Posts by Kelvin

Quote from thphilipp

[...] Finde im Home Assistant dazu auch keine Integration oder Addon?

Also eine Plug and Play Lösung wird es höchstwahrscheinlich nicht geben, sodass du selber aktiv werden und programmieren musst.

Auch wenn die Bilderkennung nicht invasiv ist und keinen physischen Aufwand benötigt, weil du schon die Kameras hast, ist die Umsetzung dafür in der Software aufwändiger. Mit Tensorflow hättest du eine einfache Objekterkennung, die Mülltonnen erkennen kann und in Boxen einrahmt. Die Farbe zu erkennen musst du dann aber selbst machen, indem du z.B. den Anteil einer bestimmten Farbe im obersten Viertel einer Box bestimmst. Oder du lernst ein eigenes Modell mit hunderten Bildern von deinen Mülltonnen an, alle schön händisch selektiert und mit Farbe gelabelt, aber das ist auch wieder aufwändig.

Hier gibt es eine Anleitung für Tensorflow, die man selbst im Browser ausprobieren kann: https://www.tensorflow.org/hub/tutorials/tf2_object_detection (oben musste ich die numpy Version von 1.24.3 auf 1.26.4 ändern, damit es funktioniert. Weiter unten in der Variable `IMAGES_FOR_TEST` kann man eigene Bilder oder eine URL angeben.)

Ich kenne deine Gegebenheiten nicht, weil du keine Beispielbilder gezeigt hast, aber ich gehe mal davon aus, dass die Tonnen immer an der gleichen Stelle stehen und die Reihenfolge gleich bleibt. Mit OpenCV wäre mein Ansatz ähnlich, nur dass du selbst einmal die Boxen für die Deckel festsetzt und danach wieder die Farben bestimmst. Die Kamera sollte sich nicht bewegen können. Bisschen fortgeschrittener ist es dann, wenn die Reihenfolge egal ist und du immer alle Deckelfarben bestimmst und zählst. Fehlt Farbe x, fehlt auch die Mülltonne x.

Was mir gerade noch einfällt, was zu beachten ist:

• Tag und Nacht. Liefert deine Kamera bei wenig Licht trotzdem noch ein Farbbild?
• Allgemein Licht: Gibt es Schatten auf den Mülltonnen? Wie ändern sich die Lichtverhältnisse? Sind die Farben zu erkennen, wenn die Sonne hell scheint?
• Versperrte Sicht: Wenn gerade jemand an der Mülltonne steht und die Kamera keine freie Sicht hat, dann muss später nochmal geprüft werden. Ich würde sowieso denken, dass man bei diesem Vorhaben nur alle z.B. 30 Minuten ein Bild auswertet anstatt 24/7 den Videostream. Und dann z.B. noch zweimal mit jeweils einer Minute Pause. Dann hast du drei Messungen und kannst zur Not eine verwerfen, falls da gerade jemand an der Tonne stand.

So schön die Idee mit der Bilderkennung auch ist, finde ich sie relativ aufwendig, vor allem wenn man jetzt nicht gerade Computer Vision Engineer bei Tesla ist Wie sieht es hardwaremäßig bei dir aus? Als Alternative kann ich mir Ultraschallsensoren oder Lichtsensoren vorstellen. Ultraschallsensoren an der Wand und die Tonnen werden davor gestellt. Wird ein kleiner Abstand gemessen, ist die Tonne anwesend. Das funktioniert auch bei Nacht. Lichtsensoren würde ich auf dem Boden platzieren und wenn die Tonnen draufsteht und es dunkel ist, ist die Tonne anwesend. Das funktioniert aber nicht bei Nacht und im Winter wird man damit auch keinen Spaß haben.

Quote from Bastelfritz17

Danke Euch. Ich musste jetzt ganz schön oft - besonders beim Beitrag von AL - Wiki und Google bemühen, um halbwegs zu verstehen was gemeint ist. Sieht jedenfalls nicht nach eine einfachen, Halbfertiglösung aus ... naja - wenn die langen Winterabende kommen werde ich mich da mal einlesen.

Thx

Wie gesagt, es geht auch einfacher und quasi Plug & Play, wenn es für den eigenen Sensor schon eine Fertiglösung gibt, wie eben "Nexus433".

rtl_433 ist die eierlegende Wollmilchsau, weil du damit fast jeden Funksensor auslesen kannst, aber eben auch mehr selbst machen musst.

Ich benutze Nexus433 ( https://github.com/aquaticus/nexus433 ), weil das zufälligerweise das Protokoll meiner handelsüblichen Außensensoren war, in Verbindung mit "433Mhz Superheterodyne Wireless Receiver Modul RXB6". Läuft prima, nur beim Außensensor musste ich die Antenne verlängern und durchs Fenster führen, was aber an der Verglasung und der Distanz zum Raspberry Pi geschuldet ist.

Quote from Roland53

Wir möchten aus einem runden Glastisch ein Schachbrett machen. Nun kam noch die Idee hinzu diese für einen Schachcomputer mit einem Ortungssystem auszustatten.

Bei solchen unkonventionellen Ortungssystemen muss ich immer an "ShotSpotter" ( https://www.soundthinking.com/law-enforcemen…ion-technology/ ) denken. Dort werden Mikrofone in der Stadt verteilt und wenn ein Waffenschuss erkannt wurde, wird anhand der Schallgeschwindigkeit und der Verzögerungen zu den jeweiligen Mikrofonen die Position bestimmt. Da reden wir aber von ganzen Stadtbezirken und deutlich messbaren Latenzen. Auf einem kleinen Glastisch und über Vibrationen wird es bestimmt auch möglich sein, aber da reden wir von sehr sehr kurzen Verzögerungen.

Wie Störanfällig ist dein jetziger Aufbau mit einem Sensor, wenn z.B. jemand gegen den Tisch kommt? Und kannst du auch ein anheben der Figur erkennen?

Weil es ein Glastisch ist, würde ich wohl unten eine Kamera positionieren, die auf die Unterseite der Schachfiguren guckt. Auf der Unterseite der Figuren sind dann "ArUco marker" (gerade 10 Min. lang gegoogelt, weil mir der Name nicht mehr einfiel), mit denen sich jede Schachfigur genau identifizieren lässt. Das Schachbrett wird direkt auf das Glas geklebt, wobei man da sehen muss, wie man am besten das Karomuster macht, ohne die Sicht auf die Unterseite zu stören (evtl. milchige Folie?). Mit OpenCV lässt sich der Umriss des Schachbretts erkennen und dieses Quadrat dann in 8x8 Felder einteilen. Über die ArUco Marker weißt du dann, welche Figur sich gerade in welchem Feld befindet.

[[inputs.mqtt_consumer]]
  servers = ["tcp://192.168.0.69:1883"] # dein MQTT-Server

  ## Topics that will be subscribed to.
  topics = [
    "BMS_16P/Data", # Habe hier jetzt nur Data genommen, weil dort float Werte sind
  ]

  client_id = "JKBMS" # Wenn man nichts angibt, kommt etwas zufälliges

  ## Username und Passwort
  username = "xxx"
  password = "xxx"

  # Weil oben nur die Topics mit float Werten genommen werden, habe ich das jetzt beispielhaft so festgelegt
  ## https://github.com/influxdata/telegraf/blob/master/docs/DATA_FORMATS_INPUT.md
  data_format = "value"
  data_type = "float"

Die Config ist nur aus'm Ärmel gezogen, also keine Garantie ? Ich weiß nicht, wie dein ESP32-Code aussieht, aber ich habe damals meine Werte im Format vom "InfluxDB Line protocol" geschrieben: https://docs.influxdata.com/influxdb/v2.7/…/line-protocol/

Quote from framp

Ich nutze dazu telegraf. Der subscribed sich auf die Topics und schreibt sie in die InfluxDB.

