კამბუსი - მონაცემთა შეგროვების სისტემა ურბანულ ავტობუსზე: 8 საფეხური

2024 ავტორი: John Day | [email protected]. ბოლოს შეცვლილი: 2024-01-30 10:18

იმ პრობლემებსა და სირთულეებს შორის, რომლებიც ცნობილია საზოგადოებრივ ტრანსპორტში, მოსახლეობას არ გააჩნია ინფორმაცია რეალურ დროში და ყველაზე ნაკლებად თავდაჯერებულად. საზოგადოებრივი ტრანსპორტის ავტობუსების გადატვირთულობა აძევებს მომხმარებლებს, რომლებსაც ურჩევნიათ გამოიყენონ საკუთარი მანქანები, მიუხედავად იმისა, რომ ისინი საათობით მაინც მოძრაობენ. თუ მომხმარებლისთვის რეალურ დროში ინფორმაცია, როგორიცაა ავტობუსების რაოდენობა, ადვილად ხელმისაწვდომია, მას შეუძლია აირჩიოს დაელოდოს მომდევნო ავტობუსს, ან გადაადგილდეს ავტობუსით, ან გამოიყენოს საკუთარი მანქანა. არჩევანის ძალა საზოგადოების ტრანსპორტს მომხმარებლისთვის უფრო მიმზიდველ ვარიანტად აქცევს.

შენობაში ადამიანების დათვლა ან შეფასება შეიძლება მრავალი გზით მოხდეს, რომელთა შორის ყველაზე ხშირად დასაქმებულები არიან:

• თერმული გამოსახულებები;
• კომპიუტერული ხედვა;
• სახის მრიცხველი;

კომპიუტერული ხედვის გამოყენებით გარემოში მყოფი ადამიანების შეფასების რამდენიმე სირთულეს შორის მთავარია:

• ადამიანების ოკლუზია;
• ინვერსიული განათება;
• სტატიკური ოკლუზია, ანუ ადამიანები ობიექტების უკან;
• კამერის კუთხე გარემოს მიმართ;

ამ პროექტის გამოწვევაა იცოდეს კამერის სწორი კუთხე, რომელიც საუკეთესოდ შეუწყობს ხელს გამოსახულების ფონის გამოკლებას, ასევე ცვალებად სიკაშკაშეს დღის განმავლობაში ავტობუსში.

წინადადების მთავარი მიზანია შექმნას ძლიერი და კონფიგურირებადი მოდელი, რომელიც შეაფასებს გადატვირთულობას და სმარტფონების საშუალებით მოსახლეობისთვის გახდება ხელმისაწვდომი.

ნაბიჯი 1: მასალები

პროექტისათვის საჭირო მასალა შემდეგია:

1 x Dragon Board 410c;

1 x USB კამერა;

1 x სმარტფონი Android;

ნაბიჯი 2: დააინსტალირეთ Linaro Dragonboard 410c- ში

მიჰყევით მითითებებს ქვემოთ მოცემულ ბმულზე, რომ დააინსტალიროთ Linaro 17.09 DragonBoard 410c– ზე. ჩვენ გირჩევთ დააინსტალიროთ Linaro 17.09 GPS– ის ბირთვის მხარდაჭერისთვის.

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

ნაბიჯი 3: ნაბიჯი 2: დააინსტალირეთ ბიბლიოთეკები და ჩამოტვირთეთ წყაროს კოდი GitHub– დან

კამბუსს აქვს მოდულური არქიტექტურა და კოდის დიზაინი. შესაძლებელია კოდის შედგენა თქვენი საკუთარი მანქანების სწავლის ალგორითმზე, სხვა ღრუბლოვან სერვისზე და შექმნათ თქვენი მომხმარებლის პროგრამები.

