MachineEye: 5 βήματα

2024 Συγγραφέας: John Day | [email protected]. Τελευταία τροποποίηση: 2024-01-30 08:32

Συνδύασα το Texas Instrument Sensor Tag CC2650 με την κάμερα Raspberry Pi για να αναπτύξω έναν πίνακα εργαλείων με μερικές φοβερές πληροφορίες. Συνδέσα το έργο χρησιμοποιώντας το IBM Node Red που έρχεται εγκατεστημένο στην εικόνα Raspberry Pi. Η κάμερα στέλνει δεδομένα στις υπηρεσίες Microsoft Cognitive για να επιστρέψει μια περιγραφή του τι βλέπει η κάμερα. Αυτά τα δεδομένα μπορούν να ανοίξουν σε ατελείωτες εφαρμογές. Το παράδειγμά μου είναι ένα απλό που δείχνει τις καιρικές συνθήκες και μια εικόνα με περιγραφή του τι βλέπει η κάμερα. Εγώ

Βήμα 1: Απαιτείται υλικό και λογισμικό

Σκεύη, εξαρτήματα

1. Raspberry Pi 3 (μπορείτε επίσης να χρησιμοποιήσετε Pi 2 ή Pi μοντέλο Β)

2. Κάμερα Raspberry Pi

3. Ετικέτα αισθητήρα Texas Instruments CC2650

4. Κάρτα SD

Λογισμικό

1. Raspbian Jessie με έκδοση Pixel: Μάρτιος 2017

www.raspberrypi.org/downloads/raspbian/

2. Putty - ένα τερματικό για τον προγραμματισμό του Pi σας

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

3. Πρόσθετος κόμβος για Κόκκινο κόμβο

Έχω αναφέρει λεπτομερώς τους κόμβους που θα εγκατασταθούν στο Pi στο Βήμα 3: Ρύθμιση του Κόμβου Κόκκινου.

Βήμα 2:

Βήμα 3: Ρυθμίστε το υλικό

Χρησιμοποιώ το Raspberry Pi 3 και το Sensor Tag CC2650 με 7 αισθητήρες. Το Raspberry Pi 3 διαθέτει ενσωματωμένο WiFi και Bluetooth, οπότε δεν χρειαζόμαστε τόσα dongles. Το μόνο μου dongle είναι να χρησιμοποιήσω το ασύρματο ποντίκι και το πληκτρολόγιο. Μπορείτε να χρησιμοποιήσετε τον επίσημο ιστότοπο Raspberry Pi για να κάνετε λήψη της εικόνας και να ενεργοποιήσετε το Pi σας:

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

Το Sensor Tag χρειάζεται μόνο να έχει τραβήξει την πλαστική ταινία και θα πρέπει να πάει καλά. Μπορείτε να μάθετε περισσότερες πληροφορίες εδώ.

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

Η κάμερα Raspberry Pi έχει επίσης πολλά ιστολόγια για να σας βοηθήσει να ρυθμίσετε την κάμερα:

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

Αυτό το έργο διαθέτει την οθόνη αφής του Adafruit. Αυτό είναι προαιρετικό και δεν απαιτείται για αυτό το έργο.

Βήμα 4: Ρύθμιση Κόμβου Κόκκινο

Το Node Red είναι ένα εύχρηστο εργαλείο που είναι ήδη εγκατεστημένο στο Raspberry Pi. Περισσότερες πληροφορίες μπορείτε να βρείτε εδώ:

nodered.org/

Το πιο σημαντικό βήμα εδώ είναι να ενημερώσετε την έκδοσή σας στο Pi:

sudo update-nodejs-and-node

Τώρα ελέγξτε την έκδοσή σας. Χρησιμοποιώ το Putty για αυτό το έργο ως τερματικό.

npm -v

3.10.10

κόμβος -v

6.10.0

Τώρα το Node Red είναι ενημερωμένο, θα προσθέσουμε μερικούς κόμβους για να συνδεθούμε με την ετικέτα Raspberry Pi Camera και Sensor. Όλοι οι κόμβοι πρέπει να εγκατασταθούν κάτω από αυτόν τον κατάλογο:

~/.node-red

Ας αρχίσουμε !

