فهرست مطالب:
تصویری: تشخیص آفات: Despestor: 3 مرحله
2024 نویسنده: John Day | [email protected]. آخرین اصلاح شده: 2024-01-30 08:57
در صنعت انبارها کنترل کیفیت از اهمیت بالایی برخوردار است. مشتریان به صاحب انبار تکیه می کنند تا کنترل های بهداشتی و استانداردی را رعایت کند که عملکرد تجاری آنها را به خطر نمی اندازد. یکی از چالش های اصلی پیشگیری نحوه پیشگیری و تشخیص زود هنگام آفات در انبار است. راه حل اینترنت اشیا ما سیستم IoT سطح 1 را پیشنهاد می کند که از Line Tracers و یک آشکارساز انسانی روی یک ربات چرخ دار استفاده می کند. راه حل ما سیستم PCAD نامیده می شود که مخفف Pest Control Auto-detection system است ، یک راه حل کوچک و همه کاره مستقل است که فقط باید در نقطه شروع قرار داده شود و از طریق یک برنامه وب روشن شود. ما معتقدیم که با انجام بررسی های معمول هر زمان که انبار بخواهد ، ممکن است به تشخیص زود هنگام آفات در انبار شلوغ کمک کند.
مرحله 1: حسگرها و محرک ها
در طراحی پروژه ما از موارد زیر استفاده می کنیم:
- رزبری پای 3 مدل B V1.2
- کارت Micro SD
- 2 x KY-033
- 1 x آشکارساز انسانی
- 2 عدد موتور DC
- 2 عدد چرخ
- 2 مقاومت 200 اهم
- 2 ترانزیستور PN2222A6E
- 2 عدد دیود
- کابل های پرش
به تصویر بالا مراجعه کنید
مرحله 2: همه چیز را با هم ترکیب کنید
مدار کامل در تصویر بالا آمده است. به منظور دسترسی به قطعات عملیاتی متصل ، آزمایش قطعه مکانیکی را آسان تر انجام دادیم ، یعنی خط زیر قسمت روبات این است:
0. کابلهای برق و زمین را از رزبری پای تا یک تخته نان بلند تنظیم کنید.
- مدار را برای چرخ ها متصل کرده ، تصویر را دنبال کنید. برای هر موتور DC ، لطفاً دستورالعمل زیر را دنبال کنید: اینجا (مدار موتور DC). ما چرخ ها را به پایه های 13 در سمت چپ و 12 در سمت راست متصل می کنیم
- ردیاب های خط KY-033 را وصل کرده و آنها را در فاصله یک اینچی از یکدیگر در "جلوی ربات" قرار دهید. ما آنها را به ترتیب به پین 16 و 19 برای چپ و راست متصل کردیم.
ایده این است که با توجه به مسیری که با خط سیاه در وسط ربات مشخص شده است ، ربات باید خط را بدون پیاده شدن از آن دنبال کند. بنابراین ، 3 سناریو وجود دارد:
- خط در وسط: هر دو ردیاب خط در حالیکه قسمتها را تشخیص می دهند (زیرا خط بین آنها است) و به چرخها علامت می دهند که به طور عادی به جلو حرکت کنند.
- روبات در حال حرکت به سمت چپ است: این بدان معناست که بیشتر ربات سمت چپ خط است ، ما این را زمانی می دانیم که ردیاب خط راست خط سیاه را تشخیص می دهد. در این مورد ، ما می خواهیم چرخ راست را کم کرده و چپ را شتاب دهیم تا یک حرکت منحنی مانند به سمت راست ایجاد شود.
- این ربات از سمت راست پیاده می شود: برعکس مورد قبلی ، ما چرخ راست را شتاب می دهیم و چرخ چپ را کند می کنیم.
پس از انجام این مرحله ، اکثر دستگاه به پایان می رسد. در نهایت ، ما آشکارساز انسانی را روی پین 21 تنظیم کرده و هنگامی که بدن گرما (جوندگان) را مشاهده می کند ، سیگنال های بالایی ارسال می کند.
مرحله 3: جمع بندی و ملاقات با خدمه
این تصاویر به شما کمک می کند تا دستگاه های مناسب را تهیه کرده و اجزای مورد استفاده خود را از نزدیک مشاهده کنید:
- موتورهای DC
- ترانزیستورها
- آشکارساز انسان
- تمشک پای
- KY-033 (خط ردیاب)
- پی گوه
- دیود
- مقاومت 200 اهم
توصیه شده:
تشخیص چهره ، آموزش و تشخیص Opencv: 3 مرحله
تشخیص چهره ، آموزش و تشخیص Opencv: OpenCV یک کتابخانه بینایی رایانه منبع باز است که برای انجام کارهای اصلی پردازش تصویر مانند تار شدن ، ترکیب تصویر ، افزایش تصویر و همچنین کیفیت فیلم ، آستانه و غیره بسیار محبوب است. علاوه بر پردازش تصویر ، اثبات می کند
تشخیص و تشخیص چهره - Arduino Face ID با استفاده از OpenCV Python و Arduino .: 6 مرحله
تشخیص و تشخیص چهره | شناسه صورت آردوینو با استفاده از OpenCV پایتون و آردوینو.: تشخیص چهره AK ID چهره یکی از مهمترین ویژگی های تلفن های همراه امروزه است. بنابراین ، من یک سوال داشتم & quot؛ آیا می توانم برای پروژه آردوینو خود شناسه چهره داشته باشم & quot؛ و پاسخ بله است … سفر من به شرح زیر آغاز شد: مرحله 1: دسترسی به ما
کیسه کنترل آفات برچسب: 6 مرحله
برچسب کیسه کنترل آفات: این پروژه یک ارتقاء ساده کنترل آفات برای کوله پشتی های دوست داشتنی شما است. امواج صوتی ساطع شده برای انسان بی خطر است و ممکن است آفات مانند جوندگان ، پشه ها و سوسک ها را آزرده کند. لطفاً دستورالعمل های زیر را ببینید تا ببینید که پروژه چگونه بوده است
پردازش ساده Uldar (تشخیص و تشخیص اولتراسونیک): 3 مرحله
پردازش ساده Uldar (تشخیص و رتبه بندی اولتراسونیک): این یک پروژه ساده است که از Arduino UNO و Processing برای ایجاد یک لیدار ساده استفاده می کند. Lidar (همچنین LIDAR ، LiDAR و LADAR نیز نامیده می شود) یک روش نقشه برداری است که با روشن کردن فاصله تا یک هدف را اندازه گیری می کند. هدف با نور لیزری پالس و اندازه گیری
تشخیص چهره+تشخیص: 8 مرحله (همراه با تصاویر)
تشخیص چهره+تشخیص: این یک مثال ساده از اجرای تشخیص و تشخیص چهره با OpenCV از دوربین است. توجه: من این پروژه را برای مسابقه سنسور ساختم و از دوربین به عنوان سنسور برای ردیابی و شناسایی چهره ها استفاده کردم. بنابراین ، هدف ما در این جلسه ، 1. Anaconda را نصب کنید