描述

抽象的

主要目標是開發一個系統，該系統可以檢測鴿子并在 Raspberry Pi 上運行。它應該能夠觸發輸出來嚇跑鴿子。

為什么我們要嚇跑鴿子？

這主要有兩個原因：首先，想象自己在一個陽光明媚的星期天睡覺。你度過了艱難的一周，想晚睡。一切都很好，直到你突然被煩人的鴿子聲吵醒。睡眠消失了，你的好心情也消失了。

其次，如果您想通過喂食幫助較小的鳥類生存，您可能已經認識到鴿子并不遙遠。你可以填滿喂食器，一天后它是空的，因為一些饑餓的鴿子無法抑制。

為了在不嚇跑“通緝”鳥類的情況下解決這個問題，我們開發了這個很酷的項目。

基本理念

在確定了我們要開發的基本系統之后，我們考慮了我們要使用什么硬件，以及哪些硬件可以在沒有電源插頭的情況下在戶外使用。我們選擇使用的硬件很快就被發現了——帶有英特爾神經計算棒的 Raspberry Pi 3 B+。

我們想區分鴿子和所有其他鳥類。因此，有必要訓練一個只檢測鴿子的 TensorFlow 模型。

介紹

該項目是作為“應用人工智能”講座的內容而創建的，由埃斯林根應用科學大學的 Dionysios Satikidis 和 Jan Seyler 監督。所有硬件均由講師提供。本文在全棧調查的背景下涵蓋了 AI 應用程序和模型的設計、實施和測試方面。

以下步驟將為您簡要概述必要的步驟。有關更多詳細信息，請查看我們 Github 頁面上的 README.md。

I.收集數據來訓練我們自己的目標檢測器

首先，我們從谷歌收集了鴿子的圖像。由于結果不夠令人滿意，我們使用了一個觸發運動的相機來拍攝鴿子在“真實”環境中的圖像。

在收集了足夠多的圖像之后，是該項目最有趣的部分了：標記圖像，以便對象檢測器知道鴿子的樣子。

經過數小時的工作，我們完成了這些圖片，并可以開始訓練我們自己的物體檢測器。

二、使用 TensorFlow 對象檢測 API 訓練對象檢測器

實際訓練是在帶有 GPU 的筆記本電腦上完成的。培訓過程大約需要5-6個小時。這部分的結果是基于預訓練模型的自定義訓練對象檢測器。

構成我們鴿子檢測器基礎的預訓練模型稱為“ssd_inception_v2_coco”。我們選擇這個是因為它是一個非常輕量級的模型，因此速度很快，可以為我們的用例提供足夠的準確性。

在訓練機器上測試我們的模型后，我們必須將其轉換為與 Raspberry Pi 上的英特爾神經計算棒一起使用。

三、使用NCS2轉換模型以在 Raspberry 上使用它

神經計算棒無法直接運行 TensorFlow 模型。您必須首先將它們轉換為 NCS2 可以理解的格式。英特爾為此提供了一個名為“模型優化器”的程序。它基本上采用 TF 模型并將其轉換為 NCS2 的架構。

四。關鍵時刻

終于到了這一刻。我們將經過訓練的模型復制到 Raspberry Pi 上。在這里你可以看到結果：

五、保衛鳥屋

現在我們能夠檢測到鴿子，我們可以觸發 Raspberry Pi 上的一個 GPIO。每當檢測到鴿子時，我們都會打開一個小 LED 和蜂鳴器。但可能性是無窮無盡的。

六、產品的適應性方面

我們實施這個項目的方式使得連接用戶想要使用的每個執行器變得非常容易。用戶不限于堅持使用 LED 或小型揚聲器。此外，用戶可以輕松地在自定義數據集上重新訓練模型，使其檢測用戶想要檢測的任何對象。

?

?