如何利用树莓派与云端计算机视觉识别日常物品

项目概述

物体检测是机器人、自动化、监控系统和智能监测系统中应用最广泛的计算机视觉技术之一。与图像分类(将整张图像赋予单一标签)不同，物体检测能够识别场景中的每一个可识别物体，并估算其位置。

在本项目中，树莓派通过USB摄像头捕获图像，每张图像均安全地传输至云端推理服务，在那里，物体检测模型分析图像内容。处理后的结果返回到树莓派，并在终端中显示，包括检测到的物体名称、置信度值以及检测到的总数量。

功能

实时检测：利用云端人工智能快速识别画面中的物体。

多种运行模式：

•键盘模式：通过按下空格键手动拍摄图像(适用于桌面或VNC使用)。

•自动模式：在固定时间间隔内(例如每5秒一次)自动拍摄图像，实现持续监控。

•SSH模式：在终端中运行，无需打开OpenCV显示窗口。

•可调节参数：轻松自定义置信度阈值，并筛选特定物体类别。

•低硬件要求：无需进行繁重的本地处理，推理任务由云端完成。

这种方法使开发者无需直接在树莓派上运行大型神经网络，即可进行计算机视觉实验。

你将学到什么

完成本项目后，您将学习以下内容：

- 使用连接到树莓派的USB摄像头拍摄图像。

- 配置Python以实现图像采集。

- 将图像数据发送至云端推理端点。

- 读取并解析以JSON格式返回的检测结果。

- 显示检测到的对象名称及其置信度分数。

- 理解在本地运行模型与使用云端推理的场景中，哪种方式更合适。

检测流程的工作原理

整个工作流程包含四个简单步骤：

步骤1 — 拍摄图像

连接到树莓派的USB摄像头可手动或按预设时间间隔捕捉图像帧。

步骤2 — 上传图像帧

捕获的图像被编码为JPEG格式，并通过HTTPS请求发送至云端推理端点。

步骤3 — AI处理

服务器使用预先训练好的物体检测模型分析上传的图像。每个检测到的对象将获得以下信息：

- 物体标签

- 置信度得分

- 边界框坐标

步骤4 — 显示结果

处理完成后，树莓派会接收到一个包含所有检测结果的JSON响应。程序从中提取相关信息，并直接在终端中打印结果。

所需硬件

本项目需要以下设备和软件：

- Raspberry Pi 4(或更新型号)

- USB摄像头

- 带有Raspberry Pi OS的microSD卡

- 稳定的互联网连接

- Raspberry Pi电源

软件要求

在运行本项目之前，请安装以下软件：

- Raspberry Pi OS

- Python 3

- OpenCV

- Requests库

- Thonny IDE(可选)

- SSH或VNC查看器(远程访问时可选)

准备Raspberry Pi

在运行应用程序前，请使用Raspberry Pi Imager将Raspberry Pi OS安装到microSD卡上。安装过程中，您可以配置Wi-Fi凭据、主机名、用户名、密码，并启用SSH以实现远程访问。

安装与使用

•克隆此仓库或将Python脚本复制到你的树莓派上。

•编辑脚本，添加您的API密钥并配置参数：

•运行脚本：

•根据您选择的模式，系统将开始捕获图像，安全地将其发送至CircuitDigest云平台，并在终端输出检测到的对象及其置信度分数。

操作系统安装完成后，将microSD卡插入Raspberry Pi，连接USB摄像头，接通电源，确认系统和摄像头均能被正确识别。

您可以通过以下方式与Raspberry Pi进行交互：

- 本地桌面：将显示器、键盘和鼠标直接连接到Raspberry Pi。

- SSH：通过终端远程控制Raspberry Pi。

- VNC：使用VNC查看器远程访问完整的Raspberry Pi桌面。

项目工作流程概要

完整的检测流程遵循以下顺序：

故障排除

•未找到摄像头!请检查USB摄像头连接：确认物理连接是否正常。您可能需要将代码中的摄像头索引从cv2.VideoCapture(0)更改为cv2.VideoCapture(1)。

•API请求失败或超时错误：请检查Wi-Fi连接，并确保API密钥正确。您也可以尝试增加请求的超时值。

•检测准确率低：确保光线充足，且物体清晰可见。可提高置信度阈值(CONFIDENCE)以减少误报。

•系统响应缓慢：尝试在OpenCV中降低摄像头分辨率，或增加AUTO_INTERVAL时间。更快的API响应需要稳定的网络连接。

本文编译自hackster.io