Genau das wollte ich auch schreiben. Telegraf ist die Schwester von InfluxDB und der Datensammler in der Familie. Es gibt dort sogenannte Plugins, wobei du als Input-Plugin den "mqtt_consumer" nehmen würdest und als Output-Plugin deine InfluxDB Datenbank.

Hier ist ein Video zu Telegraf:

Guten Morgen, wo warst du die letzten sechs Monate? ?

Quote from raspbastler

Aber ein Raspi ist dafür definitiv zu schwach.

Das schreit nach dem Google Coral USB-Stick! https://coral.ai/products/accelerator/

In den Beispielen gibt es schon Beispiel-Code für "Image recognition with video". Hinzu kommen noch vortrainierte Modelle für Image Classification: https://coral.ai/models/image-classification/
In der Spalte "Detections/Dataset" kannst du grob sehen, was das jeweilige Modell erkennen kann. Da gibt es sogar welche speziell für Vögel und Insekten. Für dich werden aber die Modelle mit "ILSVRC2012" interessanter sein, denn wie du hier sehen kannst, sind unter diesen 1000+ Objekten auch schon Katzen und Igel aufgelistet: https://www.image-net.org/challenges/LSV…wse-synsets.php

Quote from hyle

Ok, nur so eine Idee. Hast Du zufällig dLAN-Adapter für einen Test rumliegen? Also die Fritte im Netzwerkraum platzieren und per dLAN in die Steckdose und dann testen ob und falls ja wieviel Internet in Deiner Wohnung ankommt.

Quote from FSC830

Igitt, PowerLAN ist !

Mit dLAN habe ich bis jetzt nur gute Erfahrungen gemacht Habe leider kein Set mehr und Netzwerkraum und Wohnung hängen auch nicht direkt im gleichen Stromnetz. Sicherlich stammen die irgendwo aus einer Quelle, aber die ist weit entfernt.

Quote from FSC830

das DSL Signal habe ich über eine ungeschirmte Leitung rund 30-40m zu meinem Router gelegt

War das ein DSL- oder Ethernet-Kabel?

Quote from Gnom

Ich vermute, dass die Leitung bei der Installation eingemessen wird

Klingt auch nicht schlecht. Es wundert mich nur, dass der Durchsatz so viel schlechter wird, weil da jetzt "nur" 14m Ethernet-Kabel dazwischen sind. Die 860m zum Netzwerkraum verringern zwar auch schon den Durchsatz, aber das auf einer Strecke von fast 1km.

Quote from hyle

Ist das nicht eher Vermietersache, bzw. eine Sache des Internetproviders das DSL in die Wohnung zu bringen?

Ja schon, lässt sich hier jetzt aber nicht ändern

Moin,

mein DSL-Anschluss liegt nicht in der Wohnung, sondern in einer Art Netzwerkraum nebenan. Jahrelang habe ich aus diesem Raum heraus das DSL-Kabel unter der Haustür hindurch geführt und in der Wohnung dann, neben der Tür, den Router, Pis, usw. platziert. Einerseits war das nicht schön, weil so eine kleine Kiste (vorher noch Amazon-Karton mit Luftschlitzen) im Weg stand und die WLAN-Abdeckung auch nicht gut war - mal ganz davon abgesehen, dass mein DSL-Kabel außerhalb der Wohnung liegt und quasi jeder im Treppenhaus Zugriff darauf hat. In allen Räumen habe ich jeweils zwei Ethernet-Dosen, die an einem Patch-Panel im Netzwerkraum aufgeschaltet sind. Vor 3 Monaten hatte ich dann die Idee, das DSL-Kabel von der TAE-Dose (im Netzwerkraum) auf einen Ethernet-Port zu legen (Cat 6a). Das DSL-Signal wird so auf die Ethernet-Dose im Wohnzimmer gepatched, wo ich es dann mit einem DSL-Kabel wieder mit der Fritzbox verbinde. Der Komfort ist deutlich besser, aber durch diesen Umweg verliere ich relativ viel Durchsatz. Vorgestern ist mir dann diese Meldung in der Fritzbox 7590 aufgefallen, die ich so vorher auch noch nie gesehen habe:

