Een intelligente afvalcontainer met camera-gebaseerde objectdetectie, LED-indicatie en ultrasoon sensordetectie.
| Onderdeel | Korte uitleg |
|---|---|
Architectuur/ |
Schema's en architectuurdocumenten van de oplossing. |
Behuizingen/ |
Bestanden en ontwerpen voor de fysieke behuizing. |
Code PI/ |
Hoofdcode voor de Raspberry Pi, inclusief GUI, LED-sturing en ultrasoon sensoren. |
Datasets/ |
Informatie en links naar de datasets en model-artifacts op Kaggle. |
Documentaties/ |
Extra documentatie voor de Raspberry Pi en serveromgeving. |
Pi_deploy_target96/ |
Deploy-bestanden voor het target96-model op de Raspberry Pi. |
SocialeMedia/Poster/ |
Poster- en presentatiemateriaal van het project. |
RaspberryPI5_Pinout/ |
Pinout-informatie voor de Raspberry Pi 5. |
TestCodeC++/ |
Testcode in C++ voor onderdelen van het systeem. |
inference_gui.service |
Systemd-service om de inferentie-GUI automatisch te starten. |
start_garbage_gui.sh |
Startscript voor de garbage detection GUI. |
test_uart.py |
Python-testscript voor UART-communicatie. |
Dit project implementeert een slimme afvalcontainer die:
- Automatisch afvaltype detecteert via camera en AI-objectdetectie.
- Visueel aanduidt welke container gebruikt moet worden met NeoPixel LED's.
- Controleert of afval gevallen is met ultrasoon sensoren.
- Versnelde inferentie ondersteunt via de Hailo AI Hat+.
| Component | Doel |
|---|---|
| Raspberry Pi 5 | Hoofd verwerkingseenheid |
| Hailo AI Hat+ | Hardware AI-acceleratie (optioneel) |
| Raspberry Pi Camera 3 | Objectdetectie |
| NeoPixel LED-strip | Visuele container-indicatie |
| Ultrasoon sensoren (HC-SR04) | Afvalniveaudetectie |
Deze repository bevat vooral:
- code
- documentatie
- configuratiebestanden
- het compacte referentie-modelpakket
Voor reproduceerbaarheid gebruiken we daarnaast Kaggle voor de grote bestanden:
- originele foto's: Smart Bin Original Images
- crops voor het finale model: Smart Bin Classifier Crops
- zware modelbestanden en trainingsoutputs: Smart Bin Model Artifacts
Met deze repo samen met die drie Kaggle-links kan het servergedeelte opnieuw worden opgebouwd.
De foto's zijn verzameld via:
- Google Dataset Search
- Kaggle
- images.cv
Een deel van de beelden kwam uit Amerikaanse datasets. Daardoor moesten we zelf foto's controleren en hersorteren, vooral voor PMD, zodat de sorteerlogica klopt met de regels in Brugge.
De flow voor het finale model is:
- originele foto's
- YOLO-detector zoekt het afvalobject
- daaruit worden crops gemaakt
- de two-stage classifier traint op die crops
Voor de trainings- en exportflow: