NAIN 1.0 - osnovni humanoidni robot koji koristi Arduino: 6 koraka

2024 Autor: John Day | [email protected]. Zadnja izmjena: 2024-01-30 08:04

Nain 1.0 će u osnovi imati 5 odvojivih modula-

1) Ruka - kojom se može upravljati putem servo pogona.

2) Točkovi - kojima se može upravljati pomoću jednosmernih motora.

3) Noga - Nain će se moći prebacivati između kotača ili nogu radi kretanja.

4) Glava - Glavom se može upravljati za različita klimanja.

5) Modul kamere- koji se može povezati za pristup prepoznavanju lica.

Uz ovaj NAIN će moći razgovarati i komunicirati s korisnicima te vam može pokazati vrijeme pomoću ugrađenog sata. Imat će bežično upravljanje putem Wi-Fi /Bluetooth-a.

Korak 1: Potrebne komponente

1. Servo motori -4
2. Arduino Mega - 1
3. Malina Pi - 1
4. USB kamera -1
5. Zvučnik -1
6. DC motori -2
7. L293D -1
8. Baterija - 1
9. Točkovi -2
10. Kotačići - 2

Zajedno s ovim trebat će vam aluminijske kvadratne trake kako bi tijelo i vijci i matice pravilno pristajali.

Korak 2: Građa tijela

Struktura karoserije bit će izrađena od lakih aluminijskih kvadratnih šipki koje će joj pomoći pri jednostavnom sastavljanju.

Do sada ih sastavite kao što je prikazano na slici, a također izrežite odgovarajuće prostore za postavljanje servo motora u ruke.

Pričvrstite šesterokutnu drvenu podlogu na dno.

Ispod drvene podloge pričvrstite istosmjerne motore i kotače kao što to činimo u bilo kojem robotu za praćenje linija.

Zanimljivo je da dodate dva kotača- jedan sprijeda, a drugi straga robota.

Korak 3: Ožičenje i kodiranje

Za povezivanje različitih modula pogledajte kodove dodane u ovom dijelu.

Prvo smo testirali svaki modul pomoću samostalnih kodova, a zatim smo ih sve spojili u jedan i kontrolirali kretanje kotača i ruke pomoću bluetooth modula.

Korak 4: Raspberry Pi i prepoznavanje slike

Prepoznavanje slike vrši se pomoću USB kamere i Raspberry Pi.

Za to ćete morati instalirati OTVORENU biblioteku životopisa na svoj Pi.

To možete učiniti odavde-https://github.com/jabelone/OpenCV-for-Pi

Tada ćete morati izvršiti prepoznavanje slike pomoću haar kaskade.

To možete učiniti odavde -https://thecodacus.com/category/opencv/#. WvsNC4iFPDc

Nakon što sam proučio gornju vezu i slijedio to, napravio sam neke promjene u konačnom kodu koji sam koristio, a koji lijepim ispod -

GENERATOR PODATAKA:

importcv2

cam = cv2. VideoCapture (0)

detektor = cv2. CascadeClassifier ('Klasifikatori/face.xml')

i = 0

pomak = 50

name = raw_input ('unesite svoj ID')

dok je True:

ret, im = cam.read ()

siva = cv2.cvtBoja (im, cv2. COLOR_BGR2GRAY)

lica = detektor.detectMultiScale (sivo, scaleFactor = 1.2, minNeighbors = 5, minSize = (100, 100), zastavice = cv2. CASCADE_SCALE_IMAGE)

za (x, y, w, h) u licima:

i = i+1

cv2.imwrite ("set podataka/lice."+ime+'.'+str (i)+".jpg", sivo [y-pomak: y+h+pomak, x-pomak: x+w+pomak])

cv2.rectangle (im, (x-50, y-50), (x+w+50, y+h+50), (225, 0, 0), 2)

cv2.imshow ('im', im [y-pomak: y+h+pomak, x-pomak: x+w+pomak])

if cv2.waitKey (100) & 0xFF == ord ('q'):

break

# prekid ako je uzorak veći od 20

elif (i> 20):

break

cam.release ()

cv2.destroyAllWindows ()

To će stvoriti skup vaših fotografija koje će se koristiti za provjeru autentičnosti.

