Как выключить все реле, если объект не обнаружен? - PullRequest
Новая
       21

Как выключить все реле, если объект не обнаружен?

0 голосов
/ 14 апреля 2019

Я пытаюсь сделать проект домашней автоматизации, в котором, если в комнате есть человек, свет должен включаться автоматически.Я могу обнаружить человека, используя API-интерфейс обнаружения объектов tenorflow, и использую Raspberry Pi для управления источниками света. Проблема, с которой я сталкиваюсь, заключается в том, что я запускаю свой код (ниже): 

import numpy as np
import tensorflow as tf
import cv2
import time
import RPi.GPIO as GPIO
GPIO.setmode(GPIO.BOARD)
GPIO.setwarnings(False)
GPIO.setup(3,GPIO.OUT)
GPIO.setup(5,GPIO.OUT)
GPIO.setup(7,GPIO.OUT)
GPIO.setup(11,GPIO.OUT)

class DetectorAPI:
    def __init__(self, path_to_ckpt):
        self.path_to_ckpt = path_to_ckpt

        self.detection_graph = tf.Graph()
    with self.detection_graph.as_default():
        od_graph_def = tf.GraphDef()
        with tf.gfile.GFile(self.path_to_ckpt, 'rb') as fid:
            serialized_graph = fid.read()
            od_graph_def.ParseFromString(serialized_graph)
            tf.import_graph_def(od_graph_def, name='')

    self.default_graph = self.detection_graph.as_default()
    self.sess = tf.Session(graph=self.detection_graph)

    # Definite input and output Tensors for detection_graph
    self.image_tensor = self.detection_graph.get_tensor_by_name('image_tensor:0')
    # Each box represents a part of the image where a particular object was detected.
    self.detection_boxes = self.detection_graph.get_tensor_by_name('detection_boxes:0')
    # Each score represent how level of confidence for each of the objects.
    # Score is shown on the result image, together with the class label.
    self.detection_scores = self.detection_graph.get_tensor_by_name('detection_scores:0')
    self.detection_classes = self.detection_graph.get_tensor_by_name('detection_classes:0')
    self.num_detections = self.detection_graph.get_tensor_by_name('num_detections:0')

def processFrame(self, image):
    # Expand dimensions since the trained_model expects images to have shape: [1, None, None, 3]
    image_np_expanded = np.expand_dims(image, axis=0)
    # Actual detection.
    start_time = time.time()
    (boxes, scores, classes, num) = self.sess.run(
        [self.detection_boxes, self.detection_scores, self.detection_classes, self.num_detections],
        feed_dict={self.image_tensor: image_np_expanded})
    end_time = time.time()

    print("Elapsed Time:", end_time-start_time)

    im_height, im_width,_ = image.shape
    boxes_list = [None for i in range(boxes.shape[1])]
    for i in range(boxes.shape[1]):
        boxes_list[i] = (int(boxes[0,i,0] * im_height),
                    int(boxes[0,i,1]*im_width),
                    int(boxes[0,i,2] * im_height),
                    int(boxes[0,i,3]*im_width))

    return boxes_list, scores[0].tolist(), [int(x) for x in classes[0].tolist()], int(num[0])
def close(self):
    self.sess.close()
    self.default_graph.close()

if __name__ == "__main__":
model_path ='/home/pi/tensorflow1/models/research/object_detection/ssd_mobilenet_v1_coco_2018_01_28/frozen_inference_graph.pb'
odapi = DetectorAPI(path_to_ckpt=model_path)
threshold = 0.7
cap = cv2.VideoCapture('/home/pi/tensorflow1/models/research/object_detection/Test.mp4')

while True:
    r, img = cap.read()
    img = cv2.resize(img, (800, 600))
    cv2.line(img,(0,600 // 2),(800 ,600 // 2),(0,255,255),2)
    cv2.line(img,(800 // 2,0),(800 // 2,600),(0,255,255),2)
    boxes, scores, classes, num = odapi.processFrame(img)

    # Visualization of the results of a detection.

    for i in range(len(boxes)):
        # Class 1 represents human
        if classes[i] == 1 and scores[i] > threshold:
            print("Hello")
            box = boxes[i]
            cv2.rectangle(img,(box[1],box[0]),(box[3],box[2]),(255,255,0),2)
            cX=int((box[1] + box[3]) / 2.0)
            cY=int((box[0] + box[2]) / 2.0)
            cv2.circle(img,(cX,cY),4,(0,255,0),-1)
            if cX < 800 // 2 and cY < 600 // 2:
                GPIO.output(3,False)
                print("Quadrant 1")
            else:
                GPIO.output(3,True)
            if cX > 800 // 2 and cY < 600 // 2:
                print("Quadrant 2")
                GPIO.output(5,False)
            else:
                GPIO.output(5,True)
            if cX < 800 // 2 and cY > 600 // 2:
                print("Quadrant 3")
                GPIO.output(7,False)
            else:
                GPIO.output(7,True)
            if cX > 800 // 2 and cY > 600 // 2:
                print("Quadrant 4")
                GPIO.output(11,False)
            else:
                GPIO.output(11,True)
   # cv2.imshow("Human Detection", img)
   # key = cv2.waitKey(1)
   # if key & 0xFF == ord('q'):
   #     break

Я разделилкадр в 4 квадранта, и каждое реле управляет устройствами в этом квадранте.Проблема, с которой я сталкиваюсь, заключается в том, что если последнее обнаружение было в квадранте 4, а в следующем кадре обнаружение не выполняется, то все реле должны выключиться, но они не останавливаются, если реле, подключенное к квадранту 4, остается включенным до обнаружения человека.в любом из квадранта.Как мне решить эту проблему?

...