Cambus - System zbierania danych w autobusie miejskim: 8 kroków

2024 Autor: John Day | [email protected]. Ostatnio zmodyfikowany: 2024-01-30 11:31

Wśród problemów i trudności znanych w transporcie publicznym ludności brakuje informacji w czasie rzeczywistym i najmniej asertywności. Przepełnienie autobusów komunikacji miejskiej odstrasza użytkowników, którzy wolą korzystać z własnych pojazdów, mimo że są w korku godzinami. Jeśli informacje w czasie rzeczywistym, takie jak liczba autobusów, są łatwo dostępne dla użytkownika, może on wybrać, czy czekać na następny autobus, czy jeździć autobusem lub korzystać z własnego pojazdu. Siła wyboru sprawia, że transport publiczny jest dla użytkownika bardziej atrakcyjną opcją.

Liczenie lub szacowanie osób w pomieszczeniach można wykonać na wiele sposobów, wśród których najczęściej stosowane są:

• Obrazy termiczne;
• Wizja komputerowa;
• Licznik twarzy;

Wśród kilku trudności w ocenie ludzi w środowisku za pomocą wizji komputerowej, główne z nich to:

• Okluzja ludzi;
• Oświetlenie odwracające;
• Okluzja statyczna, czyli ludzie za przedmiotami;
• Kąt kamery do otoczenia;

Wyzwaniem dla tego projektu jest poznanie odpowiedniego kąta kamery, który najlepiej pomoże w odjęciu tła obrazu, a także zmiennej jasności w ciągu dnia wewnątrz autobusu.

Głównym celem wniosku jest stworzenie solidnego i konfigurowalnego modelu do oszacowania przeludnienia i udostępnienia wyników społeczeństwu za pośrednictwem smartfonów.

Krok 1: Materiały

Materiał potrzebny do projektu to kolejny:

1 x tablica smoka 410c;

1 x kamera USB;

1 x smartfon z systemem Android;

Krok 2: Zainstaluj Linaro w Dragonboard 410c

Postępuj zgodnie z instrukcjami podanymi w poniższym łączu, aby zainstalować Linaro 17.09 na DragonBoard 410c. Zalecamy zainstalowanie Linaro 17.09 do obsługi jądra dla GPS.

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

Krok 3: Krok 2: Zainstaluj biblioteki i pobierz kod źródłowy z GitHub

Cambus ma modułową architekturę i projekt kodu. Możliwe jest zakodowanie własnego algorytmu uczenia maszynowego, przejście na inną usługę w chmurze oraz tworzenie własnych aplikacji użytkownika.

Aby uruchomić projekt cambus, musisz najpierw pobrać kod źródłowy z github (https://github.com/bmonteiro00/cambus). Zainstaluj pythona (Cambus był w trybie do uruchamiania w wersji 2.7 i > 3.x) i następujących bibliotekach przy użyciu „pip” (sudo apt-get install python-pip). Konieczne będzie zainstalowanie kilku bibliotek w systemie Linaro (Zaleca się również stworzenie środowiska wirtualnego - pip install virtualenv - w celu odizolowania systemu Cambus od SO). Proszę zainstalować następujące biblioteki:

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

Program główny został podzielony na zajęcia:

• CamBus - klasa główna;
• Sensor - klasa do pozyskiwania danych takich jak pozycja GPS, temperatura, Co2.
• Licznik - klasa z algorytmem przetwarzania obrazu.

Upewnij się, że wszystkie biblioteki zostały zainstalowane i uruchom python CamBus_v1.py.

