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

2024 Autor: John Day | [email protected]. Última modificação: 2024-01-30 11:35

A nossa lixeira inteligente consiste na separação automática do lixo. Através de uma webcam, ela identifica o tipo de lixo e o depósito não adequado para ser reciclado.

Etapa 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 média cada pessoa produz diariamente entre 800 ga 1 kg de lixo diário, ou de 4 a 6 litros 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.

Passo 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, relacionados aos impactos sobre o meio ambiente e ajuda a cidade se tornar mais limpa.

Etapa 3: Qual a solução?

Nossa solução é uma Lixeira feita com materiais também recicláveis que analisa o tipo de lixo e o descarta no descarte correto. O reconhecimento é através de uma câmera que utiliza um banco de dados de imagens e formas. Há nela um algoritmo com a tecnologia de aprendizagem automática 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 um motor que move uma esteira, posiciona no local adequado e outro motor é acionado para fazer o despejo.

Etapa 4: Quais As Tecnologias Utilizadas?

Programas:

- OpenCV

- Classificador de cascata Haar

- Pitão

- MRAA

- Linux (Debian)

Hardware:

- Dragonboard 410c

- Mezanino 96board

- Motors DC

- Motorista Motor Ponte H L298N

- Fonte ATX 230W

- Webcam

Etapa 5: Algoritmos E Códigos

Parte 1 - OpenCV, Estatística

Como o treinamento para reconhecer os 5 tipos de materiais evoluídos no Step 3 demoraria very, decididor afunilar o problem and detectar apenas latas e garrafas de plástico para comprovar a prova do conceito. Essa detecção ocorre nos passos seguintes.

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

2 - Detecção:

2.1 - Conversor de imagem para o espaço de cor HSV. Aumentar 'V' por um fator de 2 com o objetivo de ter features mais procuradas.

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

2.3 - Computar a magnitude com iguais pesos em ambas as idades.

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

2.5 - Aplicar Fechamento na imagem detectada pela câmera.

2.6 - Aplicar o detector de bordas 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. Nenhum 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 - derivar 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, utiliza como carregamento 12 V de uma fonte ATX de 230 W.

3.2 - Nesta etapa utilizamos o maraa para mapear os dois polos do motor em pinos de entrada na placa do mezanino para podermos girar a esteira em ambas as aulas.

Obs.: É importante deixar claro que o mapeamentos dos pinos da placa mezanino deve estar liberado no diretório / sys / class / gpio e que o código seja criado como root (sudo).

4 - Armazenamento de dados:

Todas as informações detectadas são sentidas 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.

Etapa 6: Imagens Do Prototype Em Construção. (Versões 1.0 E 2.0)

Etapa 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 não ajudaram direta e indiretamente.