MachineEye: 5 Hakbang

2024 May -akda: John Day | [email protected]. Huling binago: 2024-01-30 13:10

Pinagsama ko ang Texas Instrument Sensor Tag CC2650 sa Raspberry Pi camera upang bumuo ng isang dashboard na may ilang kahanga-hangang impormasyon. Na-wire ko ang proyekto gamit ang IBM Node Red na naka-install sa imahe ng Raspberry Pi. Nagpapadala ang camera ng data sa mga serbisyo ng Microsoft Cognitive upang ibalik ang isang paglalarawan ng nakikita ng camera. Ang data na ito ay maaaring magbukas hanggang sa walang katapusang mga application. Ang aking halimbawa ay isang simpleng ipinapakita sa loob ng mga kondisyon ng panahon at isang larawan na may paglalarawan kung ano ang nakikita ng camera. Ako

Hakbang 1: Kinakailangan ang Hardware at Software

Hardware

1. Raspberry Pi 3 (maaari mo ring gamitin ang Pi 2 o Pi model B)

2. Raspberry Pi camera

3. Tag ng Instrumentong Texas CC2650 Sensor

4. SD Card

Software

1. Raspbian Jessie na may bersyon ng Pixel: Marso 2017

www.raspberrypi.org/downloads/raspbian/

2. Putty - isang terminal upang mai-program ang iyong Pi

www.chiark.greenend.org.uk/~sgtatham/putty/

3. Karagdagang Node para sa Node Red

Na-detalye ko ang mga node na mai-install sa Pi sa Hakbang 3: I-set up ang Node Red.

Hakbang 2:

Hakbang 3: I-setup ang Hardware

Gumagamit ako ng Raspberry Pi 3 at ang Sensor Tag CC2650 na naka-pack na may 7 sensor. Ang Raspberry Pi 3 ay nakasakay sa WiFi at Bluetooth kaya hindi namin kailangan ng maraming dongle. Ang tanging dongle ko lang ay ang paggamit ng aking wireless mouse at key board. Maaari mong gamitin ang opisyal na website ng Raspberry Pi upang i-download ang imahe at i-up at tumatakbo ang iyong Pi:

www.raspberrypi.org/products/raspberry-pi-3-model-b/

Kailangan lamang ng Sensor Tag na hilahin ang plastic strip at dapat itong maging mahusay na pumunta. Maaari mong malaman ang karagdagang impormasyon dito.

www.ti.com/ww/en/wireless_connectivity/sensortag/tearDown.html

Ang Raspberry Pi camera ay mayroon ding maraming mga blog upang matulungan kang i-setup ang camera:

www.raspberrypi.org/products/camera-module/

Ang proyektong ito ay mayroong touch screen ng Adafruit. Opsyonal ito at hindi kinakailangan para sa proyektong ito.

Hakbang 4: Pag-setup ng Node Red

Ang Node Red ay isang madaling gamitin na tool na naka-install na sa Raspberry Pi. Mahahanap ang karagdagang impormasyon dito:

nodered.org/

Ang pinakamahalagang hakbang dito ay upang i-update ang iyong bersyon sa Pi:

sudo update-nodejs-and-node

Ngayon suriin ang iyong bersyon. Gumagamit ako ng Putty para sa proyektong ito bilang aking terminal.

npm -v

3.10.10

node -v

6.10.0

Ngayon ang iyong Node Red ay na-update maglalagay kami ng ilang mga node upang kumonekta sa aming tag na Raspberry Pi Camera at Sensor. Ang lahat ng mga node ay dapat na mai-install sa ilalim ng direktoryong ito:

~ /.node-red

Magsimula na tayo !

npm i-install ang node-red-contrib-camerapi

Nag-install ako ng node-red-node-dweetio

npm i-install ang node-red-contrib-freeboard

npm i-install ang node-red-contrib-nagbibigay-malay-serbisyo

Nag-install ako ng node-red-node-sensortag

npm i-install ang node-red-node-dropbox

Magtatagal ito ng oras at kung makakatanggap ka ng mga babala na dapat maging okay. Nagsama ako ng isang injection node upang kumuha ng mga larawan sa mga tinukoy na agwat. Ang Dweetio ay para sa node ng Camera Vision upang mabasa ang paglalarawan o mga tag mula sa larawan at ipadala ito sa kahon ng teksto ng Freeboard Dash Board. Ang Cognitive Services ay nagsasama ng Computer Vision node.

Kailangan mong makakuha ng isang libreng susi sa subscription mula sa Microsoft para sa Computer Vision node.

www.microsoft.com/cognitive-services/en-US/subscription?mode=NewTrials

Ang Dropbox node ay perpekto para sa proyektong ito. Ginamit ko ang gabay mula sa Adafruit na matatagpuan dito:

learn.adafruit.com/diy-wifi-raspberry-pi-touch-cam?view=all

Mag-scroll pababa sa Setup ng Dropbox. Dapat itong gumana sa anumang Pi at ginawa nilang mas simple ang pag-setup. Gagabayan ka nito upang mag-set up ng isang Dropbox at kung paano ipasok ang Mga Susi na kailangan mo upang kumonekta sa Dropbox. Ito ang pinakamahusay na natagpuan kong tutorial. Ngunit upang makita ang larawan sa Dashboard kailangan kong sabunutan ang link para sa larawan. Pinili kong gumamit ng isang tool ng Dropbox na tinatawag na Chooser upang makakuha ng isang direktang link sa larawan na na-download sa Dropbox. Itatago ko ang parehong pangalan para sa larawan na-j.webp

Upang matingnan ka ng daloy ng Node Red buksan lamang ang isang browser. Gusto ko ang Chrome at ito ay isang halimbawa lamang para sa format:

192.168.1.1:1880

Hakbang 5: I-set up ang DashBoard

Ang FreeBoard Dashboard ay isang nababaluktot at madaling paraan upang mailarawan ang data sa isang makabuluhang paraan. Mayroong dalawang mga mapagkukunan ng data na naka-set up at bawat set ng data na may isang "my-thing-name". Ikonekta ko ang unang dweetio node na tinatawag na Machine Eye sa photo node. Ipapadala nito ang payload ng camera sa cloud at papayagan kaming makuha ang impormasyon sa dashboard. Ito ay magiging isang kahon ng teksto.

Ang pangalawang node ng Dweetio ay para sa sensor tag. Ang node na ito ay konektado sa sensor tag at muling magpapadala ng payload ng mga sensor sa cloud at muling makunan. sa dashboard. Ang data ay nasa real time. Nagdagdag ako ng ilang mga pane ng sensor para sa demo na ito.

Ang kahon ng larawan ay isang pane ng Larawan na may direktang link sa Dropbox. Ang larawan at paglalarawan ay dapat na baguhin sa tuwing ang isang larawan ay naaktibo.

Ang larawan sa itaas ay isang pagkuha ng larawan ng aking ceramic cat. Medyo nahuli ako sa pag-sign up para sa kumpetisyon at dahil sa aming napakahusay na panahon sa baybayin ng Atlantiko ng Canada ay hindi mailabas ang camera sa labas. Papatayin ng presipitasyon at malamig na panahon ang aking mga electronics. Kailangan ko rin ang aking mga kaibigan at ang kanilang pinakamahusay na mga sanggol na balahibo upang lumapit para sa isang photo shoot.