陈玉莲 连体完整版,北风那个吹在线观看,嫌疑人x的献身 下载
本项目的github链接
本项目是学校项目设计课程内的项目,要求是使用一个基于树莓派的小车来实现一些简单的功能。
本项目适合初次接触树莓派,希望利用树莓派及小车配件实现一些简单功能的同学们。
目前我们实现的功能有:
学校提供的小车的商家是,商家提供了一些使用教程,适合初学,基于c语言,实现了一些简单的红外避障、红外寻迹、超声波避障和摄像头调用。
本项目选用python作为编程语言,有几点原因:python相比较c语言更简明;我们对python的掌握情况更好一些(c语言没学好啊);方便之后使用tensorflow做一些深度学习的功能。但同时带来的缺点就是运行速度会差一点。
下面我们会对小车配置、功能实现和使用方法进行详细的介绍。本文结构如下:
若想成功实现本项目的功能,请:
我们的源代码全部放在pythoncode文件夹内。
我们对每个传感器定义了一个类,放在相应的py文件里,由此可以很清晰方便地对每个传感器进行单独的调试。
名称以main开头的文件是实现相应功能的主程序,在主程序里定义了一个car类,该类继承了所有传感器的类。
商家给树莓派预装了系统,应该是商家自己改过的,也是几年前的了。强烈建议自己将树莓派的系统进行重装(重装后opencv和tensorflow的安装都会简单很多),推荐安装树莓派的官方系统raspbian。安装方法百度一下,教程很多,也很简单。
关于树莓派教程,推荐,里面的教程基本准确好用。
对树莓派进行操作的方法有很多:
我们基本上是使用ssh登录到树莓派进行操作的,也就是使用putty登录。这需要树莓派和pc在同一个局域网下,我们选择让树莓派创建一个wifi热点,然后让pc连接这个wifi热点。方法:创建wifi热点并开机自启动,其中使用了github上一个开源的库create_ap。同时,还要设置热点开机自动启动。另外注意要设置开启树莓派的ssh服务,否则putty连接会显示失败。
使用官方的源因为众所周知的原因会非常慢且不稳定,所以要换成国内的源。
使用最新版树莓派系统,可以直接用pip3安装opencv。
首先需要确定树莓派、驱动板、传感器之间的连线是正确的。
电机相关代码在move.py内。需要注意gpio端口号的设置,python用的是bcm编码。
在move.py中,定义了前进、后退、左转、右转、停车功能。转弯是通过左右轮差速实现的。
超声波相关代码在ultrasound.py内,实现了超声波测距和对测距进行移动平均来减小误差。
红外避障相关代码在infrared.py内,infraredmeasure函数是小车左右的两个红外避障传感器,trackingmeasure是小车底部两个红外寻线传感器。
注意,红外避障传感器传回0表示前方有障碍物,传回1表示前方无障碍物。
调用摄像头需要先在sudo raspi-config
中启用camera,然后重启。
python调用摄像头有两种方式:
我们使用的是picamera方式,因为我们发现使用opencv的方式会有延时,它返回的第一帧图像是在镜头初始化那一刻的图像,而不是主程序请求时的图像。
具体调用方法参考 树莓派(raspberry pi)中picamera+opencv的使用。
摄像头相关代码在camera.py中,其中实现了:
另外注意,程序终止是一定要关闭摄像机(camera.close()),否则下次无法正常打开。
基于超声波和红外,使小车在运行过程中不会撞上障碍物。
主程序为main_obstacle_avoidance.py,其思想很简单,超声波传感器测出小车距离前方障碍物的距离,两边的红外传感器测出两边是否有障碍物,根据测量结果进行运动决策和电机控制。
将树莓派摄像头拍摄到的视频流传到pc端,并在pc端查看。目的是为了便于摄像头姿态的调整和图像处理算法的调试。另外,如果需要的话可以使用传输到pc的图像在pc端进行处理(我们没有实现此功能)。
可选择的传输协议有两种:
我们使用udp传输协议进行图像传输。具体实现主要分为发送端和接收端两部分:
基于视觉,使小车沿车道线行驶。环境要求为白色的地板,黑色(深色)的车道线。
主程序为main_lane_tracking.py,其流程大致如下:
在本实验中,车道线检测部分较容易实现,我们发现,在这种简单的环境下,固定阈值的二值化效果比大津法好。另外,因为我们的车道线偏蓝色,我们选择提取图像的r通道进行二值化。检测效果如图:
运动控制部分相对较为复杂,我们只采用了一个简单的逻辑,效果还可以。
识别并定位摄像头图像中的各类常见物体。
主程序为main_object_detection.py,其调用了tensorflow object detection api,使用了训练好的的ssdlite目标检测模型,在树莓派端进行目标检测。
tensorflow安装方法及tensorflow object detection api配置方法可以完全参考此文档:edjeelectronics/tutorial to set up tensorflow object detection api on the raspberry pi
或者tensorflow object detection api可以直接clone这位的 xyc2690/raspberry_objectdetection_camera,可以不用配置tensorflow object detection api,下载即用。
我们使用的ssdlite模型主要优点是运行速度快、占用内存小,适合在树莓派端进行运算。据我们测试,帧率大概为0.8帧/s。我们使用的是树莓派3,如果是更新的型号,速度会更快一点。
基于摄像头,使小车追踪一个移动的网球,并与网球保持一定距离。
主程序在main_tennis_tracking.py中,网球追踪流程大概如下:
实验显示:
在不同光照条件下,网球的色调(h)基本上保持一致,范围大致在25至50 (opencv范围),在可靠明亮的光照条件下,范围大致在30至40。
网球检测的程序在detect_new.py中,具体流程如下:
经测试,帧率大概在15帧/s。
运动控制的程序在main_tennis_tracking.py中,具体流程如下:
目前存在的问题:
在树莓派终端中输入:
cd pythoncode python3 main_obstacle_avoidance.py
树莓派发送图像,在树莓派终端输入:
cd pythoncode python3 camera.py
同时,如果想在pc端接收图像,在pc终端输入:
cd pythoncode python3 pc_receiver.py
notice:camera.py和pc_receiver.py均需要根据具体情况配置host和post:
在树莓派终端输入:
cd pythoncode python3 main_lane_tracking.py
如果想在pc端接收车道检测图像,则在pc终端输入:
cd pythoncode python3 pc_receiver.py
在树莓派终端中输入:
cd pythoncode python3 main_object_detection.py
如果想在pc端接收图像,则在pc终端输入:
cd pythoncode python3 pc_receiver.py
notice:tensorflow object detection api 和 ssdlite模型并未上传至此仓库,需要自行安装。二者的安装和配置方法请参考此文档:edjeelectronics/tutorial to set up tensorflow object detection api on the raspberry pi
; 或者tensorflow object detection api可以直接clone这位的 xyc2690/raspberry_objectdetection_camera,可以不用配置tensorflow object detection api,下载即用。
在树莓派终端输入:
cd pythoncode python3 main_tennis_tracking.py
如果想在pc端接收网球检测图像,则在pc终端输入:
cd pythoncode python3 pc_receiver.py
all tutorials on raspberry-pi | github
如对本文有疑问,请在下面进行留言讨论,广大热心网友会与你互动!! 点击进行留言回复
Python爬虫:Request Payload和Form Data的简单区别说明
浅谈Python中threading join和setDaemon用法及区别说明
Python3-异步进程回调函数(callback())介绍
python继承threading.Thread实现有返回值的子类实例
Python中使用threading.Event协调线程的运行详解
网友评论