Bird Feeder Monitor V2.0: 12 steg (med bilder)

2024 Författare: John Day | [email protected]. Senast ändrad: 2024-01-30 12:37

Detta är ett projekt för att övervaka, fotografera och registrera antalet fåglar som besöker vår fågelmatare. Flera Raspberry Pi (RPi) användes för detta projekt. Den ena användes som en kapacitiv beröringssensor, Adafruit CAP1188, för att upptäcka, spela in och utlösa fotografier av fåglarna som matar. En annan RPi konfigurerades för att styra driften av detta övervakningssystem, samt lagra och underhålla data för övervakning och analys. Den sista RPi konfigurerades som en kamera för att fotografera varje fågel som besöker mataren.

Tillbehör

1. 1 ea - Raspberry Pi W
2. 1 ea - Raspberry Pi 3 - modell B+ - för MQTT -server
3. 1 ea - Raspberry Pi med kamera - Valfritt
4. 2 st - Väderbeständiga fodral för RPi och CAP1188 sensor
5. 1 st - Kopparfolieband med konduktivt lim
6. Tråd - 18-22 AWG
7. Lödkolv och löd
8. Lödflöde för elektronik
9. Silikontätning*
10. 8 st - M3 x 25 maskinskruvar*
11. 8 st - M3 -muttrar*
12. 1 ea - Proto Board för montering av CAP1188
13. 1 st - 1x8 kvinnlig Dupont -kontakt
14. 1 st - 1x6 hane Dupont -kontakt
15. 1 ea - CAP1188 - 8 -tangents kapacitiv beröringssensor
16. 2 st - PG7 Vattentät IP68 Nylon kabelgenomföring Justerbar låsmutter för 3 mm -6,5 mm Dia kabeltråd
17. 1 set - 2 -polig bilvattentät elektrisk kontaktplugg med kabel AWG Marine Pack på 10
18. 3 st - 5VDC nätaggregat - en för varje RPi
19. 1 ea - Bird Feeder (CedarWorks Plastic Hopper Bird Feeder), eller vilken fågelmatare som helst med plast- eller träpinnar

*för 3D -tryckta väderbeständiga fodral

Steg 1: Översikt över Bird Feeder Monitoring System

Detta är ett övervakningssystem som är utformat för att räkna, tid, spela in och fotografera fåglarna som matar vid vår fågelmatare. Den tidigare versionen av min Bird Feeder Monitor använde en Arduino Yun och lagrade data i ett kalkylblad på min Google Drive. Denna version använder flera Raspberry Pi, MQTT -kommunikation och lokal lagring av data och fotografier.

Fågelmataren är utrustad med en Raspberry Pi Zero W och kapacitiv beröringssensor (CAP1188). Alla fåglar som lyser på sittpinnar aktiverar pekssensorn som startar en timer för att bestämma hur lång tid varje händelse varar. Så snart trycket är aktiverat publiceras "monitor/matare/bild" MQTT -meddelande av Bird Feeder Monitor. Detta meddelande meddelar Raspberry Pi -kameran att ta ett foto. Om MQTT -servern publicerar ett "monitor/feeder/getcount" -meddelande, svarar Bird Feeder Monitor med ett "monitor/feeder/count" MQTT -meddelande som servern kommer att lagra.

MQTT -servern utför flera uppgifter. Den begär och lagrar data från Bird Feeder Monitor, och den kontrollerar monitorn. Den aktiverar monitorn vid Dawn och stänger av den i skymningen. Det styr också tidsintervallet för begäran av data, och det övervakar också de aktuella väderförhållandena via DarkSky. Väderförhållandena övervakas av ett par skäl. Först och främst kan mängden nederbörd påverka sensorerna. Om detta inträffar kalibreras sensorerna rutinmässigt medan det regnar. Den andra anledningen är att övervaka och registrera väderförhållanden för korrelation med fågelräkningsdata.

