[PYTHON] Visualisieren Sie mit OpenCV den Wertschätzungsstatus von Kunstwerken
Überblick
- Ein Fukuoka-Künstler bat darum, ein System zu schaffen, das den Wert von Kunstwerken visualisiert.
- Wir haben untersucht, wie viele Personen und wie lange das Kunstwerk mit dem billigsten System angezeigt werden kann.
- RaspberryPi wurde vor dem Bildmaterial installiert und die Zeit für die Gesichtserkennung durch OpenCV wurde akkumuliert.
- Ambient (https://ambidata.io) wurde als Datenvisualisierungsdienst verwendet.
- Daten wurden über Wifi von Raspberry Pi hochgeladen.
- Ich habe beschlossen, keine Kamerabilder ins Internet zu senden, sondern nur numerische Daten.
Es scheint, dass es in der Startup-Support-Einrichtung FGN (https://growth-next.com) in Fukuoka City installiert und betrieben wurde.
Was vorzubereiten?
- Raspberry Pi3 Model B (4 ist wahrscheinlich in Ordnung)
- Fall für Raspberry Pi
- Kühlkörper für Raspberry Pi
- Raspberry Pi3 Modell B B + kompatibles Netzteil (5V 3.0A)
- Kamera für Himbeer-Pi
- Monitor oder Fernseher mit HDMI-Eingang
- 100 Yen Shop Stativ
Vorbereitung
- Richten Sie Raspberry Pi so ein, dass Sie eine Verbindung zu Wifi herstellen können. https://www.raspberrypi.org/downloads/
- Stellen Sie die Bibliotheken OpenCV und Ambient (IoT Visualization Service) zur Verfügung.
- Erstellen Sie ein Dashboard in Ambient und erhalten Sie die Kanal-ID und den Schreibschlüssel. https://ambidata.io/refs/python/
Programmierung
- Verwendet OpenCV- und Ambient-Bibliotheken (IoT Visualization Service)
- Gesichtserkennungsrahmen, Anzahl der Besuche alle 5 Minuten, Gesamtaufenthaltszeit überlagert das Kamerabild
- Anzahl der Besuche alle 5 Minuten, Gesamtaufenthaltsdauer Zur Visualisierung an Ambient senden
- Die Anzahl der Besuche wird ungefähr ab dem Zeitpunkt geschätzt, an dem das Gesicht erkannt wurde.
- Da es sich um eine Ausstellung für ca. 3 Wochen handelte, haben wir auch die CPU-Temperatur erfasst und an Ambient gesendet.
detect_face_camera.py
import sys
sys.path.append('/home/pi/.local/lib/python2.7/site-packages')
import numpy as np
import cv2
import time
import datetime
import ambient
args = sys.argv
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
eye_cascade = cv2.CascadeClassifier('haarcascade_eye.xml')
cap = cv2.VideoCapture(0)
flg = 0
stime = 0
am = ambient.Ambient(xxxx, 'xxxxxxxxxxxxxxxx') #Umgebungskanal-ID/Lichtschlüssel(Anzahl der Besuche / Aufenthaltszeit)
am2 = ambient.Ambient(xxxx, 'xxxxxxxxxxxxxxxx') #Umgebungskanal-ID/Lichtschlüssel(CPU-Temperatur)
acnt = 0
while(True):
t3 = time.time()
cnt = 0
ret, frame = cap.read()
#Holen Sie sich die Höhe und Breite des geladenen Bildes
height = frame.shape[0]
width = frame.shape[1]
import sys
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray, 1.3, 5)
for (x,y,w,h) in faces:
t1 = time.time()
cv2.rectangle(frame,(x,y),(x+w,y+h),(152,145,234),2)
roi_gray = gray[y:y+h, x:x+w]
roi_color = frame[y:y+h, x:x+w]
eyes = eye_cascade.detectMultiScale(roi_gray)
cnt += 1
for (ex,ey,ew,eh) in eyes:
cv2.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(108,97,232),2)
t2 = time.time()
stime += (t2 - t1) * 1000 / 60
acnt = acnt + cnt
cv2.putText(frame, 'count: ' + str(acnt / 100), (10, 420), cv2.FONT_HERSHEY_DUPLEX, 1.0, (0,255,0), thickness=2)
cv2.putText(frame, 'stay[sec]: ' + str('{:.1f}'.format(stime)), (10, 460), cv2.FONT_HERSHEY_DUPLEX, 1.0, (0,255,0), thickness=2)
cv2.putText(frame, 'senseart v.0.0.1b', (410, 20), cv2.FONT_HERSHEY_PLAIN, 1.5, (0,255,0), thickness=2)
resized_img = cv2.resize(frame,(width*2, height*2))
cv2.imshow('senceart (v.0.0.1 beta)', resized_img)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
t4 = time.time()
f = open("/sys/class/thermal/thermal_zone0/temp","r") #CPU-Temperatur
for t in f:
tmp = t[:2]+"."+t[2:5]
f.close()
fps = cap.get(cv2.CAP_PROP_FPS)
now = datetime.datetime.now()
minute = '{0:%M}'.format(now)
second = '{0:%S}'.format(now)
print('count', acnt / 100)
print('stay', stime)
print("minute", minute)
print("second", second)
print("temp", tmp)
print("\n")
if int(minute) % 5 == 0 and int(second) == 0:
r = am.send({'d1': acnt / 100, 'd2': stime}) #Senden Sie Besuche und Aufenthaltsdauer an Ambient
r = am2.send({'d1': tmp}) #Senden Sie die CPU-Temperatur an Ambient
r.close()
acnt = 0
cnt = 0
print("******************sended*****************\n")
continue
if int(minute) % 10 == 0 and int(second) == 0:
r = am.send({'d1': acnt / 100, 'd2': stime}) #Senden Sie Besuche und Aufenthaltsdauer an Ambient
r = am2.send({'d1': tmp}) #Senden Sie die CPU-Temperatur an Ambient
r.close()
acnt = 0
cnt = 0
print("******************sended*****************\n")
continue
cap.release()
- Platzieren Sie ein Shell-Skript auf dem Desktop von RaspberryPi, damit das Python-Programm gestartet werden kann.
- Doppelklicken Sie als Vor-Ort-Vorgang auf das Symbol, um es zu starten.
senceart.sh
#! /bin/bash
cd /home/pi/opencv_programs/
sudo python3 detect_face_camera.py
wichtiger Punkt
- Anfangs war ich mit dem öffentlichen kostenlosen WLAN (ohne zeitliche Begrenzung) in Fukuoka City verbunden, aber ich wechselte zum WLAN-Router, da dieser innerhalb weniger Tage getrennt wurde. (Ursache unbekannt…)
- Für die Fernwartung ist eine Fernbedienungssoftware wie VNC erforderlich (diesmal Hiroshima → Fukuoka).
- Eine Maus, eine Tastatur und ein Handbuch sind erforderlich, damit die Mitarbeiter der örtlichen Einrichtung Probleme in gewissem Umfang lösen können.
Versuchen Sie es mit
- Es ging nur einmal in 3 Wochen runter, aber es bewegte sich fast stabil.
- Da es experimentell war, ist die Logik der Anzahl der Besuche nicht vollständig. Die Feldüberprüfung muss mehrmals durchgeführt werden.
- Ich konnte nicht sagen, dass der Betrieb leicht war, daher bin ich gespannt, wie viel Leistung mit Raspberry Pi 4 verbessert wird.
Recommended Posts