Согласен, у меня приток больше, что бы не тянуло в дом холодом из под дверей. Но если честно если это не хобби, я бы не стал связываться с мембраной, имхо слишком много времени сожрет, а прибавка эффективности не такая большая.
эмм вероятно я вас не понял, но в рекупе приток и вытяжка контактируют через один слой материала, т.е. что бы было натяжение его должно выгнуть в одну из сторон, т.е. что до должно дуть сильнее, что не правильно для остальных целей всего устройства.
Не подскажу к сожалению, я почитал на форумхаусе как народ мучается склеивая кассеты что бы пленка была натянута и понял что не готов столько сил и времени тратить, в итоге собрал из сотового поликарбоната.
У меня рекуп из сотового поликарбоната. На дом 70 квм. В этом году морозов не было, за КПД в зимних условиях не скажу, при -10 показывает 78-85% КПД(датчики температуры на входах и выходах рекупа). Разморозка включается при 65%, но по факту не включалась ни разу (если все уходят, то вентиляция отключается, и сама размораживается). С Октября слил 2,5 ведерка конденсата, что очень мало. Площадь рекупа 18 квм. Вентиляторы с номинальным потоком 230 кубм(с дуру взял с запасом), с в подпором воздуховодов не помню сколько выходит реально. Но буду менять на менее мощные, выводы 120 трубы в спальне (самая дальняя точка) шумят (на мой слух). В итоге: для опробования технологии рекуперации без четкого понимания и расчета, считаю, что рекуп из сотового поликорбоната или полипропилена, идеальное решение, потому что стоит мало, трудозатрат мало, эффект на лицо. По Материалам: 5 листов ЭППС, Пена монтажная, Силиконовый или акриловый герметик 4 баллона, 4 фланца под 120 трубу. Мой бюджет ~3600р на рекуп, 5600р на вентиляторы, 2300р на электронику (ардуина, 4 темп.датчика, 4 реле, экран)
К сожалению это история лени и прокрастинации, с тех пор как я понял что 90% это механика, я тяну резину и писать об этом стыдно. Есть надежда что динамическое управление скоростью конвейера по средствам аналитики потока с помощью OpenCV решит часть проблем. Основная проблема это разнородность деталей. То есть если были только кубики, нескольких размеров, то можно настроить конвейер под этот тип и все хорошо. А быстрый универсальный пока не дается, медленный мне лично не нужен и мало вероятно что нужен другим фанатам Лего. Отдельная задача избавиться от вибро лотка — очень шумно.
На счет съемки, принцип взят из промышленности: из Китая заказана дешевая usb камера на CMOS OV2710 и 8мм фокусное расстояние снимает 640x480 120 кадров. Смотрит строго под 90 к поверхности. Сделана очень яркая (~ 50 ватт светодиодных ламп) конвейер из бумаги снизу подсветка ~12 ватт, то есть все для того что бы не было теней и получить четкие контуры, так же позволяет увеличить скорость затвора, и уменьшить ролингшаттер. Бумага живет где-то месяц и в целом пылит, возможно перейду на полотно и сделаю контурную подсветку.
Вся механика пока что на шаговых двигателях + arduino + ramps 1.4 (Надстройка для 3d принтеров) Конвейера 3d печатные из звеньев. Конструкции из серой ленты, деревяшек, картона и известной матери.
Набить датасет самая простоя задача, почти все детали и так отсортированы, есть простой скрипт на Python и openCV с детектором движения в кадре, сохраняет изображения. Засыпаешь детали в приемный лоток, вводишь название детали и ждешь. На проде планирую режим сортировки с отладкой, т.е. все фото распознанных деталей будут раскладываться по папкам. Взял выходной лоток, увидел косяк, залез в папку и нашел фото с которого ошибка, дальше разные варианты.
По программной части пока что почти ничего, кодер из меня никакой, так что я на возмездной основе привлекаю знакомого. Целевая задача в первом приближении что бы сетка работала на домашней видеокарте, обучение в арендованном облаке. Скорее всего сетки будет две, потому что я на входе физически отделяю большие детали от маленьких(а в маленьких есть очень похожие детали, которые составляют до 30-50% по кол-ву от всех деталей в коллекции) Вначале будем пробовать предобученные сети, и физические и логические методы помощи. Например можно поставить зеркало под 45 к камере и получать на одном фото две проекции детали и ещё несколько вариантов. подобного.
Как видите на статью это не тянет. Если есть вопросы спрашивайте.
