AllSky cam Marc

Viewing 6 posts - 1 through 6 (of 6 total)
  • Author
    Posts
  • #21627

    Theunissen
    Keymaster
    posts: 1031

    Geïnspireerd door het onvolprezen artikel van Kees (een van de velen):

    Doe het zelf project: Draadloze AllSky camera met Raspberry Pi

    ben ik een een aantal weken geleden begonnen met de bouw van mijn AllSky cam.

    I.p.v. een Pi3b of 3b+ gebruik ik de recent verschenen Pi4 (2GB) versie. Een aantal voordelen zijn los van 1GB meer werkgeheugen (niet echt benodigd) t.o.v. zijn voorgangers twee USB3 poorten en een aanzienlijk hogere bedrijfstemperatuur. Vooral laatst genoemde kan voor een AllSky cam zomaar een voordeel in de winter (vorst) en qua condens opleveren (maar wellicht meer hotpixels). Voorts maken ZWO camera’s ook graag gebruik van USB3 poorten.

    De AllSky software op Github is inmiddels geüpdate voor de PI4.

    Ik heb op basis van de Instructable link zoals in het artikel van Kees deze afgeleide build gevonden:

    https://www.instructables.com/member/das.shark/

    waarin gebruik wordt gemaakt van een 3d print frame voor de PI en een ZWO ASI camera, in mijn geval ook een 290MC. Een vriend heeft deze voor mij vervaardigd.

    @wimengels vroeg in reactie op een topic van @musquetier wat eronder de ZWO camera zit (zie afbeelding 3).

    Ik heb in deze build een Google Coral (Edge USB Accelerator) toegevoegd. Deze stick kan een “machine learning inferencing” model draaien. Ik heb gisteren een Proof of Concept modelletje gebouwd waarin een image tegen het model wordt gehouden en wolken en/of meteorieten worden herkend (uitgedrukt in percentages, zie afb. 2). Kort door de bocht … object herkenning. Een leuke introductie:

    Build a Teachable Machine with Coral’s USB Accelerator

    Ik ben voornemens een uitgebreid model te bouwen (en ben de data hiervoor aan het verzamelen) waardoor de AllSky cam autonoom en “on the fly” kan herkennen wat hij waarneemt. Denk aan meteorieten, boliden, vliegtuigen, wolken, etc. De redenen om dit doen: het is interessant en een mooie introductie in het ML/AI gebied, het biedt allerlei interface/notificatie mogelijkheden en feitelijk … omdat het kan!

    Overigens heb ik inmiddels ook ontdekt wat de IR verlichting van een security cam doet 🙂 … flood light in het IR gebied, zie de 4de afbeelding.

    Ik heb nog geen definitieve waterdichte behuizing, ik zal de komende tijd gebruiken voor wat data verzameling en scripten van de software en zoeken van een goede behuizing.

    Wordt vervolgd!

    Het image zoals gebruikt om het PoC model te testen is copyright © Victor van Wulfen.

    • This topic was modified 1 month ago by  Theunissen.
    • 3 people like this.
    #21653

    Theunissen
    Keymaster
    posts: 1031

    De 1ste timelapse. Met een ISS overgang een en aparte stervormige licht “flits” ? onder Vega om 1:45.

    • 4 people like this.
    #21657

    Frank_Teunissen
    Participant
    posts: 121

    Mooie time-lapse Marc. Flits mogelijk Iridium flare? mvg

    • 1 person likes this.
    #21662

    Groenewold
    Moderator
    posts: 1155

    Zo, best veel licht aan in huis ‘s nachts. 🙂 Mooie setup zeg!

    #21666

    Theunissen
    Keymaster
    posts: 1031

    Mooie time-lapse Marc. Flits mogelijk Iridium flare? mvg

    Dat was eigenlijk ook mijn eerste gedachte maar niet volgens Heavens Above. Altijd leuk om dingetjes “te zien” 🙂

    #21728

    Theunissen
    Keymaster
    posts: 1031

    De PoC (proof of concept) is wat mij betreft geslaagd.

    In het demo videootje kopieer ik even een aantal images met de hand naar de betreffende image folder op de Raspberry Pi4 om het script zijn werk te laten doen.

    Ik heb via de Google Auto ML Interface een model getraind met 100 ISS, vliegtuig en Melkweg images (300 in totaal). Vandaag heb ik een Python scriptje in elkaar gedraaid die:

    1. de upload folder van ASI290MC in de gaten houdt voor nieuwe images;

    2. indien nieuw bestand dit image classificeert.

    Vanaf nu is van alles mogelijk, ik kan er voor kiezen om log bestanden aan te laten maken, images met een hoge ISS score (of welk object dan ook indien getraind) naar een aparte folder te kopiëren (idee @KeesScherer) etc.

    In feite is het doel bereikt, autonome objectherkenning door de camera (het systeem) en is de rest een kwestie van verder verfijnen.

    • 5 people like this.
Viewing 6 posts - 1 through 6 (of 6 total)

You need to log in or to reply to this topic.