Привет! Меня зовут oldzoomer, и я хочу рассказать, как я подключил приёмник Триколор к экосистеме Яндекса, чтобы управлять им голосом через Алису. Всё сделано на Java 21, Spring Boot и официальном Stingray TV API - без хаков и модификаций прошивки.
После первой статьи про мой дом и баню я получил массу откликов — от инженеров, интеграторов и людей, которые строят свои умные дома. Многие писали, что узнали себя в описании, делились своими решениями, задавали вопросы про детали и надежность.
Поэтому я решил написать продолжение о том, как проект вышел за рамки личного опыта. Сначала соседи приходили просто посмотреть, потом просили помочь. Так мой «умный дом» постепенно превратился в бизнес — инженерные системы и автоматизация полива для соседей и всего поселка Wright Village.
Сейчас у меня за плечами уже несколько частных участков и поселковая система полива, которая обслуживает сквер, парк и центральные аллеи.
И этим опытом я тоже решил поделиться.
Разбираю неочевидные риски сухого воздуха, типы увлажнителей и гайд по выбору своего устройства.
Как разработчики и фрилансеры, мы проводим до 90% времени в помещении, окруженные мониторами, компьютерами и... пересушенным воздухом. Параметры микроклимата в нашем рабочем пространстве - это не абстрактное понятие, а прямой фактор, влияющий на самочувствие, когнитивные функции и в долгосрочной перспективе - на здоровье. Главный враг в отопительный сезон - низкая влажность. И страдает от нее не только мебель, но и наш главный актив - организм.
Чаще всего мы приезжаем на новые объекты, где умный дом только что установили. Мы видим аккуратно собранный щит — десятки модулей, контроллер, кабели, автоматы — но не видим, как с этим живут люди.
Эта поездка оказалась другой. Мы побывали в двухуровневой квартире, где система автоматизации работает с 2020 года, и хозяин не просто использует ее, а пишет сценарии в Node-RED.
Система автоматизации квартиры управляет климатом, освещением и шторами. Мы получили от Константина, ее владельца, обратную связь после нескольких лет эксплуатации. И ею мы хотим поделиться.
Но главная особенность этого проекта в другом: умный дом здесь можно выключить. Обычным переключателем система переводится в «ручной» режим — автоматика отключается, и свет работает как в обычной квартире, через стандартные выключатели и фазу.
Нам подобное резервирование кажется избыточным. А вот хозяину нравится. Кто прав — решать вам.
Так получилось, что у меня в доме давно используются видеокамеры наблюдения.
Сначала это было всего лишь «посмотреть, что там перед воротами», потом — неплохо бы контролировать что делают кошки‑собаки, ну и в общем, получилось довольно много в разных местах.
Много, но недостаточно: например, однажды вышла глупая ситуация, когда закончился пакет корма для собаки, при этом все считали что в кладовке уже лежит запасной, а оказалось — не лежит!
Пришлось срочно ехать в магазин за маленьким пакетиком «не того», пока привезут «тот».
А всего‑то надо было просто заглянуть в кладовку заранее — но это же надо идти туда...
Аналогично — когда нужно просто заглянуть в гараж, например, или еще в какое хозяйственное помещение.
Конечно, камеры там тоже можно повесить, но возникает неожиданная проблема: неудобно смотреть!
За шаг до перехода от осени тренировочной к осени настоящей (увы, в Подмосковье бабье лето заканчивается) напоминаю о том, что свободное время это не всегда диван или активный отдых. Есть ещё такое хобби как дача. О ней и о попытках любительской автоматизации дачного хозяйства и повествую уже в третий раз ...
Полив освоен! Свет, тепло...
Слегка окрепло мастерство.
Осведомлён я о котах,
Давлении, шумах, ping`ах.
Здесь тихо не пройти бобрам,
Без сообщений в Telegram.
А чтоб поменьше суеты,
Пусть SourceCraft берёт бразды!
Прогресс стремительно бежит вперед и вот уже домашние роботы пылесосы научились перешагивать. На тест попал робот‑пылесос X50 Ultra от Dreame с рядом интересных функций — постараюсь подробно рассказать об этой новинке.
Я — инженер техподдержки, наши клиенты знают меня как Aleksandr_Khlebnikov. Одна из задач инженеров в нашей компании — тестировать новое оборудование. Мы как раз выпустили модуль расширения, добавляющий контроллеру выход HDMI.