Нет, у меня есть коллекция lego Technic с каждым годом она растет, а времени все меньше. Что бы оно не пропадало зря все детали рассортированы деталь/цвет по лоткам. И если я уделяю вечер сборке, то по итогу есть какой то узел деталей на 100-200 и 1500+ просто валяются по столу потому что не подошли и творческая мысль так пошла.
Знаю что перевод, но может кому полезно будет. Я фанат Лего и в качестве хобби собираю сортировщик. Автор оригинала не первый кто реализовал рабочий прототип (был ещё Jacques Mattheij), но как и в других областях важна скорость и точность. Я в фоновом режиме собираю свой вариант, моя система должна распознавать 1960 типов деталей (ещё есть цвета), и обрабатывать 3 детали в секунду (Это минимум) тогда в сортировщике есть смысл. И к моему огромному разочарованию, бОльшая часть задачи в механике, оказалось, что выложить детали по одной на конвейер с нужной скоростью крайне сложно. У меня, как и у автора сейчас вибрационный лоток, перед конвейером с камерой, но он не дает постоянной скорости сброса и грохочет на весь дом. Кроме того, детали имеют очень разные размеры от 5мм до 16 см. Так вот интересная задача на машинное обучение для меня превратилась в бесконечное тестирование, лотков, конвейеров, просеивающих решеток и т.д. Прототип который собираю сейчас будет состоять из: 2х наклонных просеивающих решеток(отделяют маленькие детали от больших), от каждой подающий конвейер, после второй каскад конвейеров с ограничением потока и выравниванием (мягкие кисти, заслонки из мягкого пластика и т.д.) потом для каждого конвейера свой вибро лоток(разного размера) и только потом основная камера. При этом подающие и выравнивающие конвейера будут управлять скоростью либо по простому оптическому датчику либо будет отдельная камера и скрипт на OpenCV для постоянной скорости потока деталей.
В одном из офисов наблюдал (около двух лет) конкуренцию как она есть. Установлены два автомата разных фирм, в среднем одинаковое качество, первое время качество менялось волнами, т.е. одна фирма засыпает вкусный кофе -> клиенты уходят к ним, другая фирма пробует кофе конкурента(даже спросил сервисника почему он пьет кофе у конкурентов, он честно сказал что разведка) -> засыпает норм кофе -> спрос выравнивается, после чего качество у обоих опять падает. Так было около года, а потом они видимо наняли маркетосов (именно маркетосов, а не специалистов по маркетингу), и пошла конкуренция наклеек NEW, без изменения содержимого и качества, до маразма: на наклейке переименовали + NEW, а на дисплее аппарата старое название и продукт по факту тот же. Кпд на жалобы по телефону 10%. Только письмо от компании владельца офиса давало ощутимый прирост качества на пару недель=)
p0b0rchy подсказал хороший доклад Нет данных? Нет проблем! Deep Learning на CGI 5й сверху в статье.
Если рассматривать реальный мир, мало кому нужна точная модель шурупа или болта с точной резьбой и тем более фото реалистичной текстурой и материалом. У нас точно такая же ситуация вышла, есть 1500 моделей в которых только контуры и значимые размеры, финишная отделка вообще не сделана, а это весомые признаки для сети.
Второй момент, это сравнение затрат на хорошего специалиста 3D который понимает как приблизить картинку к реальности(про Style Transfer мы не догадались тогда) и на 4х офисных планктонов с телефонами в руках. Большой вопрос от какого кол-ва деталей 3D путь выйдет более рентабельным.
Спасибо за наводку, мне грозит в этом году сортировка на конвейере.
У нас же был кейс идентичный статье (Хобби проект на благо родного предприятия).
Розничные клиенты с разовыми покупками фитингов для пневмо линий, гидро линий и т.д. Каталог 1500 фитингов. Клиент может нормально заказать только если знает партномер или точные размеры (у всех производителей разные допуски, даже на общие стандарты) И чу-чуть магии слов: «там насечка косая», «две продольные канавки», «ну итальянский! Что не понятного…»
Решение в итоге не такое технологичное как в статье: Клиент высылают фотку в почту, меседжер или форму на сайте. И менеджер (который раньше просто сливался от таких заказов) Скармливает фотку скрипту, тот выдает первые 5 по вероятности позиции. Все на Python, OpenCV для предобработки, «по учебнику» Xception и RESNET50 (обучали на gtx1080ti сотрудника, поэтому ограничены в ресурсах).
Пробовали обучать сеть на рендерах для похожей задачи, нас подкупила база 3D моделей на каждый предмет (Sku ~1500) — отказались.