Die ganzen Aussagen stimmen sogar und sind ziemlich genau. Es ist eine unzulässige/ungewöhnliche Verkabelung; dieser Umweg über Ethernet ist ca. 14m lang und auch der Verlust von 8400 kbit/s ist plausibel. Von meinen bezahlten 50 Mbit/s kamen schon immer nur 40 Mbit/s bei mir an (860m bis zur DSL-Vermittlungsstelle) und seit der Patcherei nur noch ca. 31 Mbit/s mit Verbindungsabbrüchen.

Liegt es an einem zu hohen Widerstand des Ethernet-Kabels? Ist der DSL-Anschluss nach hunderten von Metern so ausgelutscht und lässt sich irgendwie verstärken? Sollte ich lieber die Fritzbox in den Netzwerkraum packen und die LAN-Ausgänge dann in meine Zimmer patchen? In der Wohnung müsste ich dann Access Points anschließen und mit DECT sieht es dann auch schlecht aus, wobei ich letzteres sowieso nicht häufig nutze.

Das Geheimnis heißt "RTSP". Hier ist eine Anleitung, wie du an den RTSP-Stream deiner Kamera kommst: https://www.tp-link.com/de/support/faq/2680/

Und hier ist ein Programm, speziell für den Raspberry Pi, das dir so einen Stream schön anzeigen kann: https://github.com/raspicamplayer/camplayer

Quote from Rob_87

Eine Option wäre mMn ein QR-Code.

Ist tatsächlich eine Option, für solche Einsatzwecke gibt es aber noch "ArUco"-Marker, die besser geeignet sind, weil sie nicht so komplex sind und sich schneller erkennen lassen. 5cm sind auch echt nicht viel, also schätze ich mal, dass deine Objekte sowieso schon ziemlich klein sind und nicht viel Platz für einen großen QR Code haben:

• https://turag.de/aruco-erkennung/
• https://docplayer.org/158337329-Eins…bestimmung.html
• https://docs.opencv.org/4.x/d5/dae/tut…_detection.html

Der Nachteil an ArUco-Markern ist, dass du weniger Informationen in den Codes selbst speichern kannst. Hier sind beispielhaft ein paar solcher "Dictionaries" aufgelistet, mit denen sich 4x4 bis 7x7 Pixel große Marker generieren lassen, die dann 50, 100, 250 oder 1000 eindeutige IDs haben können: https://pyimagesearch.com/2020/12/14/gen…aries-in-opencv

Hier ist noch eine interaktive Seite, wo du dir die Marker genauer anschauen kannst: https://chev.me/arucogen/

Zu 1. Die Pi-Cameras erfüllen die Bildrate. Wenn du die Auflösung verringerst, kannst du sogar noch höhere Bildraten erzielen. Bei 640x480 Pixeln kann die 120° Kamera sogar 90 FPS erreichen. Den Flaschenhals sehe ich eher beim Raspberry Pi selbst, weil Videoverarbeitung relativ viel Ressourcen braucht.

Zu 2.: Sobald es irgendwie um Kameras und Detektion geht, kommst du an "OpenCV" nicht vorbei. Das was du vorhast fällt in den Bereich von "Computer Vision" (das ist das CV in OpenCV) und OpenCV ist da der absolute Platzhirsch. Die Detektion von ArUco-Markern ist sogar auch schon vorhanden und mit ein paar Zeilen Code erledigt.

Zu 3.: Ich meine, ich habe irgendwo mal einen Adapter gesehen, aber was spricht gegen eine normale USB-Kamera? Die sind robuster, haben längere Kabel und meistens auch eine bessere Qualität. Der Pi funktioniert auch mit anderen Kameras und muss nicht zwingend die Pi-Kamera benutzen.

