فهرست مطالب:
- مرحله 1: کلید API خود را دریافت کنید
- مرحله 2: سخت افزار خود را جمع آوری کنید
- مرحله 3: LCD خود را با هم لحیم کنید
- مرحله 4: NOOBS را برای Raspberry Pi خود بارگیری کنید
- مرحله 5: شروع به کار با Picamera
- مرحله 6: پورت دوربین را پیدا کرده و دوربین را وصل کنید
- مرحله 7: ابزار پیکربندی Raspberry Pi را از منوی اصلی باز کنید
- مرحله 8: اطمینان حاصل کنید که نرم افزار دوربین فعال است
- مرحله 9: پیش نمایش دوربین
- مرحله 10: تصاویر ثابت
- مرحله 11: دوربین شما کار می کند
- مرحله 12: کیت LCD مونتاژ شده خود را امتحان کنید
- مرحله 13: کد را برای نصب بر روی دستگاه خود ساخته دریافت کنید
- مرحله 14: عکس بگیرید
- مرحله 15: انجام شد
تصویری: تشخیص شیء بصری با دوربین (TfCD): 15 مرحله (همراه با تصاویر)
2024 نویسنده: John Day | [email protected]. آخرین اصلاح شده: 2024-01-30 08:57
خدمات شناختی که می توانند احساسات ، چهره افراد یا اشیاء ساده را تشخیص دهند ، هنوز در مراحل اولیه توسعه هستند ، اما با یادگیری ماشین ، این فناوری به طور فزاینده ای در حال توسعه است. می توان انتظار داشت که در آینده شاهد این جادو بیشتر باشیم.
برای پروژه TU Delft برای TfCD ، ما تصمیم گرفتیم از خدمات شناختی بینایی ارائه شده توسط مایکروسافت برای نشان دادن نحوه انجام تجزیه و تحلیل تشخیص بینایی در عکس ها استفاده کنیم. (ویدیو را ببینید).
توجه داشته باشید!
دستگاه های الکترونیکی و کد به درستی کار می کنند ، اما اتصال اینترنت در TU Delft خاموش بود بنابراین ما فیلم مناسب نداریم. بعداً یک مورد مناسب را بارگذاری می کنیم! ممنونم از اینکه درک می کنید!
مرحله 1: کلید API خود را دریافت کنید
ابتدا به سایت خدمات شناختی Azure بروید و کلید Computer Vision API را از سایت Microsoft دریافت کنید. پیوند زیر است:
EXTRA: اگر می خواهید API را کمی سرگرم کنید ، کلید تشخیص چهره و تشخیص احساسات را نیز دریافت کنید. Visual Studios را بارگیری کنید (نسخه انجمن خوب است) و همچنین کد را از github بارگیری کنید تا در Visual Studios قرار دهید.
Visual Studios:
Github:
مرحله 2: سخت افزار خود را جمع آوری کنید
با ماژول دوربین رزبری پای ، با استفاده از پایتون و picamera شروع به کار کنید. شما عکس های ثابت می گیرید ، فیلم ضبط می کنید و جلوه های تصویر را اعمال می کنید. برای شروع ، شما نیاز دارید:
- رزبری پای ، برد دوربین V2 ، 8 مگاپیکسل
- رزبری پای 3 ، مدل B ، 1 گیگابایت RAM برای کد نویسی
- LCD Adafruit 16x2 Character LCD
- ماوس برای اتصال به رزبری پای
- صفحه کلید برای پیوند به رزبری پای
- برای پیوند به Raspberry Pi مانیتور کنید
- کابل اترنت برای اتصال Raspberry Pi به وب
- لپ تاپ جهت ورودی
- دستگاه لحیم کاری برای لحیم کاری LCD شما
مرحله 3: LCD خود را با هم لحیم کنید
از سایت Adafruit برای لحیم صحیح LCD خود استفاده کنید. پیوند زیر قرار دارد:
learn.adafruit.com/adafruit-16x2-character…
مرحله 4: NOOBS را برای Raspberry Pi خود بارگیری کنید
Raspbian را بارگیری کنید تا Raspberry Pi شما اجرا شود!
www.raspberrypi.org/downloads/noobs/
رزبری پای خود را به عنوان یک کامپیوتر کوچک ببینید. به مانیتور ، موس ، صفحه کلید و اینترنت نیاز دارد. اینها را به Raspberry Pi خود متصل کنید.
مرحله 5: شروع به کار با Picamera
ماژول دوربین یک وسیله جانبی عالی برای رزبری پای است که به کاربران اجازه می دهد عکس های ثابت بگیرند و فیلم را با وضوح کامل HD ضبط کنند. اول از همه ، با خاموش بودن Pi ، باید ماژول دوربین را به پورت دوربین رزبری پای وصل کنید ، سپس Pi را راه اندازی کنید و از فعال بودن نرم افزار اطمینان حاصل کنید. برای مراحل بعدی تصاویر را دنبال کنید!
مرحله 6: پورت دوربین را پیدا کرده و دوربین را وصل کنید
مرحله 7: ابزار پیکربندی Raspberry Pi را از منوی اصلی باز کنید
مرحله 8: اطمینان حاصل کنید که نرم افزار دوربین فعال است
مرحله 9: پیش نمایش دوربین
اکنون دوربین شما متصل است و نرم افزار فعال است ، می توانید با امتحان پیش نمایش دوربین شروع به کار کنید.
- Python 3 را از منوی اصلی باز کنید
- یک فایل جدید باز کنید و آن را به عنوان camera.py ذخیره کنید. مهم این است که آن را به عنوان picamera.py ذخیره نکنید.
- کد زیر را وارد کنید:
- از واردات picamera PiCamera
- از زمان وارد کردن خواب
- دوربین = PiCamera ()
- camera.start_preview () sleep (10) camera.stop_preview ()
- با Ctrl + S ذخیره کنید و با F5 اجرا کنید. پیش نمایش دوربین باید به مدت 10 ثانیه نشان داده شود و سپس بسته شود. برای پیش نمایش آنچه دوربین می بیند ، دوربین را به اطراف حرکت دهید.
- پیش نمایش دوربین زنده باید صفحه را پر کند
مرحله 10: تصاویر ثابت
متداول ترین کاربرد ماژول دوربین گرفتن عکس های ثابت است.
کد خود را برای کاهش خواب و افزودن خط camera.capture () اصلاح کنید:
camera.start_preview ()
خواب (5)
camera.capture ('/home/pi/Desktop/image.jpg')
camera.stop_preview ()
- کد را اجرا کنید و قبل از گرفتن عکس ثابت ، پیش نمایش دوربین را به مدت 5 ثانیه باز می کنید. با مشاهده عکس پیش نمایش لحظه ای وضوح تصویر دیگری را مشاهده خواهید کرد.
- عکس خود را روی دسکتاپ خواهید دید. روی نماد فایل دوبار کلیک کنید تا باز شود.
مرحله 11: دوربین شما کار می کند
آره! گام بعدی!
مرحله 12: کیت LCD مونتاژ شده خود را امتحان کنید
با دنبال کردن مراحل زیر ، LCD را فعال کنید:
پیکربندی LCD
آ.
نصب LCD و آزمایش اینکه آیا LCD شما به درستی لحیم شده است!
ب
مرحله 13: کد را برای نصب بر روی دستگاه خود ساخته دریافت کنید
کد را از github دریافت کنید:
توجه: به نظر می رسد که کد در Tronny خوب کار نمی کند. برای شروع کد از ترمینال Raspbian استفاده کنید. کد (ComputerVision.py) را در نقشه قرار دهید: home/pi/Adafruit_Python_CharLCD/نمونه (به دلایلی فقط به این روش کار می کند ، روشهای دیگر فقط خطاهای غیرقابل توضیح می دهند)
ترمینال خود را باز کرده و تایپ کنید:
سی دی Adafruit_Python_CharLCD/نمونه ها
./ComputerVision.py
مرحله 14: عکس بگیرید
توصیه شده:
رزبری پای - مریخ نورد خودکار با ردیابی شیء OpenCV: 7 مرحله (همراه با تصاویر)
رزبری پای - مریخ نورد خودکار با ردیابی شی OpenCV: دارای رزبری پای 3 ، تشخیص شیء CV باز ، سنسورهای اولتراسونیک و موتورهای DC دنده ای. این مریخ نورد می تواند هر جسمی را که برای آن آموزش دیده است ردیابی کرده و در هر زمینی حرکت کند
دسته های چاپ سه بعدی برای هر شیء: 10 مرحله (همراه با تصاویر)
دسته های پرینت سه بعدی برای هر شیء: اگر مانند من هستید ، ساخت وسایل را دوست دارید ، اما وقتی با پروژه هایی که نیاز به مهارت بالایی دارند ، روبرو می شوید. گاهی اوقات ، به ویژه اگر کارهای کوچک و مبهمی انجام می دادم ، در ادامه کار مشکل دارم
آموزش تشخیص شیء ربات چهارپاره جتسون نانو: 4 مرحله
Jeton Nano Quotruped Robot Object Detection: Nvidia Jetson Nano یک کیت توسعه دهنده است که از SoM (System on Module) و یک برد حامل مرجع تشکیل شده است. این برنامه در درجه اول برای ایجاد سیستم های جاسازی شده که نیاز به قدرت پردازشی بالا برای یادگیری ماشین ، بینایی ماشین و فیلم دارد ، هدف قرار می گیرد
تجزیه و تحلیل الگوی ترافیک با استفاده از تشخیص شیء زنده: 11 مرحله (همراه با تصاویر)
تجزیه و تحلیل الگوی ترافیک با استفاده از تشخیص شیء زنده: در دنیای امروز ، چراغ های راهنمایی برای یک جاده ایمن ضروری هستند. با این حال ، در بسیاری از مواقع ، چراغ های راهنمایی می توانند در شرایطی که شخصی به چراغ نزدیک قرمز می شود آزاردهنده باشد. این امر زمان را هدر می دهد ، به ویژه اگر نور در حالت pr
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