[PYTHON] Visualisez le statut d'appréciation des œuvres d'art avec OpenCV
Aperçu
- Un artiste de Fukuoka a demandé à créer un système qui visualise la valeur des œuvres d'art.
- Nous avons examiné le nombre de personnes et la durée de visualisation de l'œuvre d'art avec le système le moins cher possible.
- RaspberryPi a été installé devant l'œuvre d'art et le temps de détection des visages par OpenCV s'est accumulé.
- Ambient (https://ambidata.io) a été utilisé comme service de visualisation de données.
- Les données ont été téléchargées via Wifi de Raspberry Pi.
- J'ai décidé de ne pas envoyer d'images de caméra sur Internet, mais uniquement d'envoyer des données numériques.
Il semble qu'il ait été installé et exploité dans l'installation de soutien aux startups FGN (https://growth-next.com) à Fukuoka City.
Quoi préparer
- Raspberry Pi3 modèle B (4 est probablement correct)
- Cas pour Raspberry Pi
- Dissipateur de chaleur pour Raspberry Pi
- Raspberry Pi3 modèle B B + ensemble d'alimentation compatible (5V 3.0A)
- Caméra pour raspberry Pi
- Moniteur ou téléviseur avec entrée HDMI
- Trépied de magasin de 100 yens
Préparation
- Configurez Raspberry Pi pour pouvoir vous connecter au Wifi. https://www.raspberrypi.org/downloads/
- Rendre les bibliothèques OpenCV et Ambient (service de visualisation IoT) disponibles.
- Créez un tableau de bord dans Ambient et obtenez l'ID de canal et la clé d'écriture. https://ambidata.io/refs/python/
la programmation
- Utilise les bibliothèques OpenCV et Ambient (service de visualisation IoT)
- Cadre de détection de visage, nombre de visites toutes les 5 minutes, temps de séjour total superposé à l'image de la caméra
- Nombre de visites toutes les 5 minutes, durée totale du séjour Envoyer à Ambient pour visualisation
- Le nombre de visites est approximativement estimé à partir du moment où le visage a été détecté.
- Comme il s'agissait d'une exposition pendant environ 3 semaines, nous avons également acquis la température du processeur et l'avons envoyée à Ambient.
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') #ID de canal ambiant/Touche lumière(Nombre de visites / durée du séjour)
am2 = ambient.Ambient(xxxx, 'xxxxxxxxxxxxxxxx') #ID de canal ambiant/Touche lumière(Température du CPU)
acnt = 0
while(True):
t3 = time.time()
cnt = 0
ret, frame = cap.read()
#Obtenez la hauteur et la largeur de l'image chargée
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") #Température du CPU
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}) #Envoyer les visites et la durée du séjour à Ambient
r = am2.send({'d1': tmp}) #Envoyer la température du processeur à la température ambiante
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}) #Envoyer les visites et la durée du séjour à Ambient
r = am2.send({'d1': tmp}) #Envoyer la température du processeur à la température ambiante
r.close()
acnt = 0
cnt = 0
print("******************sended*****************\n")
continue
cap.release()
- Placez un script shell sur le bureau de RaspberryPi afin que le programme Python puisse être démarré.
- En tant qu'opération sur site, double-cliquez sur l'icône pour la démarrer.
senceart.sh
#! /bin/bash
cd /home/pi/opencv_programs/
sudo python3 detect_face_camera.py
point important
- Au départ, j'étais connecté au Wifi public gratuit (sans limite de temps) à Fukuoka City, mais je suis passé au routeur Wifi car il était déconnecté en quelques jours. (Cause inconnue…)
- Un logiciel de commande à distance tel que VNC est requis pour la maintenance à distance (Hiroshima → Fukuoka cette fois).
- Une souris, un clavier et un manuel sont nécessaires pour que le personnel local puisse gérer les problèmes dans une certaine mesure.
Essayez d'utiliser
- Il n'a baissé qu'une seule fois en 3 semaines, mais il s'est déplacé presque de manière stable.
- Puisqu'il était expérimental, la logique de comptage du nombre de visites n'est pas complète. Il est nécessaire d'effectuer plusieurs vérifications sur le terrain.
- Je ne peux pas dire que l'opération était légère, je suis donc curieux de savoir dans quelle mesure les performances seront améliorées avec Raspberry Pi 4.