კამბუსის პროექტის გასაშვებად, ჯერ უნდა ჩამოტვირთოთ საწყისი კოდი github– დან (https://github.com/bmonteiro00/cambus). დააინსტალირეთ პითონი (Cambus იყო რეჟიმი გაშვებული verison 2.7 და> 3.x) და შემდეგი ბიბლიოთეკები გამოყენებით 'pip' (sudo apt-get install python-pip). საჭირო იქნება ლინაროს სისტემაში რამდენიმე ბიბლიოთეკის დაყენება (ასევე, რეკომენდებულია ვირტუალური გარემოს შექმნა - pip install virtualenv - Cambus სისტემის SO- სგან იზოლირების მიზნით). გთხოვთ, დააინსტალიროთ შემდეგი ბიბლიოთეკები:

• pip დააინსტალირეთ paho-mqtt
• pip დააინსტალირეთ numpy
• pip დააინსტალირეთ opencv-python
• pip დააინსტალირეთ opencv-contrib-python
• pip დააინსტალირეთ twilio
• pip დააინსტალირეთ matplotlib

ძირითადი პროგრამა იყოფა კლასებად:

• CamBus - ძირითადი კლასი;
• სენსორი - კლასი მონაცემების მოსაპოვებლად, როგორიცაა GPS პოზიცია, ტემპერატურა, Co2.
• კონტრ -კლასი გამოსახულების დამუშავების ალგორითმით.

დარწმუნდით, რომ ყველა ბიბლიოთეკა დაინსტალირებულია და შეასრულეთ პითონი CamBus_v1.py.

ნაბიჯი 4: AWS IoT Core- ის დაყენება, DynamoDB

ჩვენ გამოვიყენეთ AWS IoT ბირთვი, როგორც MQTT ბროკერი TLS და X509 და NoSQL და DynamoDB მონაცემების შესასვლელად. თქვენ უნდა შექმნათ ანგარიში https://aws.amazon.com/free.). შემდეგი, თქვენ გექნებათ ქვემოთ მოყვანილი ნაბიჯები ნივთის შესაქმნელად და დინამოსთან ინტეგრაციისთვის:

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

ნაბიჯი 5: დააყენეთ Twilio და Dweet API

ასევე შეიქმნა Twilio SMS სერვისი. იხილეთ ქვემოთ მითითებული URL ამ ნაბიჯის დასრულების ინსტრუქციისთვის:

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

ანდროიდის აპლიკაციასა და სისტემას შორის ინტეგრაცია განხორციელდა REST- ის საშუალებით Dweet პლატფორმით. რეგისტრაცია არ არის საჭირო.

dweet.io/

ნაბიჯი 6: გამოწვევები

ჩვენი განვითარების დროს ბევრი გამოწვევა გვქონდა, დაწყებული OpenCV ტექნიკით დაწყებული AWS პლატფორმით. ჩვენ გადავწყვიტეთ კოდირება პითონთან, რათა დაზოგოთ დრო C/C ++ - ში განვითარებისთვის. ჩვენი განვითარების დროს მხოლოდ ძირითადი Opencv მეთოდები, როგორიცაა:

• cv2. GaussianBlur (..)

• cv2. ბარიერი (..)

• cv2. მორფოლოგიაექს (..)

• cv2.contourArea (..)

• cv2.findContours (..)