Смотреть на веб-интерфейс во время тестирования скучно, и в голову пришла мысль: а что если попробовать запустить на контроллере Doom? В железо я верил, в свои умения — чуть меньше. Все-таки контроллер «заточен» под специфические задачи, а лишняя функциональность в ОС отключена. Но раз внутри работает полноценный Linux — почему бы не попробовать?
Итак, эта история о том, как я подключил к контроллеру HDMI-монитор, как запустил Doom и что из этого вышло. А еще о том, как я сделал геймпад с интерфейсом Modbus RTU.
Моя практика работы с увлажнением уже подходит к 15 годам и первая версия этого увлажнителя проработала у меня около 7 лет, сейчас построена вторая, так что думаю мне есть что рассказать.
Замеры и расчёты показывают что обычные бытовые увлажнители не способны создать 50% влажности при качественном проветривании, поэтому я доработал и поставил дома промышленный увлажнитель, присаживайтесь поудобнее, вас ждёт небольшая заметка о влажности дома.
Практические сложности настройки устройств Modbus TCP/RTU в промышленной среде и легкое решение через мобильное приложение.
ESP32 давно зарекомендовал себя как универсальный микроконтроллер для IoT: он умеет работать с Wi-Fi и Bluetooth, управлять сенсорами и исполнительными устройствами. Но за последние годы стало ясно, что даже на таких простых устройствах можно запускать алгоритмы машинного обучения.
В этой статье рассмотрим, как на ESP32 можно реализовать три базовых алгоритма классификации — дерево решений, метод К-ближайших соседей (KNN) и полносвязную нейросеть на TensorFlow Lite.
Для эксперимента использовался датчик цвета GY-31 (TCS230). Он преобразует отражённый от поверхности на которую направлен свет в три значения — красный, зелёный и синий (R, G, B). Задача: по этим трём числам определить, какой цвет «видит» сенсор: красный, оранжевый, жёлтый, зелёный, синий, фиолетовый, белый или чёрный.
Модуль ESP32-CAM - это доступное и компактное решение, которое сочетает в себе микроконтроллер ESP32 и камеру OV2640. Благодаря своей низкой цене и широким возможностям он стал популярным выбором среди разработчиков проектов в области IoT, компьютерного зрения и робототехники.
В данной статье я собрал серию из 15 практических уроков, каждый из которых сопровождается видео и исходным кодом. Вместе мы пройдём путь от базового примера захвата изображения до реализации алгоритмов компьютерного зрения и даже интеграции TensorFlow Lite для классификации объектов прямо на ESP32-CAM.
Материалы организованы по нарастающей сложности: начиная с простого веб-интерфейса и работы с памятью устройства, и заканчивая фильтрацией изображений, преобразованием Хафа и нейронными сетями. Для каждого урока вы найдёте:
Почти всё время существования лаборатории студенческих проектов Висконсинского университета в ней использовалась камера. Есть свидетельства наличия такой системы ещё в 1990-х: на древней версии сайта университета о ней говорится следующее:
…на стену приклеена изолентой камера ценой $15, подключённая к видеомагнитофону, который соединён с видеоразъёмом Mac IIcx, где запущены Timed Video Grabber (TVG) и FTPd. Рабочая станция HP Dax выполняет скрипт, который каждые 60 секунд пытается сохранить на FTP последнее изображение. Из-за отсутствия синхронизации часов время от времени происходят коллизии доступа к файлам, и вся схема ломается.
Прочитав это, я ненароком с восхищением взглянул на камеру, которая теперь установлена наверху аркадного автомата. Система, для создания которой требовалось оборудование на многие тысячи долларов, сегодня реализуема (в бесконечно лучшем качестве) на основе веб-камеры за $50, подключенной к Raspberry Pi.
Настройка визуального отображения статистики данных топиков из Wirenboard через Grafana на внешнем сервере.
Меня зовут Антон, мне 46 лет. По образованию я экономист и юрист, всю жизнь занимался инновационным бизнесом — помогал доводить разработки молодых ученых до рынка. В «умный дом» я пришел случайно и совсем не по профессии.
В 2022 году после ковида я решил строить дом в коттеджном поселке. Сразу стало понятно: вложения большие, управлять инженерными системами вручную я не хочу. Я человек ленивый, хотелось, чтобы все работало автоматически, а я мог видеть и контролировать процессы даже на расстоянии.
Я начал звонить интеграторам. Стоимость — миллионы рублей за примитивные проекты: в основном только освещение, без котельной и климата. Я понял, что дешевле сделать самому. Так я оказался в мире автоматизации, где пришлось разбираться с контроллерами, датчиками, сценариями и кучей нюансов.
Сначала я построил баню — и поселился в ней. Она стала моим первым полигоном: именно там я начал собирать системы, тестировать конфигурации и сценарии, понимать, что такое умный дом на практике. А сам дом еще отделывается — в нем масштаб решений куда больше, все таки 230 м².
Это небольшое дополнение к статье https://habr.com/ru/sandbox/258638/. Если вы её не читали, то лучше начать с неё, будет понятна предыстория и как развивалась концепция взаимодействия с пользователем и AQ. А мы пойдем по классикам и коротко разберем, разработку проекта от потребностей до дизайна ):
История начинается просто, начитавшись статей о том, как важно контролировать уровень СО2 в помещении и как несоблюдение установленных норм может сказаться на здоровье, решил озадачиться этой проблемой и помониторить рынок на предмет соответствующих решений. И, к сожалению, ни один из вариантов меня не устроил, где-то откровенный обман (используют дешёвые и неточные датчики), где-то ограниченный функционал, дизайн некошерный и прочие субъективные и объективные, в ряде случаев, проблемы.
Бассейн — это целый набор инженерных систем: циркуляция и фильтрация воды, ее подогрев, контроль pH и окислительно-восстановительного потенциала (ORP), дозировка реагентов, система автодолива, освещение, а ещё и защита от протечек. Всё это должно работать согласованно, круглосуточно и без участия человека.
В статье расскажем, как автоматизировали частный бассейн: какие задачи стояли, какое оборудование использовали и как всё это работает в реальной эксплуатации.
Мы сразу отказались от «коробочной» автоматики, которую предлагали установщики бассейна: у нее не было дистанционного управления, интерфейс для пользователя был крайне неудобным, а возможности интеграции в общую систему — минимальными. Поэтому оставили только чашу и ее обвязку. Цель была в том, чтобы построить полностью автономную систему, которая живёт сама по себе и требует минимального внимания.
В этой части рассмотрим с теоретической стороны разработку дополнений (add-ons) для Home Assistant Operating System.
Несколько недель назад я опубликовал статью о том, как превратить обычный диктофон в инструмент для расшифровки речи с помощью OpenAI Whisper. Идея была создать бесплатную и приватную систему ИИ диктофона, которая избавляет от необходимости переслушивать аудиозаписи лекций или выступлений. Тогда статья нашла своего читателя, собрав 140 закладок.
В процессе настройки я боролся с несовместимостью библиотек, подбирал нужные версии драйверов и вручную собирал рабочее окружение. В комментариях мне справедливо заметили: «Вместо всей этой возни можно было найти готовый Docker‑контейнер и поднять всё одной командой». Звучало логично, и я с энтузиазмом принял этот совет. Я ведь верю людям в интернете.
Новая идея — не просто расшифровывать речь, а разделять её по голосам — как на совещании или встрече. Это называется диаризацией, и для неё существует продвинутая версия — WhisperX. Цель была проста — получить на выходе не сплошное полотно текста, а готовый протокол встречи, где понятно, кто и что сказал. Казалось, с Docker это будет легко.
Но я заблуждался. Путь «в одну команду» оказался полон сюрпризов — всё сыпалось одно за другим: то скрипт не видел мои файлы, то не мог получить к ним доступ, то просто зависал без объяснения причин. Внутри этой «волшебной упаковки» царил хаос, и мне приходилось разбираться, почему она не хочет работать.
Но когда я всё починил и заставил систему работать, результат превзошёл мои ожидания. Новейшая модель large-v3 в связке с диаризацией выдала не просто текст, а структурированный диалог. Это был настолько лучший результат, что я смог передать его большой языковой модели (LLM) и получить глубокий анализ одной очень важной для меня личной ситуации — под таким углом, о котором я сам бы никогда не задумался.
Именно в этот момент мой скепсис в отношении «умных ИИ‑диктофонов», которые я критиковал в первой статье, сильно пошатнулся. Скорее всего их сила не в тотальной записи, а в возможности превращать хаос в структурированные данные, готовые для анализа.
В этой статье я хочу поделиться своим опытом прохождения этого квеста, показать, как обойти все скрытые сложности, и дать вам готовые инструкции, чтобы вы тоже могли превращать свои записи в осмысленные диалоги.
