Sistem Keselamatan Pengecaman Muka untuk Peti Sejuk Dengan Raspberry Pi: 7 Langkah (dengan Gambar)

2024 Pengarang: John Day | [email protected]. Diubah suai terakhir: 2024-01-30 11:10

Semasa melayari internet, saya mendapati bahawa harga untuk sistem keselamatan berbeza dari 150 $ hingga 600 $ ke atas, tetapi tidak semua penyelesaian (malah yang sangat mahal) dapat disatukan dengan alat pintar lain di rumah anda! Contohnya, anda tidak boleh memasang kamera keselamatan di pintu depan anda sehingga secara automatik membuka pintu untuk anda atau rakan anda!

Saya telah memutuskan untuk membuat penyelesaian yang mudah, murah dan hebat, yang boleh anda gunakan di mana sahaja! Terdapat banyak manual mengenai cara membuat sistem keselamatan yang murah dan buatan sendiri, namun saya ingin menunjukkan penggunaannya yang sangat tidak biasa - sistem keselamatan untuk peti sejuk dengan pengecaman wajah!

Bagaimanakah ia berfungsi? Kamera IP yang diletakkan di bahagian atas peti sejuk, sensor (dua butang) mengesan ketika seseorang membuka pintu peti sejuk, setelah itu Raspberry Pi mengambil gambar orang itu (dengan kamera IP), kemudian mengirimkannya ke Microsoft Face API untuk menganalisis gambar dan menerima nama orang tersebut. Dengan maklumat ini Raspberry Pi mengimbas "senarai akses": jika orang tersebut tidak mempunyai kebenaran untuk mengakses peti sejuk, Raspberry memberitahu pemiliknya melalui e-mel, pesanan teks dan twitter! (Lihat gambar di atas)

Kenapa? Sistem ini membolehkan anda mengawal ahli keluarga anda, terutamanya ketika mereka sedang menjalani diet, atau tidak mahu makan selepas tengah malam! Atau gunakannya hanya untuk keseronokan!

Lebih-lebih lagi, anda sebenarnya boleh memasang kamera di pintu depan anda dan mengkonfigurasi sistem untuk membuka pintu ketika anda, ahli keluarga atau rakan anda menghampiri. Dan ini bukan penghujungnya! Kemungkinan aplikasi tidak berkesudahan!

Mari kita mulakan!

Langkah 1: Persiapan

Anda perlu:

• Raspberry Pi 3 (anda boleh menggunakan versi lama, tetapi generasi ketiga mempunyai Wi-Fi, jadi sangat mudah)
• Butang
• Wayar
• Kamera Telefon Pintar atau Raspberry Pi lama

Perkara pertama yang harus anda lakukan ialah mengkonfigurasi Raspberry Pi anda. Arahan terperinci tentang cara melakukannya yang anda dapati di sini dan di sini, tetapi kami akan merangkumi langkah-langkah terpenting dalam manual ini.

1. Muat turun Win32 DiskImager dari sini (jika anda menggunakan Windows)
2. Muat turun SD Formatter dari sini
3. Masukkan kad SD ke dalam komputer anda dan format dengan SD Formatter
4. Muat turun Gambar Raspbian dari sini (Pilih "Raspbian Jessie dengan piksel")
5. Jalankan Win32 DiskImager, pilih kad SD anda, tentukan jalan ke gambar Raspbian, klik "Tulis"
6. Masukkan kad SD ke dalam Raspberry Pi anda dan hidupkan!

Selain itu, anda perlu mengkonfigurasi Pi Raspberry anda untuk mempunyai akses ke sistem melalui SSH. Terdapat banyak arahan di internet, anda boleh menggunakan ini, misalnya, atau anda boleh melampirkan monitor dan papan kekunci.

Sekarang Pi anda dikonfigurasi dan anda sudah bersedia untuk meneruskan!

Langkah 2: Membuat Sensor

Langkah Penerangan: Pada langkah ini kita akan membuat sensor yang dapat mengesan bila orang membuka pintu peti sejuk dan mengaktifkan Raspberry Pi.

Untuk menyiapkannya, anda memerlukan 2 butang yang telah anda sediakan. Butang pertama akan mengesan ketika pintu dibuka, butang kedua akan mengesan ketika pintu dibuka ke titik ketika kita mengambil gambar seseorang.

1. Kabel pateri ke butang.
2. Pasang butang pertama ke pintu peti sejuk sehingga ditekan ketika pintu ditutup (lihat gambar di atas)
3. Pasang butang kedua ke pintu peti sejuk seperti yang ditunjukkan pada foto di atas. Butang ini mesti dilepaskan setiap saat, kecuali ketika pintu mencapai titik ketika sistem mengambil gambar. Untuk memasangnya, anda perlu melekatkan sesuatu ke peti sejuk anda sehingga butang ini ditekan ketika pintu dibuka pada tahap yang diinginkan (lihat foto di atas).
4. Pasang wayar dari butang ke Raspberry Pi: butang pertama ke GPIO 23 dan tanah, butang kedua ke GPIO 24 dan tanah (Lihat gambar rajah fritzing).

Catatan: Saya menggunakan pinout BCM (bukan Board), lebih banyak mengenai perbezaan yang dibaca di sini.

Setelah disambungkan ke Raspberry Pi anda melalui SSH, untuk menjalankan shell python, ketik terminal:

ular sawa3

Sekiranya anda memasang monitor dan papan kekunci ke Raspberry Pi, jalankan "Python 3 IDLE" dari menu.

Langkah seterusnya adalah membuat Raspberry Pi berfungsi dengan butang. Kami akan melampirkan pendengar khas ke GPIO 23 dan 24 pin, yang akan mendengar acara "naik tepi" dan acara "jatuh tepi" pada pin tersebut. Sekiranya berlaku, pendengar akan memanggil fungsi yang telah kita tentukan. "Rising edge" bermaksud bahawa tombol itu ditekan dan sekarang dilepaskan (tombol pertama - pintu dibuka), "tepi jatuh" bermaksud bahawa tombol dilepaskan dan sekarang ditekan (tombol kedua - pintu telah mencapai titik tertentu). Lebih banyak mengenai fungsi butang - di sini.

Pertama, import perpustakaan yang memberi kita akses ke pin:

import RPi. GPIO sebagai GPIO

Sekarang tentukan fungsi khas yang akan dipanggil ketika acara dipicu:

sensor def1 (saluran): cetak ("sensor 1 dipicu") def sensor2 (saluran): cetak ("sensor 2 dipicu)

Tetapkan jenis pinout:

GPIO.setmode (GPIO. BCM)

Konfigurasikan pin:

GPIO.setup (23, GPIO. IN, pull_up_down = GPIO. PUD_UP) GPIO.setup (24, GPIO. IN, pull_up_down = GPIO. PUD_UP)

Lampirkan pendengar:

GPIO.add_event_detect (23, GPIO. RISING, callback = sensor1, bouncetime = 300) GPIO.add_event_detect (24, GPIO. FALLING, callback = sensor2, bouncetime = 300)

Sekarang anda boleh mengujinya! Jika anda menekan butang 1, anda akan melihat pesan di terminal "sensor 1 dipicu", butang 2 memberi anda pesan "sensor 2 dipicu".

Catatan: Apabila anda selesai melakukan eksperimen, jangan lupa memanggil fungsi berikut: GPIO.cleanup ().

Mari sediakan satu lagi fungsi yang dipanggil ketika pintu mencapai titik di mana kita mengambil gambar! Anda boleh melakukannya sendiri atau menggunakan pelaksanaan saya yang saya lampirkan di sini (sensor.py)

Catatan: sensor.py hanya digunakan untuk tujuan ujian, fail dengan fungsi penuh yang telah saya lampirkan ke langkah terakhir.

Langkah 3: Konfigurasikan Kamera IP

Huraian langkah: Sekarang kita akan mengkonfigurasi telefon pintar lama sebagai kamera IP.

Menggunakan telefon pintar sebagai kamera IP dilakukan melalui aplikasi. Terdapat aplikasi yang berbeza untuk Android, iOS, Windows Phone yang dapat anda gunakan. Saya memilih yang dipanggil "IP Webcam" untuk Android. Ini adalah aplikasi percuma dan senang dikonfigurasikan.

