Cours:Classif : Différence entre versions
(→Connexion à la Rpi et test d'acquisition en ligne de commande) |
|||
| Ligne 34 : | Ligne 34 : | ||
* Dans un terminal, se connecter à la Rpi en ssh : <code>ssh -X root@10.98.33.XX</code> | * Dans un terminal, se connecter à la Rpi en ssh : <code>ssh -X root@10.98.33.XX</code> | ||
* Tester la PiCam avec <code>libcamera-hello</code> (la capture en video doit s'afficher sur l'écran de la Rpi) | * Tester la PiCam avec <code>libcamera-hello</code> (la capture en video doit s'afficher sur l'écran de la Rpi) | ||
| + | ** Avec les informations affichées, identifier : | ||
| + | *** le modèle du capteur, | ||
| + | *** ses caractéristiques (résolution, format, cadence, etc ...) | ||
* Tester l'acquisition d'image avec l'éxecutable <code>libcamera-still</code> | * Tester l'acquisition d'image avec l'éxecutable <code>libcamera-still</code> | ||
** Explorer les options de cette application (<code>libcamera-still -h</code>), en particulier <code>-n</code>, <code>--immediate</code>, <code>--width</code>, <code>--height</code> et <code>-o</code> | ** Explorer les options de cette application (<code>libcamera-still -h</code>), en particulier <code>-n</code>, <code>--immediate</code>, <code>--width</code>, <code>--height</code> et <code>-o</code> | ||
Version du 21 janvier 2026 à 11:55
TP Classification : détection d'objet en temps réel par vision
Le travail de cette étape va consister à
- analyser des images acquises en "temps réel" afin de détecter et identifier des objets
- les objets seront
- dans un premier temps des jetons de nain jaune
- dans un second temps des briques lego.
Sommaire
Technos matérielles et logicielles
Vous utiliserez :
- Une Rpi 4 que vous programmerez depuis des postes utilisés en terminaux connectés par
ssh, avec redirection graphique (option- X). - Une camera PiCam Wide (grand angle)
- Le langage Python accompagné de
- la librairie libcamera pour les acquisitions :
- PIL et numpy pour les traitements bas niveaux
- la librairie opencv et dlib pour la classification et la reconnaissance
Étapes :
- Connexion à la Rpi et test d'acquisition en ligne de commande
- Capture d'image et affichage en temps réel, avec Python
- Prétraitement
- Reconnaissance simple d'un seul objet, avec descripteurs géométriques
- Classifieur plus évolué (knn, svm)
- Plusieurs objets
Connexion à la Rpi et test d'acquisition en ligne de commande
- Connecter (si cela n'est pas fait) la PiCam à la Rpi4
- Dans un terminal, se connecter à la Rpi en ssh :
ssh -X root@10.98.33.XX - Tester la PiCam avec
libcamera-hello(la capture en video doit s'afficher sur l'écran de la Rpi)- Avec les informations affichées, identifier :
- le modèle du capteur,
- ses caractéristiques (résolution, format, cadence, etc ...)
- Avec les informations affichées, identifier :
- Tester l'acquisition d'image avec l'éxecutable
libcamera-still- Explorer les options de cette application (
libcamera-still -h), en particulier-n,--immediate,--width,--heightet-o - Voir la page suivante pour le détails des options possibles : https://www.raspberrypi.com/documentation/computers/camera_software.html
- Explorer les options de cette application (
Capture d'image et affichage en temps réel
Prétraitement
Reconnaissance simple d'un seul objet, avec descripteurs géométriques
Classifieur plus évolué
Plusieurs objets
Références
OpenCV :
- OpenCV Tutorials
- Exemples OpenCV en c++
- K-Nearest Neighbour
- Image Segmentation with Watershed Algorithm
- connected Components et son exemple en cpp : https://docs.opencv.org/3.4/de/d01/samples_2cpp_2connected_components_8cpp-example.html#a3
- Introduction to Support Vector Machines
- Fourier Descriptors, voir également Contours example pour obtenir les contours d'un objet.
Archives de cette page :
