprendizado de Máquina) foi usado. Então, decidimos usar a biblioteca de aprendizado de máquina OpenCV e tivemos outro problema porque encontrar uma boa entrada de dados para o algoritmo de ML era um problema que levamos muitos dias. Usamos o algoritmo OpenCV SVM, mas não funcionou. Usamos OpenCV Naive Bayses e este funcionou bem. Tentamos usar as redes neurais Tensorflow e CNN, mas não fizemos isso por agora. A CNN usa muito poder de processamento, algo que não tínhamos. Usar o OpenCV ML e os métodos básicos do OpenCV nos ajudou a atingir uma boa taxa de detecção de pessoas. Porém, para cada tipo de vídeo temos que adaptar os parâmetros do OpenCV de forma a atingir um bom índice de detecção de pessoas e evitar falsos positivos. No meio desses dois meses desenvolvemos nossa primeira ideia de fazer um centro de coleta de dados não apenas o número de passageiros e localização GPS. Decidimos não coletar dados por meio de outros sensores como temperatura e assim por diante. Criamos um arquivo.ini para parametrizar a aplicação e torná-la configurável. No arquivo Cambus.ini você pode configurar o aplicativo de várias maneiras.

Etapa 7: Resultados e trabalho futuro

Como você pode ver no vídeo, o contador está funcionando com precisão. As linhas azuis marcam o limite de entrada e a linha vermelha o limite de saída. Nesse caso, um vídeo foi usado para simular, pois não foi possível implantá-lo em um barramento.

Lembre-se de que alguma mudança deve ser feita em sua condição sobre o tamanho do vídeo, ângulo da câmera, luminosidade, etc. Cada tipo de vídeo tem que ser sua própria adaptação de parâmetros, como opencv kernel suctraction background e assim por diante.

Altere também as variáveis em cambus.ini, indicando o corretor MQTT e assim por diante.

Consideramos em futuras implementações adicionar sensores, por exemplo, temperatura, umidade e CO2 no sistema. A ideia é conseguir dados das cidades disponibilizando-os para a comunidade.

A seguir, enumeramos as próximas etapas que você pode fazer para melhorar o projeto:

• Reescreva o código usando C / C ++;
• Melhorar o algoritmo de ML;
• Re-fatorar o código python;
• Implantação em um ônibus;

Gostaríamos de agradecer à Embarcados e à Qualcomm por todo o apoio prestado.

Colaboradores:

Bruno Monteiro - [email protected]

Kleber Drobowok - [email protected]

Vinicius de Oliveira - [email protected]

Etapa 8: Referências

[1]

[2]

[3]

[4]

[5]