Jalankan aplikasinya, pergi ke "Pilihan video" untuk mengatur resolusi foto yang akan diberikan oleh aplikasi. Kemudian ketik "Mula pelayan" (Gambar pertama di atas). Di bahagian bawah skrin anda mesti melihat alamat ip cam (Lihat gambar kedua di atas). Dalam penyemak imbas anda boleh menaip https://cam_ip_address/photo-j.webp

Akhirnya, pasangkan kamera ke peti sejuk (Gambar terakhir di atas).

Langkah 4: API Wajah

Langkah Penerangan: Pada langkah ini kita akan membincangkan tentang Microsoft Face API yang melakukan pengecaman wajah dan mengenal pasti orang.

Microsoft Face API adalah perkhidmatan pengecaman wajah, di mana kita dapat menganalisis foto dan mengenal pasti orang di dalamnya.

Pertama, anda memerlukan Akaun Microsoft Azure. Sekiranya anda tidak memilikinya, anda boleh membuatnya secara percuma di sini.

Kedua, pergi ke https://portal.azure.com, klik "Baru" di sebelah kiri, masukkan borang "API Perkhidmatan Kognitif", pilih dan klik "Buat". Atau anda boleh membuka pautan ini. Sekarang anda perlu memasukkan Nama perkhidmatan anda, pilih jenis langganan, jenis API yang anda perlukan (dalam kes kami adalah API Wajah), lokasi, tahap harga, kumpulan sumber dan bersetuju dengan Syarat Undang-undang (lihat tangkapan skrin yang ditambahkan pada langkah ini).

Ketiga, klik "Semua sumber", pilih perkhidmatan Face API dan lihat statistik penggunaan, kelayakan, dll.

Perincian API Wajah boleh didapati di sini, contoh dalam bahasa pengaturcaraan yang berbeza disediakan. Untuk projek ini kami menggunakan python. Anda boleh membaca dokumentasi dan membuat set fungsi anda sendiri atau anda boleh menggunakan yang disediakan di sini (ini bukan set fungsi yang disediakan oleh Microsoft, hanya perkara yang diperlukan untuk projek ini). Fail python saya dilampirkan pada langkah ini.

Mari beralih ke struktur kerja dengan Face API. Untuk menggunakan fungsi "Identification" kita harus membuat perpustakaan orang yang menggunakan perkhidmatan Face API mana yang akan mengenali foto yang diambil oleh aplikasi. Untuk menyiapkannya, ikuti langkah-langkahnya:

1. Buat Kumpulan
2. Tambahkan Orang ke Kumpulan ini
3. Tambah wajah orang ini
4. Melatih kumpulan
5. Kirimkan foto dengan orang yang ingin anda kenali (anda harus memberikan foto dan id kumpulan di mana perkhidmatan akan mencari calon)
6. Hasilnya: Sebagai tindak balas anda akan mendapat senarai calon yang boleh berada di foto yang anda kirimkan.

Saya telah membuat tiga fail dengan fungsi tertentu yang memungkinkan untuk bekerja dengan kumpulan, satu orang dan foto tunggal:

• PersonGroup.py - mengandungi ciri yang membolehkan: membuat kumpulan, mendapatkan maklumat mengenai kumpulan, mendapatkan senarai semua kumpulan anda, melatih kumpulan dan mendapatkan status latihan
• Person.py - mengandungi ciri-ciri yang membolehkan: membuat orang, mendapatkan maklumat orang, menyenaraikan semua orang dalam kumpulan tertentu, menambah wajah kepada orang yang ditentukan
• Face.py - mengandungi ciri yang membolehkan: mengesan wajah pada gambar, mengenal pasti orang, mendapatkan nama orang yang dikenal pasti

Dalam fail yang disebut "recognition.py", saya menyediakan ciri yang membolehkan anda memeriksa sama ada gambar mengandungi wajah dan menambahkan wajah kepada orang yang ditentukan (secara automatik menambahkan wajah dari banyak gambar dari folder yang ditentukan).

