可以检测鸽子并在Raspberry Pi上运行的系统

描述

抽象的

主要目标是开发一个系统，该系统可以检测鸽子并在 Raspberry Pi 上运行。它应该能够触发输出来吓跑鸽子。

为什么我们要吓跑鸽子？

这主要有两个原因：首先，想象自己在一个阳光明媚的星期天睡觉。你度过了艰难的一周，想晚睡。一切都很好，直到你突然被烦人的鸽子声吵醒。睡眠消失了，你的好心情也消失了。

其次，如果您想通过喂食帮助较小的鸟类生存，您可能已经认识到鸽子并不遥远。你可以填满喂食器，一天后它是空的，因为一些饥饿的鸽子无法抑制。

为了在不吓跑“通缉”鸟类的情况下解决这个问题，我们开发了这个很酷的项目。

基本理念

在确定了我们要开发的基本系统之后，我们考虑了我们要使用什么硬件，以及哪些硬件可以在没有电源插头的情况下在户外使用。我们选择使用的硬件很快就被发现了——带有英特尔神经计算棒的 Raspberry Pi 3 B+。

我们想区分鸽子和所有其他鸟类。因此，有必要训练一个只检测鸽子的 TensorFlow 模型。

介绍

该项目是作为“应用人工智能”讲座的内容而创建的，由埃斯林根应用科学大学的 Dionysios Satikidis 和 Jan Seyler 监督。所有硬件均由讲师提供。本文在全栈调查的背景下涵盖了 AI 应用程序和模型的设计、实施和测试方面。

以下步骤将为您简要概述必要的步骤。有关更多详细信息，请查看我们 Github 页面上的 README.md。

I.收集数据来训练我们自己的目标检测器

首先，我们从谷歌收集了鸽子的图像。由于结果不够令人满意，我们使用了一个触发运动的相机来拍摄鸽子在“真实”环境中的图像。

在收集了足够多的图像之后，是该项目最有趣的部分了：标记图像，以便对象检测器知道鸽子的样子。

经过数小时的工作，我们完成了这些图片，并可以开始训练我们自己的物体检测器。

二、使用 TensorFlow 对象检测 API 训练对象检测器

实际训练是在带有 GPU 的笔记本电脑上完成的。培训过程大约需要5-6个小时。这部分的结果是基于预训练模型的自定义训练对象检测器。

构成我们鸽子检测器基础的预训练模型称为“ssd_inception_v2_coco”。我们选择这个是因为它是一个非常轻量级的模型，因此速度很快，可以为我们的用例提供足够的准确性。

在训练机器上测试我们的模型后，我们必须将其转换为与 Raspberry Pi 上的英特尔神经计算棒一起使用。

三、使用NCS2转换模型以在 Raspberry 上使用它

神经计算棒无法直接运行 TensorFlow 模型。您必须首先将它们转换为 NCS2 可以理解的格式。英特尔为此提供了一个名为“模型优化器”的程序。它基本上采用 TF 模型并将其转换为 NCS2 的架构。

四。关键时刻

终于到了这一刻。我们将经过训练的模型复制到 Raspberry Pi 上。在这里你可以看到结果：

五、保卫鸟屋

现在我们能够检测到鸽子，我们可以触发 Raspberry Pi 上的一个 GPIO。每当检测到鸽子时，我们都会打开一个小 LED 和蜂鸣器。但可能性是无穷无尽的。

六、产品的适应性方面

我们实施这个项目的方式使得连接用户想要使用的每个执行器变得非常容易。用户不限于坚持使用 LED 或小型扬声器。此外，用户可以轻松地在自定义数据集上重新训练模型，使其检测用户想要检测的任何对象。