ეს ძირითადი მეთოდები არ იყო საკმარისი იმისათვის, რომ მიაღწიოს კარგ ხარისხს ადამიანების გამოვლენაში. სცენარები შერყეული ვიდეო ML (მანქანური სწავლება) იქნა გამოყენებული. ამრიგად, ჩვენ გადავწყვიტეთ გამოვიყენოთ OpenCV მანქანათმცოდნეობის ბიბლიოთეკა და ჩვენ სხვა პრობლემა მივიღეთ, რადგან ML ალგორითმისთვის მონაცემთა კარგი შეყვანის პოვნა იყო პრობლემა, რომელიც ჩვენ გავატარეთ მრავალი დღის განმავლობაში. ჩვენ გამოვიყენეთ OpenCV SVM ალგორითმი, მაგრამ არ მუშაობს. ჩვენ გამოვიყენეთ OpenCV Naive Bayses და ეს კარგად მუშაობდა. ჩვენ შევეცადეთ გამოგვეყენებინა Tensorflow და CNN ნერვული ქსელები, თუმცა ჩვენ ეს ჯერჯერობით არ განვახორციელეთ. CNN იყენებს უამრავ გადამამუშავებელ ძალას, რაც ჩვენ არ გვქონდა. OpenCV ML- ისა და OpenCV ძირითადი მეთოდების გამოყენება დაგვეხმარა ადამიანების გამოვლენის კარგი მაჩვენებლის მიღწევაში. მიუხედავად ამისა, თითოეული ტიპის ვიდეოსთვის ჩვენ უნდა მოვახდინოთ OpenCV პარამეტრების ადაპტირება, რათა მივაღწიოთ ადამიანების გამოვლენის კარგ მაჩვენებელს და თავიდან ავიცილოთ ცრუ პოზიტივი. ამ ორი თვის შუა პერიოდში ჩვენ განვავითარეთ ჩვენი პირველი იდეა მონაცემთა შეგროვების ცენტრის გაკეთება არა მხოლოდ მგზავრების რაოდენობა და GPS ადგილმდებარეობა. ჩვენ გადავწყვიტეთ შეგროვება არა მონაცემების გამოყენებით სხვა სენსორების როგორიცაა ტემპერატურა და ასე შემდეგ. ჩვენ შევქმენით.ini ფაილი პროგრამის პარამეტრების გასაზრდელად და მისი კონფიგურაციისთვის. Cambus.ini ფაილზე შეგიძლიათ დააკონფიგურიროთ პროგრამა მრავალმხრივ.

ნაბიჯი 7: შედეგები და მომავალი სამუშაო

როგორც ვიდეოში ხედავთ, მრიცხველი მუშაობს ზუსტად. ლურჯი ხაზები აღნიშნავს შეყვანის ლიმიტს, ხოლო წითელი ხაზი გამომავალ ზღვარს. ამ შემთხვევაში, ვიდეო იქნა გამოყენებული სიმულაციისთვის, რადგან ჩვენ ვერ განვათავსეთ ის ავტობუსში.

გაითვალისწინეთ, რომ გარკვეული ცვლილებები უნდა მოხდეს თქვენს მდგომარეობაში ვიდეო ზომის, კამერის კუთხის, სიკაშკაშის და ა.შ. ყველა სახის ვიდეო უნდა იყოს მისი საკუთარი პარამეტრების ადაპტაცია, როგორიცაა opencv ბირთვის შეწოვის ფონი და ასე შემდეგ.

გთხოვთ ასევე შეცვალოთ ცვლადები cambus.ini– ში, MQTT ბროკერის მითითებით და ასე შემდეგ.

ჩვენ მომავალ განსახილველად განვიხილავთ სენსორების დამატებას, მაგალითად, ტემპერატურას, ტენიანობას და CO2 სისტემაში. იდეა არის მონაცემების მოპოვება ქალაქებში, რაც მათ საზოგადოებისათვის ხელმისაწვდომს გახდის.

შემდეგ ჩვენ ჩამოვთვლით შემდეგ ნაბიჯებს, რომლებიც შეგიძლიათ გააუმჯობესოთ პროექტი:

• ხელახლა ჩაწერეთ კოდი C/C ++ გამოყენებით;
• ML ალგორითმის გაუმჯობესება;
• ხელახლა ფაქტორის პითონის კოდი;
• ავტობუსში განთავსება;

ჩვენ გვინდა მადლობა გადავუხადოთ Embarcados- ს და Qualcomm- ს გაწეული ყველა მხარდაჭერისთვის.

თანამშრომლები:

ბრუნო მონტეირო - [email protected]

კლებერ დრობოვოკი - [email protected]

ვინიციუს დე ოლივეირა - [email protected]

ნაბიჯი 8: მითითებები

[1]

[2]

[3]

[4]

[5]