Krok 4: Konfigurowanie AWS IoT Core, DynamoDB

Użyliśmy rdzenia AWS IoT jako brokera MQTT z TLS i X509 oraz NoSQL i DynamoDB do rejestrowania danych. Będziesz musiał utworzyć konto na https://aws.amazon.com/free.). Następnie będziesz musiał wykonać poniższe kroki, aby stworzyć coś i zintegrować z Dynamo:

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

Krok 5: Skonfiguruj interfejsy API Twilio i Dweet

Uruchomiono również usługę SMS Twilio. Zobacz poniższy adres URL, aby uzyskać instrukcje, jak wykonać ten krok:

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

Integracja aplikacji na Androida z systemem została wykonana poprzez REST z wykorzystaniem platformy Dweet. Rejestracja nie jest wymagana.

dweet.io/

Krok 6: Wyzwania

Podczas naszego rozwoju napotkaliśmy wiele wyzwań, począwszy od technik OpenCV po platformę AWS. Zdecydowaliśmy się na kodowanie w Pythonie, aby zaoszczędzić czas na programowaniu w C/C++. Podczas naszego rozwoju tylko podstawowe metody Opencv takie jak:

• cv2. Rozmycie Gaussa(..)

• cv2.próg(..)

• cv2.morfologiaEx(..)

• cv2.contourArea(..)

• cv2.findContours(..)

Te podstawowe metody nie wystarczyły do osiągnięcia dobrej jakości wykrywania ludzi. Wykorzystano scenariusze z chwiejnym wideo ML (uczenie maszynowe). Zdecydowaliśmy się więc na użycie biblioteki uczenia maszynowego OpenCV i pojawił się kolejny problem, ponieważ znalezienie dobrego wejścia danych dla algorytmu ML było problemem, na który spędziliśmy wiele dni. Użyliśmy algorytmu OpenCV SVM, ale nie działało. Użyliśmy OpenCV Naive Bayses i ten działał OK. Próbowaliśmy wykorzystać sieci neuronowe Tensorflow i CNN, jednak na razie nie udało się. CNN używa dużej mocy obliczeniowej, której nie mieliśmy. Korzystanie z OpenCV ML i podstawowych metod OpenCV pomogło nam osiągnąć dobry wskaźnik wykrywania ludzi. Niemniej jednak dla każdego typu wideo musimy dostosować parametry OpenCV, aby osiągnąć dobry wskaźnik wykrywania ludzi i uniknąć fałszywych alarmów. W połowie tych dwóch miesięcy rozwinęliśmy nasz pierwszy pomysł, aby zrobić centrum gromadzenia danych, a nie tylko liczba pasażerów i lokalizacja GPS. Zdecydowaliśmy się zbierać dane, a nie za pomocą innych czujników, takich jak temperatura itp. Stworzyliśmy plik.ini, aby sparametryzować aplikację i uczynić ją konfigurowalną. W pliku Cambus.ini możesz konfigurować aplikację na wiele sposobów.

Krok 7: Wyniki i przyszła praca

Jak widać na filmie, licznik działa dokładnie. Niebieskie linie oznaczają limit wejścia, a czerwona linia limit wyjścia. W tym przypadku do symulacji użyto wideo, ponieważ nie mogliśmy go wdrożyć na magistrali.

Pamiętaj, że musisz wprowadzić pewne zmiany w twoich warunkach dotyczących rozmiaru wideo, kąta kamery, jasności itp. Każdy typ wideo musi mieć własne parametry, takie jak tło ssące jądra opencv i tak dalej.

Proszę również zmienić zmienne na cambus.ini, wskazując brokera MQTT i tak dalej.

Rozważamy w przyszłych wdrożeniach dodanie czujników, na przykład temperatury, wilgotności i CO2 w systemie. Chodzi o to, aby dane dotyczące miast były dostępne dla społeczności.

Poniżej wyliczamy kolejne kroki, które możesz ulepszyć projekt:

• Przepisz kod używając C/C++;
• Popraw algorytm ML;
• Refaktoryzacja kodu Pythona;
• Wdrożenie do autobusu;

Dziękujemy Embarcados i Qualcomm za udzielone wsparcie.

Współpracownicy:

Bruno Monteiro - [email protected]

Kleber Drobowok - [email protected]

Winicjusz de Oliveira - [email protected]

Krok 8: Referencje

[1]

[2]

[3]

[4]

[5]