Zu 4.: Ja, das geht: https://pyimagesearch.com/2016/01/18/mul…-pi-and-opencv/

Ob der Pi dann aber noch zufriedenstellend schnell die Objekte erkennt, kann ich dir nicht sagen. Kannst du die Kamera nicht etwas höher anbringen, um dein Sichtfeld zu vergrößern?

Auch wenn ich schon seit Ewigkeiten auf dieses Update gewartet habe, bin ich noch nicht dazu gekommen es zu installieren - werde ich demnächst aber machen. Am meisten freue ich mich über die Integration von WireGuard, weil es dann endlich zeitgemäßes VPN über die Fritzbox gibt. Seit der Ankündigung, dass WireGuard auf die Fritzbox kommt, habe ich den Gedanken verworfen meinen eigenen VPN auf einem Raspberry aufzusetzen ? Deren vorheriges System hat zwar auch funktioniert, aber die Einrichtung, besonders auf Computern, war absolut schrecklich, weshalb ich es überwiegend nur auf dem Handy genutzt habe.

Vor dem Update muss ich aber nochmal gucken wie es mit der Kopplung von mehreren Fritzboxen aussieht. Die läuft nämlich auch über VPN, allerdings ist die andere Box keine 7590 und hat deshalb auch kein WireGuard. Wäre schade, wenn ich mir das jetzt zerschieße.

Quote from defcon42

Mit dem entsprechenden Case geht z.B. auch eine M2 SSD.

Meinst du etwa sowas wie das Argon ONE M.2 Case? Das läuft auch nur über USB. Bei einem ThinClient hält dich auch niemand davon ab, einfach einen USB-zu-M.2 Adapter reinzustecken.

Quote from hyle

Wenn man keine GPIO braucht, würde ich eher über einen Barebone PC nachdenken.

Das ist ein wichtiger Punkt. Auch wenn wir im Raspberry Pi Forum sind, sollte man auch mal über den Tellerrand schauen, was es noch so für kleine Computer gibt, die für den eigenen Anwendungsfall besser geeignet sein könnten.

Für reines Hosting habe ich letztens das "Zima Board" gefunden: https://www.zimaboard.com/zimaboard/product

Hat eine ähnliche Größe wie die RPis, kommt aber mit 2x Gigabit Ethernet, 2x SATA Anschlüssen und sogar 1x PCIe. Gerade der PCIe Anschluss gibt einem nochmal ordentliche Vorteile, weil man z.B. einen SATA-Adapter benutzen kann, um noch mehr Speicher anzuschließen (bis zu 36TB laut Website) oder eine noch schnellere Netzwerkkarte benutzen kann. Wenn du einen Videoserver (Jellyfin, Plex, ...) hast, kannst du sogar eine Grafikkarte anschließen, um die Hardwarebeschleunigung für das Transcoding zu nutzen.

Quote from Kelvin

Einzige Alternative ist dann das Auslesen mit Kameras, was zwar nicht ganz so schön ist, aber so hat man immerhin etwas und du brauchst weder Netzbetreiber noch einen Elektriker. Dafür gibt es dann dieses fertige Projekt und du bräuchtest mehrere Mikrocontroller: https://github.com/jomjol/AI-on-the-edge-device

Es scheint so, als wäre das hier untergegangen. Nach all den weiteren Beiträgen sind Kameras doch nicht mehr so eine unschöne Lösung, weil viele Probleme damit umgangen werden können:
- Kein physischer Zugriff auf IR-Schnittstelle wegen verplombten Gehäuse --> Kamera kann von außen angebracht werden; kein Bohren nötig

- Zwei Zähler haben die Schnittstellen abgeklebt --> Kamera braucht sowieso nur das Display, das nicht abgeklebt ist; auch keine PIN nötig

- Lange Distanzen --> Die ESP32-Cams müssen nicht über lange USB-Kabel verbunden werden

Nur bei der Sache mit dem WLAN muss man sich noch was einfallen lassen. Wenn da unten aber schon ein LAN-Kabel liegt, kann man dort auch eine WLAN-Bridge platzieren. Die ESPs verbinden sich über WLAN mit der Bridge, senden ihre Daten an diese und die gibt es dann über's Kabel weiter.