npm εγκατάσταση node-red-contrib-camerapi

npm εγκατάσταση node-red-node-dweetio

npm εγκατάσταση κόμβου-κόκκινο-συνεισφορά-freeboard

npm εγκατάσταση υπηρεσιών κόμβου-κόκκινου-συνεισφοράς-γνωστικών

npm εγκατάσταση node-red-node-sensortag

npm εγκατάσταση node-red-node-dropbox

Αυτό θα πάρει λίγο χρόνο και αν λάβετε προειδοποιήσεις που θα πρέπει να είναι εντάξει. Έχω συμπεριλάβει έναν κόμβο ένεσης για λήψη φωτογραφιών σε καθορισμένα διαστήματα. Το Dweetio είναι για τον κόμβο Camera Vision να διαβάσει την περιγραφή ή τις ετικέτες από την εικόνα και να τις στείλει στο πλαίσιο κειμένου του Freeboard Dashboard. Οι Γνωστικές Υπηρεσίες περιλαμβάνουν τον κόμβο Computer Vision.

Πρέπει να λάβετε ένα δωρεάν κλειδί συνδρομής από τη Microsoft για τον κόμβο Computer Vision.

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

Ο κόμβος Dropbox είναι ιδανικός για αυτό το έργο. Χρησιμοποίησα τον οδηγό από το Adafruit που βρίσκεται εδώ:

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

Κάντε κύλιση προς τα κάτω στο Dropbox Setup. Αυτό θα πρέπει να λειτουργεί σε οποιοδήποτε Pi και έχουν κάνει τη ρύθμιση πολύ πιο απλή. Θα σας καθοδηγήσει στη ρύθμιση ενός Dropbox και πώς να εισαγάγετε τα Κλειδιά που χρειάζεστε για να συνδεθείτε στο Dropbox. Αυτό είναι το καλύτερο σεμινάριο που έχω βρει. Αλλά για να δω την εικόνα στον Πίνακα ελέγχου έπρεπε να αλλάξω το σύνδεσμο για την εικόνα. Επέλεξα να χρησιμοποιήσω ένα εργαλείο Dropbox που ονομάζεται Chooser για να λάβω έναν άμεσο σύνδεσμο προς την εικόνα που έχει ληφθεί στο Dropbox. Θα διατηρήσω το ίδιο όνομα για την εικόνα-j.webp

Για να δείτε το Node Red flow απλά ανοίξτε ένα πρόγραμμα περιήγησης. Μου αρέσει το Chrome και αυτό είναι μόνο ένα παράδειγμα για τη μορφή:

192.168.1.1:1880

Βήμα 5: Ρυθμίστε το DashBoard

Ο Πίνακας ελέγχου FreeBoard είναι ένας ευέλικτος και εύκολος τρόπος απεικόνισης των δεδομένων με ουσιαστικό τρόπο. Υπάρχουν δύο πηγές δεδομένων που έχουν ρυθμιστεί και κάθε σύνολο δεδομένων με ένα "όνομα-πράγμα-όνομα". Συνδέω τον πρώτο κόμβο dweetio που ονομάζεται Machine Eye με τον κόμβο φωτογραφίας. Αυτό θα στείλει το ωφέλιμο φορτίο της κάμερας στο cloud και θα μας επιτρέψει να καταγράψουμε τις πληροφορίες στον πίνακα ελέγχου. Αυτό θα είναι ένα πλαίσιο κειμένου.

Ο δεύτερος κόμβος Dweetio είναι για την ετικέτα αισθητήρα. Αυτός ο κόμβος είναι συνδεδεμένος με την ετικέτα αισθητήρα και θα στείλει ξανά το ωφέλιμο φορτίο των αισθητήρων στο σύννεφο και θα καταγραφεί ξανά. στο ταμπλό. Τα δεδομένα είναι σε πραγματικό χρόνο. Έχω προσθέσει μερικά παράθυρα αισθητήρων για αυτό το demo.

Το πλαίσιο εικόνας είναι ένα παράθυρο εικόνας με τον άμεσο σύνδεσμο στο Dropbox. Η εικόνα και η περιγραφή πρέπει να αλλάζουν κάθε φορά που ενεργοποιείται μια εικόνα.

Η παραπάνω εικόνα είναι μια φωτογραφία της κεραμικής γάτας μου. Άργησα λίγο να εγγραφώ στον διαγωνισμό και λόγω του φοβερού καιρού μας στις ακτές του Ατλαντικού του Καναδά δεν μπόρεσα να βγάλω την κάμερα έξω. Οι βροχοπτώσεις και ο κρύος καιρός θα σκοτώσουν τα ηλεκτρονικά μου. Χρειάζομαι επίσης τους φίλους μου και τα καλύτερα μωρά τους με γούνα να έρθουν για φωτογράφιση.