Raspberry Pi -kameran är en RPi + Raspberry Pi -kameramodul. Kameraprogramvaran som används för detta projekt fungerar inte med en USB -webbkamera. RPi -kameran är utrustad med WIFI och använder MQTT -klientprogramvara. Den prenumererar på "monitor/matare/bild" MQTT -meddelanden och tar ett foto varje gång detta meddelande tas emot. Bilderna lagras på RPi -kamera och hanteras på distans.

Steg 2: Installera Raspbian på Bird Feeder Monitor

Installera den senaste versionen av Raspbian Lite på Raspberry Pi Zero W. Jag rekommenderar att du följer de steg-för-steg-instruktioner som finns i Adafruit's Raspberry Pi Zero Headless Quick Start.

Följande steg inkluderades i instruktionerna ovan, men förtjänar att upprepas:

Anslut till RPi via ssh och kör följande kommandon:

sudo apt-get updatesudo apt-get uppgradering

Kommandona ovan kommer att ta ett tag att slutföra, men att köra dessa kommandon kommer att försäkra dig om att du är uppdaterad med de senaste paketen.

Kör sedan följande kommando för att konfigurera RPi -programvaran:

sudo raspi-config

Ändra ditt lösenord, aktivera SPI och I2C och expandera filsystemet. När dessa är klara avslutar du raspi-config.

Steg 3: Anslutning av RPi och CAP1188

Raspberry Pi W (RPi) och CAP1188 är anslutna med I2C. Det finns andra kapacitiva touch -sensorer tillgängliga med antingen en, fem eller åtta sensorer. Jag valde åtta eftersom min fågelmatare har sex sidor.

Kabeldragning:

• CAP1188 SDA == RPi Pin 3
• CAP1188 SCK == RPi Pin 5
• CAP1188 VIN == RPi Pin 1 (+3.3VDC)
• CAP1188 GND == RPi Pin 9 (GND)
• CAP1188 C1-C8 == Anslut till ledningar på varje abborre via 1x8 kvinnlig Dupont-kontakt
• CAP1188 3Vo == CAP1188 AD - Anslut I2C -adressen till 0x28
• RPi Pin 2 == +5VDC
• RPi Pin 14 == GND

Ström till RPi gavs externt, genom att köra en tråd under jord från mitt garage och upp genom röret som används som fågelmatningsställ. En 2-stifts väderbeständig kontakt var ansluten till änden av tråden för anslutning av RPi Bird Feeder Monitor. Den andra änden av tråden var ansluten till en säkrad 5-VDC strömförsörjning i garaget. Det här projektet borde fungera med batterier, men jag ville inte ha krångel med att byta batterier regelbundet.

Jag konstruerade en 16 lång kabel för att ansluta den väderbeständiga lådan som innehåller RPi till den väderbeständiga lådan som innehåller CAP1188. Den kapacitiva sensorn måste placeras så nära abborren som möjligt.

RPi Zero och CAP1188 kunde ha förpackats i en väderbeständig låda, men jag föredrog att förpacka dem separat.

Steg 4: Konfigurera fågelmataren

Logga in på Raspberry Pi Zero W och utför följande steg.

Installera pip:

sudo apt-get install python3-pip

Installera Adafruit CircuitPython:

sudo pip3 install -uppgradera setuptools

Sök efter I2C- och SPI -enheter:

ls /dev /i2c* /dev /spi*

Du bör se följande svar:

/dev/i2c-1 /dev/spidev0.0 /dev/spidev0.1

Installera sedan ett GPIO och Adafruit blinka -paket:

pip3 installera RPI. GPIOpip3 installera adafruit-blinka

Installera Adafruits CAP1188 -modul:

pip3 installera adafruit-circuitpython-cap1188

Installera I2C -verktyg:

sudo apt-get install python-smbussudo apt-get install i2c-tools

Kontrollera I2C -adresser med verktyget ovan:

i2cdetect -y 1

Om CAP1188 är ansluten ser du samma svar som på bilden ovan, vilket indikerar att sensorn är vid I2C -adressen 0x28 (eller 0x29 beroende på ditt val av I2C -adress).

Installera mygga, myggklienter och paho-mqtt:

sudo apt-get install mosquitto mygg-klienter python-mygg

sudo pip3 installera paho-mqtt

Jag rekommenderar att du använder Adafruit's Configuring MQTT på Raspberry Pi för att konfigurera och konfigurera MQTT på denna RPi.