Das wird nichts mit den Leseköpfen. Die müssen komplett an der Gegenstelle anliegen und können nicht aus so einer großen Distanz ausgelesen werden.

Ich würde mich beim Netzbetreiber erkundigen, ob man (--> ein zugelassener Elektriker) in die Kästen kleine Löcher bohren darf, um die USB-Stecker der Leseköpfe hindurchzufädeln oder ob das schon zu viel des Guten wäre.

Einzige Alternative ist dann das Auslesen mit Kameras, was zwar nicht ganz so schön ist, aber so hat man immerhin etwas und du brauchst weder Netzbetreiber noch einen Elektriker. Dafür gibt es dann dieses fertige Projekt und du bräuchtest mehrere Mikrocontroller: https://github.com/jomjol/AI-on-the-edge-device

Wenn es von vornherein schon geplant ist, dass du mehrere Dinge auf dem Pi laufen lassen willst, würde ich zu Docker greifen. Ist die elegantere und nervenschonendere Lösung. Ich selbst bin zwar Team ioBroker und benutze dafür (noch) nicht Docker, aber das liegt daran, dass das Image noch nicht so ausgereift ist wie beim Home Assistant. Als ersten Docker-Container solltest du dir "Portainer" installieren, denn damit wird das Aufsetzen aller anderen Container deutlich leichter. Nebenbei ein Pi-hole aufsetzen ist dann auch ein Kinderspiel und dazu gibt es zahlreiche Videos auf YouTube.

Das HA OS könnte für dein Vorhaben dann doch zu abgespeckt sein, sodass du immer erst alles nachinstallieren musst, wovon sonst ausgegangen wird, dass es standardmäßig vorhanden sein sollte.

So als Tipp kann ich dir "linuxserver.io" (https://fleet.linuxserver.io/) nennen, was eine gute Anlaufstelle für Docker-Container ist. Einfach mal durchklicken und gucken, was interessant klingt. Da gibt es z.B. auch schon "grocy", womit du deinen ganzen Haushalt tracken kannst (Einkaufsliste, Rezepte, Kühlschrank Inventur, Speiseplan für die Woche, usw.). Der Vorteil an linuxserver.io ist, dass die Container alle standardisiert und immer relativ aktuell gehalten werden.

Strom ist aber an beiden Orten reichlich vorhanden oder muss das per Batterie laufen?

Vielleicht ist ein "Wireless HDMI Extender" etwas für dieses Szenario:

- Sender: Raspberry Pi, der das Kamerabild per HDMI an den Sender ausgibt. Da braucht man auch nicht viel programmieren, sondern muss nur den Videostream im Vollbild öffnen und per HDMI an den Sender anschließen.

- Empfänger: Je nachdem was du mit dem Videostream machen möchtest, kannst du hier nur einen Monitor anschließen oder einen HDMI-Grabber/Capture Card einsetzen, um den Stream am Computer weiterzuverarbeiten.

Beispielprodukt: https://www.amazon.de/dp/B09Q31PW5L/?tag=psblog-21 [Anzeige]

Soll 200m im offenen Feld schaffen und die Antennen lassen sich aber noch aufrüsten/verlängern, damit du die z.B. durchs Fenster führen kannst.

Ist nicht die schönste Lösung per HDMI, aber wie schon gesagt ist LoRa hier unbrauchbar und ein 24/7 Videostream per Mobilfunk wird ordentlich teuer.

AliExpress usw. haben noch Transmitter mit höheren Reichweiten, aber da würde ich aufpassen, dass die nicht doch zu stark strahlen und du dann die Bundesnetzagentur auf der Matte stehen hast.