Muat turun fail yang dilampirkan pada langkah ini, bongkar, ubah pemboleh ubah global 'KEY' dalam ketiga-tiga fail ini: PersonGroup.py, Person.py dan Face.py kepada anda sendiri kunci yang anda dapati: portal.azure.com> semua sumber > perkhidmatan api muka (atau bagaimana anda memanggilnya)> tab kekunci. Anda boleh menggunakan salah satu daripada dua kekunci.

Catatan: di sini kita akan melatih perkhidmatan Face API untuk mengenali orang, jadi tindakan berikut dapat dilakukan dari komputer mana pun (Raspberry Pi tidak diperlukan untuk itu) - perubahan disimpan di pelayan Microsoft.

Setelah menukar KEY, jalankan recognition.py dan masukkan arahan berikut dalam shell python:

PersonGroup.create ("keluarga", 'fff-fff')) // anda boleh menggunakan nama dan id anda sendiri untuk

kumpulan cetakResJson (PersonGroup.getPersonGroup ('fff-fff'))

Anda mesti melihat data mengenai kumpulan yang baru anda buat. Sekarang masukkan:

printResJson (Person.createPerson ('fff-fff', 'nama orang'))

Kini anda mendapat ID orang. Buat folder dengan gambar orang ini supaya semua gambar mengandungi wajah orang ini. Anda boleh menggunakan fungsi DetectFaceOnImages di recognition.py yang menunjukkan kepada anda gambar foto mana yang dikesan. Sekarang, jalankan arahan:

addFacesToPerson ('folder dengan gambar', 'ID orang yang anda dapat setelah arahan sebelumnya', 'fff-fff')

Kemudian kita harus melatih perkhidmatan kita dengan memasukkan yang berikut:

PersonGroup.trainPersonGroup ('fff-fff') printResJson (PersonGroup.getPersonGroupTrainingStatus ('fff-fff'))

Kini kumpulan kami terlatih dan bersedia untuk mengenal pasti seseorang.

Untuk memeriksa gambar seseorang, anda boleh:

Face.checkPerson (gambar, 'fff-fff')

Sebagai tindak balas anda akan mendapat senarai calon dan kebarangkalian yang ada di foto.

Catatan: setiap kali anda menambahkan wajah kepada orang atau orang ke kumpulan, anda mesti melatih kumpulan itu!

Langkah 5: Konfigurasi Node-Red

Langkah Penerangan: Pada langkah ini, kami akan membuat aliran Node-Red yang akan memberitahu anda mengenai pelanggaran akses ke peti sejuk anda =)

Sekiranya Raspberry Pi anda menggunakan Raspbian Jessie November 2015 atau versi yang lebih baru, anda tidak perlu memasang Node-Red, kerana sudah terpasang. Anda hanya perlu mengemas kini. Sila gunakan manual di sini.

Sekarang, kita harus memasang nod Twilio ke Node-Red, sehingga kita dapat mencetuskan pesanan teks. Buka terminal dan taip:

cd ~ /.node-rednpm pasang node-red-node-twilio

Lebih lanjut mengenai nod Twilio di sini. Selepas itu, jalankan Node-Red dengan menaip ke terminal:

simpul-merah

Kemudian pergi ke: https://127.0.0.1:1880/ - jika anda membuka penyemak imbas di Raspberry Pihttp anda: // {raspberry_pi_ip}: 1880 / - jika anda ingin membuka editor Node-Red dari komputer lain

Untuk mengetahui alamat ip raspberry pi gunakan arahan ini.

Sekarang anda harus mencari simpul Twilio dalam senarai nod di editor Node-Red anda (biasanya ia muncul selepas kumpulan 'sosial').

Inilah masanya untuk mencipta aliran!

Catatan: anda boleh menggunakan aliran saya yang dilampirkan pada langkah ini, tetapi jangan lupa untuk mengkonfigurasi node: e-mel, twitter dan twilio. Baca mengenai perkara itu kemudian.

Aliran kami dimulakan dengan simpul "notify" yang menerima permintaan POST dari program utama kami dengan beberapa data mengenai pelanggaran akses (contoh data boleh didapati di simpul komen "mengenai penerimaan objek"). Node ini segera bertindak balas dengan mesej "Ok", jadi program utama tahu bahawa data telah diterima (Aliran: / beritahu> respons dengan Ok> respons). Node hijau di bahagian bawah dengan nama msg.payload ada untuk tujuan penyahpepijatan: jika sesuatu tidak berfungsi, anda boleh menggunakannya.

Dari node penumbuk (/ beritahu) data disebarkan ke "Topik Data" dan "Topik Imej" di mana topik "data" dan "gambar" ditambahkan masing-masing.

Dalam simpul "kompilasi" kami menerima data (yang kami peroleh selama langkah pertama) dengan topik "data" dan gambar dengan topik "gambar" (gambar diambil dari /home/pi/image.jpg). Kedua-dua mesej ini harus disusun menjadi satu objek, tetapi kedua-dua objek tersebut diterima pada waktu yang berbeza! Untuk menangani ini, kami akan menggunakan ciri "konteks" yang membolehkan kami menyimpan data antara fungsi panggilan.

Langkah seterusnya adalah memeriksa sama ada orang dari senarai akses kami atau orang asing (checkConditions node). Terdapat bidang "trustPerson" dalam data yang kami terima: "true" bermaksud kami mengenali orang ini, tetapi dia melanggar izin akses, "false" bermaksud orang tersebut adalah orang asing.

Apabila hasilnya "benar", kami mengirim pemberitahuan ke twitter, twilio dan e-mel; apabila hasilnya "palsu" - hanya e-mel dan twilio. Kami membuat objek untuk e-mel dengan mesej, gambar yang dilampirkan dan subjek e-mel, objek untuk twilio dengan mesej. Untuk twitter kami menambahkan data ke objek jika "trustPerson" benar. Kemudian hantarkan ketiga objek ini ke tiga nod yang berlainan.

Catatan: Sekiranya node berikut tidak menerima mesej, kami hanya menghantar "null" kepadanya.

Sudah tiba masanya untuk mengkonfigurasi nod untuk pemberitahuan!

Twitter Tambah nod "twitter" ke aliran. Buka dengan klik dua kali. Klik pada pensil di sebelah "ID Twitter". Kemudian klik pada "Klik di sini untuk mengesahkan dengan Twitter". Masukkan ke akaun twitter anda dan berikan kebenaran Node-Red yang diperlukan.

E-mel Tambah nod "e-mel" ke aliran. Sekiranya anda tidak menggunakan Gmail, anda perlu menukar data dalam bidang berikut - "Pelayan" dan "Pelabuhan" (anda boleh mencari pelayan dan port mana yang harus anda gunakan di Halaman Bantuan ejen e-mel anda) jika tidak, jangan ubah ini ladang.

• Ke> alamat e-mel yang mana mesej akan dihantar
• Userid> log masuk dari e-mel anda (mungkin sama dengan bidang "Kepada")
• Kata laluan> kata laluan dari akaun e-mel anda
• Nama> nama untuk nod ini

Twilio Pergi ke https://www.twilio.com/try-twilio dan daftar akaun. Sahkan. Pergi ke https://www.twilio.com/console. Klik "Nombor Telefon" (ikon # besar) dan buat nombor percuma. Sekiranya anda berada di luar AS, anda perlu menambahkan kebenaran GEO, pergi ke https://www.twilio.com/console/sms/settings/geo-pe… dan tambahkan negara anda.

Sekarang, pergi ke editor Node-Red, tambahkan nod Twilio, klik dua kali padanya untuk mengkonfigurasi dan mengisi semua medan:

• Kelayakan> Gunakan Kredensial tempatan

• Twilio> edit

  • SID Akaun> ambil dari sini
  • Dari> taipkan nombor maya yang anda buat
  • Token> ambil dari sini
  • Nama> Twilio
• Keluaran> SMS
• Ke> nombor telefon anda
• Nama> nama untuk nod ini.

Klik Terapkan

Kini aliran anda sudah siap! Anda boleh mengujinya dengan mengirimkan permintaan POST dengan objek yang ditentukan!