TRENER:

importcv2, os

uvoz numpy kao np

from PIL import Image

prepoznavač = cv2.face.createLBPHFaceRecognizer ()

cascadePath = "Klasifikatori/face.xml"

faceCascade = cv2. CascadeClassifier (cascadePath);

path = 'set podataka'

def get_images_and_labels (putanja):

image_paths = [os.path.join (path, f) za f u os.listdir (path)]

# slika će sadržavati slike lica

slike =

# naljepnica će sadržavati oznaku dodijeljenu slici

oznake =

za image_path u image_paths:

# Pročitajte sliku i pretvorite je u sive

image_pil = Image.open (image_path).convert ('L')

# Pretvorite format slike u numpy niz

image = np.array (image_pil, 'uint8')

# Dobijte oznaku slike

nbr = int (os.path.split (image_path) [-1].split (".") [1].replace ("face-", ""))

#nbr = int (''. join (str (ord (c)) za c u nbr))

print br

# Prepoznajte lice na slici

lica = faceCascade.detectMultiScale (slika)

# Ako se lice otkrije, dodajte lice slikama, a oznaku oznakama

za (x, y, w, h) u licima:

images.append (slika [y: y + h, x: x + w])

labels.append (nbr)

cv2.imshow ("Dodavanje lica u set za praćenje …", slika [y: y + h, x: x + w])

cv2.waitKey (10)

# vraća listu slika i oznaka

povratne slike, naljepnice

slike, oznake = get_images_and_labels (putanja)

cv2.imshow ('test', slike [0])

cv2.waitKey (1)

prepoznavač.train (slike, np.array (oznake))

prepoznavač.save ('trener/trener.yml')

cv2.destroyAllWindows ()

DETEKTOR

importcv2

uvoz numpy kao np

import os

c = 0

prepoznavač = cv2.face.createLBPHFaceRecognizer ()

prepoznavač.load ('trener/trener.yml')

cascadePath = "Klasifikatori/face.xml"

faceCascade = cv2. CascadeClassifier (cascadePath);

cam = cv2. VideoCapture (0)

fontface = cv2. FONT_HERSHEY_SIMPLEX

font font = 1

fontcolor = (255, 255, 255)

dok je True:

ret, im = cam.read ()

siva = cv2.cvtBoja (im, cv2. COLOR_BGR2GRAY)

lica = faceCascade.detectMultiScale (sivo, 1.2, 5)

za (x, y, w, h) u licima:

cv2.rectangle (im, (x-50, y-50), (x+w+50, y+h+50), (225, 0, 0), 2)

Id = prepoznavač.predvidi (sivo [y: y+h, x: x+w])

if (Id <70):

if (Id == 1):

Id = "Shashank"

elif (Id == 2):

ako (c == 0):

Id = "Shivam"

c = c+1

os.system ("espeak 'Welcome Shivam Access Granted'"))

drugo:

Id = "Shivam"

drugo:

Id = "Nepoznato"

cv2.putText (im, str (Id), (x, y+h), font fonta, skala slova, boja fonta)

cv2.imshow ('im', im)

if cv2.waitKey (10) & 0xFF == ord ('q'):

break

cam.release ()

cv2.destroyAllWindows ()

Korak 5: LCD i zvučnik

Koristio sam i I2C LED ekran i zvučnik.

LED dioda se kontrolira putem Arduino Mega i njen kôd je dat u konačnom kodu.

Za Speaker, povezan je s Raspberry Pi i koristi eSpeak Utility.

Referencu možete pronaći ovdje-https://www.dexterindustries.com/howto/make-your-raspberry-pi-speak/

Korak 6: Završni koraci

Sastavite sve i spremite se za prasak.