描述

1.故事

大約一年前，我們帶著貓和小女兒從一間公寓搬到了一所房子。這只貓在放棄之前嘗試了幾種不同的策略，首先他發(fā)現(xiàn)了一個盲點，這迫使我重新定位相機，然后他發(fā)現(xiàn)在夜間更難被發(fā)現(xiàn)，所以我不得不安裝一個由動作激活的車庫燈。不要低估貓！

3.組裝

該項目的組件很少，我使用了一個固定在靠近水龍頭的墻上的塑料盒。我的 USB 相機有一根長電纜，以便嘗試不同的位置。我選擇的初始位置太暗容易產(chǎn)生錯誤識別，而且攝像頭在墻上的位置太高使得檢測更加困難，最佳位置離地面 50 厘米。

請考慮：

• 水和電相處得不好
• 覆盆子偷聽
• 使用中繼板隔離Raspberry端口

我建議將所有軟管連接與電子設備隔離開，我已經(jīng)組裝好了，將螺線管放在盒子的底部，用熱膠密封連接器。

我還建議使用風扇來保持 ARM 處理器的冷卻，我的處理率在 70% 左右，這個水平?jīng)]有風扇會導致過熱。Raspberry 具有減少時鐘以避免處理器燒毀的保護，但這會影響您的系統(tǒng)識別速度并縮短組件的使用壽命。

最后但同樣重要的是，使用保護覆盆子免受線圈波動影響的繼電器板，否則它會炸毀你的端口。你需要一個二極管和一個晶體管來保證安全。

澆水系統(tǒng)連接/設計超出了本項目的范圍，因此我將堅持電子和軟件部分。

?

4. 軟件

Raspberry 準備工作是最困難的部分，我見過的最好的指南來自www.pyimagesearch.com/2017/09/18/real-time-object-detection-with-deep-learning-and-opencv/

它還提供了非常全面的對象檢測概念解釋，順便說一下，這是我用作項目基礎的內(nèi)容。

幸運的是，考慮到像 Mobilenet 這樣的輕型網(wǎng)絡架構(gòu)，這項任務不需要太多的計算機能力，因此 Raspberry 足以滿足所需的 FPS，互聯(lián)網(wǎng)上有幾種預訓練模型。

我使用了一個在 Pascal VOC 數(shù)據(jù)集上訓練的 SSD Mobilenet，它可以識別 20 個類別，包括人和貓，什么是完美的。無論如何，您可以使用另一個訓練有素的網(wǎng)絡而無需對代碼進行重大更改。

我的系統(tǒng)執(zhí)行大約 .5 FPS，這足以完成任務，但如果您需要監(jiān)視快速更改，則速度不是很好，但這對于項目的目的來說已經(jīng)足夠了。

GitHub中的完整源代碼。

5.進一步改進以提高性能

• 分裂干擾不同的威脅
• 使用更快的 SD 卡
• 覆盆子 4
• 使用另一種網(wǎng)絡架構(gòu)作為 Faster R-CNN，Yolo