Если просто рендерить много углов съемки для многих деталей, то сеть на реальных фото плохо работает(точность ~76%). Добавляли разные тени, блики, фоны, артефакты съемки — прогресс был очень медленный (~81%), при этом мы фотографировали сами и смотрели что нужно имитировать в 3D.
В итоге четыре человека с помощью смартфонов за три обычных рабочих дня, сфотографировали выборку которая дала сразу 89%.
Успешно использовать рендер можно только если:
Есть 3D модели или их дешевле сделать чем фотографировать исходник
Конечные условия съемки изделий будут «тепличными» и их легко имитировать для обучения сети
На счет съемки, принцип взят из промышленности: из Китая заказана дешевая usb камера на CMOS OV2710 и 8мм фокусное расстояние снимает 640x480 120 кадров. Смотрит строго под 90 к поверхности. Сделана очень яркая (~ 50 ватт светодиодных ламп) конвейер из бумаги снизу подсветка ~12 ватт, то есть все для того что бы не было теней и получить четкие контуры, так же позволяет увеличить скорость затвора, и уменьшить ролингшаттер. Бумага живет где-то месяц и в целом пылит, возможно перейду на полотно и сделаю контурную подсветку.
Вся механика пока что на шаговых двигателях + arduino + ramps 1.4 (Надстройка для 3d принтеров) Конвейера 3d печатные из звеньев. Конструкции из серой ленты, деревяшек, картона и известной матери.
Набить датасет самая простоя задача, почти все детали и так отсортированы, есть простой скрипт на Python и openCV с детектором движения в кадре, сохраняет изображения. Засыпаешь детали в приемный лоток, вводишь название детали и ждешь. На проде планирую режим сортировки с отладкой, т.е. все фото распознанных деталей будут раскладываться по папкам. Взял выходной лоток, увидел косяк, залез в папку и нашел фото с которого ошибка, дальше разные варианты.
По программной части пока что почти ничего, кодер из меня никакой, так что я на возмездной основе привлекаю знакомого. Целевая задача в первом приближении что бы сетка работала на домашней видеокарте, обучение в арендованном облаке. Скорее всего сетки будет две, потому что я на входе физически отделяю большие детали от маленьких(а в маленьких есть очень похожие детали, которые составляют до 30-50% по кол-ву от всех деталей в коллекции) Вначале будем пробовать предобученные сети, и физические и логические методы помощи. Например можно поставить зеркало под 45 к камере и получать на одном фото две проекции детали и ещё несколько вариантов. подобного.
Как видите на статью это не тянет. Если есть вопросы спрашивайте.
Если рассматривать реальный мир, мало кому нужна точная модель шурупа или болта с точной резьбой и тем более фото реалистичной текстурой и материалом. У нас точно такая же ситуация вышла, есть 1500 моделей в которых только контуры и значимые размеры, финишная отделка вообще не сделана, а это весомые признаки для сети.
Второй момент, это сравнение затрат на хорошего специалиста 3D который понимает как приблизить картинку к реальности(про Style Transfer мы не догадались тогда) и на 4х офисных планктонов с телефонами в руках. Большой вопрос от какого кол-ва деталей 3D путь выйдет более рентабельным.
У нас же был кейс идентичный статье (Хобби проект на благо родного предприятия).
Розничные клиенты с разовыми покупками фитингов для пневмо линий, гидро линий и т.д. Каталог 1500 фитингов. Клиент может нормально заказать только если знает партномер или точные размеры (у всех производителей разные допуски, даже на общие стандарты) И чу-чуть магии слов: «там насечка косая», «две продольные канавки», «ну итальянский! Что не понятного…»
Решение в итоге не такое технологичное как в статье: Клиент высылают фотку в почту, меседжер или форму на сайте. И менеджер (который раньше просто сливался от таких заказов) Скармливает фотку скрипту, тот выдает первые 5 по вероятности позиции. Все на Python, OpenCV для предобработки, «по учебнику» Xception и RESNET50 (обучали на gtx1080ti сотрудника, поэтому ограничены в ресурсах).
Если просто рендерить много углов съемки для многих деталей, то сеть на реальных фото плохо работает(точность ~76%). Добавляли разные тени, блики, фоны, артефакты съемки — прогресс был очень медленный (~81%), при этом мы фотографировали сами и смотрели что нужно имитировать в 3D.
В итоге четыре человека с помощью смартфонов за три обычных рабочих дня, сфотографировали выборку которая дала сразу 89%.
Успешно использовать рендер можно только если: