5.4 KiB

Raw Permalink Blame History

Anropa din objektdetektor från din IoT-enhet - Wio Terminal

När din objektdetektor har publicerats kan den användas från din IoT-enhet.

Kopiera projektet för bildklassificering

Majoriteten av din lagerdetektor är densamma som bildklassificeraren du skapade i en tidigare lektion.

Uppgift - kopiera projektet för bildklassificering

Anslut din ArduCam till din Wio Terminal, följ stegen från lektion 2 i tillverkningsprojektet.

Du kanske också vill fästa kameran i en fast position, till exempel genom att hänga kabeln över en låda eller burk, eller fästa kameran på en låda med dubbelhäftande tejp.
Skapa ett helt nytt Wio Terminal-projekt med PlatformIO. Ge detta projekt namnet stock-counter.
Replikera stegen från lektion 2 i tillverkningsprojektet för att ta bilder med kameran.
Replikera stegen från lektion 2 i tillverkningsprojektet för att anropa bildklassificeraren. Majoriteten av denna kod kommer att återanvändas för att detektera objekt.

Ändra koden från en klassificerare till en objektdetektor

Koden du använde för att klassificera bilder är mycket lik koden för att detektera objekt. Den största skillnaden är URL:en som anropas, vilken du fick från Custom Vision, och resultaten av anropet.

Uppgift - ändra koden från en klassificerare till en objektdetektor

Lägg till följande include-direktiv högst upp i filen main.cpp:
```
#include <vector>
```
Byt namn på funktionen classifyImage till detectStock, både namnet på funktionen och anropet i funktionen buttonPressed.
Ovanför funktionen detectStock, deklarera en tröskel för att filtrera bort alla detektioner med låg sannolikhet:
```
const float threshold = 0.3f;
```
Till skillnad från en bildklassificerare som bara returnerar ett resultat per tag, kommer objektdetektorn att returnera flera resultat, så de med låg sannolikhet måste filtreras bort.

Ovanför funktionen detectStock, deklarera en funktion för att bearbeta förutsägelserna:

void processPredictions(std::vector<JsonVariant> &predictions)
{
    for(JsonVariant prediction : predictions)
    {
        String tag = prediction["tagName"].as<String>();
        float probability = prediction["probability"].as<float>();

        char buff[32];
        sprintf(buff, "%s:\t%.2f%%", tag.c_str(), probability * 100.0);
        Serial.println(buff);
    }
}

Denna funktion tar en lista med förutsägelser och skriver ut dem till seriell monitor.

I funktionen detectStock, ersätt innehållet i for-loopen som loopar genom förutsägelserna med följande:

std::vector<JsonVariant> passed_predictions;

for(JsonVariant prediction : predictions) 
{
    float probability = prediction["probability"].as<float>();
    if (probability > threshold)
    {
        passed_predictions.push_back(prediction);
    }
}

processPredictions(passed_predictions);

Denna loop går igenom förutsägelserna och jämför sannolikheten med tröskeln. Alla förutsägelser med en sannolikhet högre än tröskeln läggs till i en list och skickas till funktionen processPredictions.

Ladda upp och kör din kod. Rikta kameran mot objekt på en hylla och tryck på C-knappen. Du kommer att se utdata i seriell monitor:
```
Connecting to WiFi..
Connected!
Image captured
Image read to buffer with length 17416
tomato paste:   35.84%
tomato paste:   35.87%
tomato paste:   34.11%
tomato paste:   35.16%
```
💁 Du kan behöva justera threshold till ett lämpligt värde för dina bilder.

Du kommer att kunna se bilden som togs, och dessa värden i fliken Predictions i Custom Vision.

💁 Du kan hitta denna kod i mappen code-detect/wio-terminal.

😀 Ditt lagerräknarprogram blev en framgång!

Ansvarsfriskrivning:
Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, bör det noteras att automatiserade översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess originalspråk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som kan uppstå vid användning av denna översättning.

5.4 KiB Raw Permalink Blame History