Installera programmet Bird Feeder Monitor:

cd ~

sudo apt-get install git git klon "https://github.com/sbkirby/RPi_bird_feeder_monitor.git"

Skapa loggkatalog:

cd ~

mkdir -loggar

Koppla CAP1188 -sensorn till RPi och utför följande för att testa systemet efter att MQTT -servern är i drift:

cd RPi_bird_feeder_monitor

sudo nano config.json

Ersätt värdena för "OIP_HOST", "MQTT_USER", "MQTT_PW" och "MQTT_PORT" för att matcha din lokala inställning. Avsluta och spara dina ändringar.

Körs vid uppstart

Medan den fortfarande finns i katalogen/home/pi/RPi_bird_feeder_monitor.

nano launcher.sh

Inkludera följande text i launcher.sh

#!/bin/sh

# launcher.sh # navigera till hemkatalogen, sedan till den här katalogen, kör sedan python -skript, sedan tillbaka hem cd /cd home /pi /RPi_bird_feeder_monitor sudo python3 feeder_mqtt_client.py cd /

Avsluta och spara launcher.sh

Vi måste göra manuset körbart.

chmod 755 launcher.sh

Testa manuset.

sh launcher.sh

Därefter måste vi redigera crontab (linux task manager) för att starta skriptet vid start. Obs! Vi har redan skapat katalogen /logs tidigare.

sudo crontab -e

Detta kommer att ge crontab -fönstret enligt ovan. Navigera till slutet av filen och ange följande rad.

@reboot sh /home/pi/RPi_bird_feeder_monitor/launcher.sh>/home/pi/logs/cronlog 2> & 1

Avsluta och spara filen och starta om RPi. Skriptet ska starta feeder_mqtt_client.py -skriptet efter att RPi startar om. Skriptets status kan kontrolleras i loggfilerna i mappen /logs.

Steg 5: 3D -tryckta delar

Dessa STL -filer är för de 3D -utskrivna delarna jag skapade för detta projekt, och alla dessa delar är valfria. Väderbeständiga fodral kan tillverkas eller köpas lokalt. "Monteringskilen" för CedarWorks fågelmatare är också tillval. Denna del var nödvändig för att montera CAP1188 sensorhuset.

Steg 6: Montering av fågelmatare

Efter att ha installerat Raspbian, konfigurerat och testat RPi- och CAP1188 -sensorn som tidigare nämnts, är det nu dags att montera dessa enheter i sina väderbeständiga fodral.

Jag använde de två väderbeständiga fodralen jag skrev ut för att montera RPi- och CAP1188 -sensorn. Först och främst borrade jag ett 1/2 hål i ena änden av varje hölje. Borra hålet på RPi -höljet mittemot sidan med SD -kortet. Montera Nylon -kabelgenomföringsled med justerbar låsmutter i varje hål. Kör de fyra ledarkabel mellan varje hölje. Installera och löd den 2 -stifts bilvattentäta elektriska honkontakten till RPi enligt bilden ovan. Löd den röda ledningen till +5VDC stift 2 på RPi och den svarta ledningen till GND eller stift 14.. Se kopplingsschemat för de andra anslutningarna som används på RPi.

Dra den andra änden av de fyra ledartråden genom packboxförbandet på CAP1188 -höljet och fäst kablarna enligt kopplingsschemat. Alla 8 kapacitiva touchsensorer CAP1188 är lödda på 8 -stifts Dupont -hona. Denna kontakt är infälld i sidan av höljet för att möjliggöra vattentät tätning när toppen appliceras. Obs! Toppen i båda fallen kommer förmodligen att kräva modifieringar för att tillåta muttrarna på Gland Joint Connectors.

Före stängning applicerar jag silikonförslutning på kanterna på varje hölje och runt kablarna på glandfogarna för att täta höljena. Jag lägger också till silikon på baksidan av Dupont -kontakten för att täta den från elementen.

Steg 7: Anslut fågelmataren

Var och en av sidorna på mataren var täckt med 1/4 bred självhäftande kopparfolie tejp. Ett litet hål borrades genom tejpen och abborren, och en tråd löddes till foliebandet och fördes under mataren. Var och en av ledningar är anslutna till en 6-polig Dupont-kontakt.

Obs: Med fågelmataren som visas ovan rekommenderar jag ett mellanrum mellan ändarna på varje folieremsa på 1 1/4 " - 1 1/2". Jag upptäckte att de större fåglarna, som grackles och duvor, kan röra två folieremsor samtidigt om de placeras för att stänga varandra.

"Monteringskilen" som nämnts tidigare trycktes och limmades på matarens botten för att ge en plan yta för montering av den väderbeständiga lådan som innehåller CAP1188. Kardborreband applicerades på lådan såväl som träklossen för att ge ett sätt att fästa. Detta kan ses på fotot ovan av den färdiga monteringen. Ett kardborreband används för att linda runt röret och RPi -lådan för att fästa dem under mataren.

Fågelmataren fylls på igen med sensorn och RPi fäst vid mataren, och medan den fortfarande finns på rörstativet. Lyckligtvis är jag 6'2 lång och når behållaren utan större ansträngning.

Steg 8: MQTT -server

Om du redan dabbar i IOT -världen kan du redan ha en MQTT -server igång i ditt nätverk. Om du inte gör det rekommenderar jag att du använder en Raspberry Pi 3 för MQTT-servern, och instruktionerna och IMG-bildfilen finns på Andreas Spiess webbplats "Node-Red, InfuxDB & Grafana Installation". Andreas har också en informativ video om detta ämne #255 Node-Red, InfluxDB och Grafana Tutorial på Raspberry Pi.

När Node-Red-servern är i drift kan du importera flödet av fågelmatare genom att kopiera data i ~/RPi_bird_feeder_monitor/json/Bird_Feeder_Monitor_Flow.json och använda Importera> Urklipp för att klistra in urklipp i ett nytt flöde.

Detta flöde kräver följande noder:

• node-red-node-darksky-Ett DarkSky API-konto krävs för att kunna använda den här noden.
• node-red-contrib-bigtimer-Big Timer av Scargill Tech
• node-red-contrib-influxdb-InfluxDB-databas

Väderdata för din plats tillhandahålls via DarkSky. Och jag övervakar och registrerar för närvarande "precipIntensity", "temperatur", "fuktighet", "windSpeed", "windBearing", "windGust" och "cloudCover". "Precipintensiteten" är viktig eftersom den används för att avgöra om sensorerna behöver omkalibreras till följd av regnet.

Big Timer -noden är timers schweiziska armékniv. Den är van vid att starta och stoppa inspelningen av data vid gryning och skymning varje dag.

InfluxDB är en lätt att använda tidsseriedatabas. Databasen lägger automatiskt till en tidsstämpel varje gång vi sätter in data. Till skillnad från SQLite behöver fälten inte definieras. De läggs till automatiskt när data infogas i databasen.

Nod-röd konfiguration

JSON -filen som nämns ovan laddar ett flöde som kräver några justeringar för att passa dina krav.

1. Anslut "MQTT Publish" och "monitor/feeder/#" till din MQTT -server.
2. Ställ in latitud och longitud till din plats i noden "Dawn & Dusk Timer (config)".
3. Konfigurera noden "monitor/feeder/astronomy (config)". Kameran kan aktiveras/inaktiveras för varje abborre. Till exempel är två av mina sittpinnar på baksidan, och kameran är avaktiverad för dessa sittpinnar.
4. Ställ in noden "Counter Timer (config)" till önskat tidsintervall. Standard = 5 min
5. Ställ in latitud och longitud till din plats i noden "DarkSky (config)". För det andra, ange din DarkSky API-nyckel i darksky-credentials-noden.
6. Ställ in nederbördsintensiteten i funktionsnoden "monitor/feeder/recalibrate (config)". Standard = 0,001 tum/timme
7. Redigera "ämnesfilter för MQTT -mottagarfelsökningsnod (config)" Funktionsnod för att filtrera ut MQTT -meddelanden som du INTE vill se.
8. Valfritt: Om du vill lagra data i ett kalkylblad på din Google Drive måste du redigera funktionsnoden "Skapa Google Docs nyttolast (config)" med formulärfält -ID: n.
9. Valfritt: Lägg till din unika formulär -URL i URL -fältet i HTTP -begäranoden "Google Docs GET (config)".