Langkah 6: Menyusun Projek Keseluruhan

Langkah Penerangan: Pada langkah ini kita akan menyatukan semua bahagian dan menjadikannya berfungsi sebagai sistem yang berasingan.

Dengan langkah ini, anda mesti:

1. Konfigurasikan telefon pintar lama sebagai kamera ip
2. Mempunyai sensor berfungsi
3. API Wajah Microsoft yang terlatih
4. Aliran Node-Red yang dikonfigurasi

Sekarang kita harus memperbaiki kod yang kita tulis di langkah 2. Lebih khusus fungsi proses () yang dipanggil ketika seseorang membuka pintu. Dalam fungsi ini kita akan melakukan perkara berikut:

1. Dapatkan gambar dari kamera ip dan simpan di "/ home / pi /" dengan nama "image.jpg" (fungsi "fromIpCam" dalam fail "getImage")
2. Dapatkan nama orang pada gambar itu (fungsi "checkPerson" dalam fail "pengenalan")
3. Periksa kebenaran akses untuk orang itu (fungsi "check" dalam file "akses")
4. Berdasarkan hasil "cek" fungsi menulis mesej
5. Kirim pesan tersusun ke Node-Red (fungsi "toNodeRed" dalam file "sendData")

Catatan: untuk melihat kod lengkap fungsi yang disebutkan, muat turun fail zip yang dilampirkan pada langkah ini.

Mengenai fungsi "fromIpCam". Fungsi ini membuat permintaan GET ke kamera ip anda, mendapatkan fokus gambar sebagai respons dan menyimpannya ke jalan yang ditentukan oleh anda. Anda harus memberikan alamat ip kamera untuk fungsi ini.

Mengenai fungsi “checkPerson”. Fungsi mendapat jalan ke gambar dan kumpulan di mana anda ingin mencari orang dari foto sebagai parameter. Pertama, ia mengesan wajah pada gambar yang disediakan (fail Face.py, fungsi "deteksi"). Sebagai tindak balas, ia akan mendapat id jika wajah yang dikesan. Kemudian memanggil fungsi "kenalpasti" (fail Face.py) yang menemui orang yang serupa dalam kumpulan yang ditentukan. Sebagai tindak balas, ia akan mendapat id seseorang sekiranya orang itu dijumpai. Kemudian panggil fungsi "orang" (file Person.py) dengan ID orang sebagai parameter, fungsi "orang" mengembalikan orang dengan ID yang ditentukan, kami mendapat nama orang dan mengembalikannya.

Mengenai fungsi "periksa". Fungsi ini diletakkan dalam file "akses" di mana juga menempatkan "daftar akses" sebagai pemboleh ubah global (anda dapat mengubahnya seperti yang anda inginkan). Mendapatkan nama orang dari fungsi sebelumnya, fungsi "periksa" membandingkan orang ini dengan senarai akses dan mengembalikan hasilnya.

Catatan: projek penuh dilampirkan ke langkah seterusnya.

Langkah 7: Kesimpulannya

Pada langkah ini saya melampirkan projek penuh yang harus anda buka dan letakkan pada Raspberry Pi anda.

Untuk menjadikan projek ini berfungsi, jalankan fail "main.py".

Sekiranya anda mengendalikan Raspberry Pi melalui SSH, anda harus menjalankan dua program dari satu shell: program python dan Node-Red. Taipkan terminal berikut:

simpul-merah

Pres "Ctrl + Z" dan taip:

pekerjaan

Anda telah melihat proses Node-Red. Lihat ID proses dan taip:

bg

Sekarang Node-Red harus mula bekerja di latar belakang. Kemudian pergi ke direktori dengan projek anda dan jalankan program utama:

python3 main.py

Nota: jangan lupa menukar KEY dalam fail python (langkah 4) dan kelayakan dalam aliran Node-Red (langkah 5)

Selesai! Peti sejuk anda selamat!

Saya harap anda menikmati ini! Jangan ragu untuk meninggalkan fikiran anda dalam komen.

Saya akan menghargai jika anda memilih projek saya =)

Terima kasih!