Node-Red UI Desktop

Bird_Feeder_Monitor_Flow innehåller ett användargränssnitt (UI) för åtkomst till MQTT -servern via en mobiltelefon. Monitorn kan stängas AV eller PÅ, kalibreras om sensorer eller ta foton manuellt. Totalt visas också "beröringar" av sensorn, vilket ger dig en grov uppfattning om antalet fåglar som besöker mataren.

Steg 9: Grafana

"Grafana är en öppen källkod för metrisk analys och visualisering. Den används oftast för att visualisera tidsseriedata för infrastruktur och applikationsanalys, men många använder den i andra domäner, inklusive industriella sensorer, hemautomation, väder och processkontroll." refn: Grafana Docs.

Denna programvara ingår i Andreas Spiess bildfil som används för att skapa min MQTT -server. Efter konfigurering av InfluxDB -databasen på MQTT -servern kan Grafana konfigureras för att använda denna databas enligt bilden ovan. Därefter kan instrumentpanelen som används av detta projekt laddas från JSON -filen som finns i ~/RPi_bird_feeder_monitor/json/Bird_Feeder_Monitor_Grafana.json. Tips för konfigurering av Grafana finns på Andreas Spiess webbplats "Node-Red, InfuxDB & Grafana Installation".

Steg 10: InfluxDB

Som nämnts tidigare har Adreas Spiess en bra guide och video för att gå igenom konfigurationen av InfluxDB. Här är stegen jag tog för att konfigurera min databas.

Först och främst loggade jag in på min MQTT -server via SSH och skapade en ANVÄNDARE:

root@MQTTPi: ~#

root@MQTTPi: ~# influx Ansluten till "https:// localhost: 8086" version 1.7.6 InfluxDB -version: 1.7.6 Ange en InfluxQL -fråga> SKAPA ANVÄNDARE "pi" MED LÖSENORD "hallon" MED ALLA PRIVILEGER> VISA ANVÄNDARE användaradmin ---- ----- pi true

Därefter skapade jag en databas:

SKAPA DATABASE BIRD_FEEDER_MONITOR>> VISA DATABASES namn: databasnamn ---- _intern BIRD_FEEDER_MONITOR>

EFTER att du har skapat databasen ovan kan du konfigurera InfluxDB-noden i Node-Red. Som framgår av bilden ovan kallar jag mätningen för "matare". Detta kan ses i InfluxDB efter att data har initierats:

ANVÄND BIRD_FEEDER_MONITORAnvänd databas BIRD_FEEDER_MONITOR

> VISA MÄTNINGAR namn: mått namn ---- matare>

En av de många funktionerna i InfluxDB är att FIELDS -konfigurationen inte krävs. FÄLTEN läggs till och konfigureras automatiskt när data matas in. Här är fälten och FIELDTYPE för denna databas:

SHOW FIELD KEYSname: feeders fieldKey fieldType -------- --------- cloudcover float count_1 float count_2 float count_3 float count_4 float count_5 float count_6 flottörfuktighet float name string precip_Int float temp float time_1 float time_2 float time_3 float time_4 float time_5 float time_6 float winddir float windgust float windspeed float>

Några poster från databasen kan ses nedan:

VÄLJ * FRÅN matare LIMIT 10 namn: matare tid molntäcke count_1 count_2 count_3 count_4 count_5 count_6 fuktighetsnamn precip_Int temp time_1 time_2 time_3 time_4 time_5 time_6 winddir vindkast vindhastighet ---- ---------- ----- -------- ------- ------- ------- ------- -------- ----- --------- ---- ------ ------ ------ ------ ------ ------- ------ -------- --------- 1550270591000000000 0 0 0 0 0 0 Matare1 0 0 0 0 0 0 1550271814000000000 0 0 0 0 0 0 Matare1 0 0 0 0 0 0 0 1550272230000000000 0 0 0 0 0 0 0 Matare1 0 0 0 0 0 0 1550272530000000000 0 0 0 0 0 0 Matare1 0 0 0 0 0 0 1550272830000000000 0 0 0 0 0 0 Matare1 0 0 0 0 0 0 1550273130000000000 0 0 0 0 0 0 0 Matare1 0 0 0 0 0 0 1550273430000000000 0 0 0 0 0 0 Matare1 0 0 0 0 0 0 1550273730000000000 0 0 0 0 0 0 Matare1 0 0 0 0 0 0 1550274030000000000 0 0 0 0 0 0 Matare1 0 0 0 0 0 0 1550274330000000000 0 0 0 0 0 0 Matare1 0 0 0 0 0 0>

Steg 11: Raspberry Pi -kamera

Jag rekommenderar att du använder min Instructable, Remote CNC Stop and Monitor för att montera en Raspberry Pi -kamera. Utför alla ovan nämnda steg utom 6 och 8 för att skapa kameran. Observera att jag använder en äldre Raspberry Pi för min kamera, men det har fungerat mycket bra från mitt butiksfönster.

Uppgradera Rasbian:

sudo apt-get updatesudo apt-get uppgradering

Installera PIP:

sudo apt-get install python3-pip

Installera paho-mqtt:

sudo pip3 installera paho-mqtt

Installera git och Bird Monitoring Software:

cd ~

sudo apt-get install git git klon "https://github.com/sbkirby/RPi_bird_feeder_monitor.git"

Om du vill göra videor från bilderna som tagits med kameran, installera ffmpeg:

git klon "https://git.ffmpeg.org/ffmpeg.git" ffmpeg

cd ffmpeg./configure make sudo make install

Konfigurera behörigheterna för Bird Feeder Monitoring -programvaran:

cd RPi_bird_feeder_monitor

sudo chmod 764 make_movie.sh sudo chmod 764 take_photo.sh sudo chown www-data: www-data make_movie.sh sudo chown www-data: www-data take_photo.sh

Personligen rekommenderar jag inte att du använder make_movie.sh på RPi -kameran. Det kräver många resurser för att köra på RPi. Jag rekommenderar att du överför bilderna till din dator och kör ffmpeg där.

Körs vid uppstart

Logga in på RPi och byt till katalogen /RPi_bird_feeder_monitor.

cd RPi_bird_feeder_monitor

nano launcher.sh

Inkludera följande text i launcher.sh

#!/bin/sh

# launcher.sh # navigera till hemkatalogen, sedan till den här katalogen, kör sedan python -skriptet, sedan tillbaka hem cd /cd home /pi /RPi_bird_feeder_monitor sudo python3 camera_mqtt_client.py cd /

Avsluta och spara launcher.sh

Vi måste göra skriptet och körbart.

chmod 755 launcher.sh

Testa manuset.

sh launcher.sh

Skapa en loggkatalog:

cd ~

mkdir -loggar

Därefter måste vi redigera crontab (linux task manager) för att starta skriptet vid start.

sudo crontab -e

Detta kommer att ge crontab -fönstret enligt ovan. Navigera till slutet av filen och ange följande rad.

@reboot sh /home/pi/RPi_bird_feeder_monitor/launcher.sh>/home/pi/logs/cronlog 2> & 1

Avsluta och spara filen och starta om RPi. Skriptet bör starta skriptet camera_mqtt_client.py efter att RPi startat om. Skriptets status kan kontrolleras i loggfilerna i mappen /logs.

Steg 12: Njut

Vi tycker om att titta på fåglar, men vi kan inte placera mataren på en plats för maximal njutning. Det enda stället de flesta av oss kan se det är från frukostbordet, och inte alla kan se mataren därifrån. Därför kan vi med Bird Feeder Monitor beundra fåglarna när det passar oss.

En sak som vi upptäckte med monitorn är frekvensen av fåglar som landar på en abborre, följt av att hoppa till nästa abborre tills de har kringgått hela mataren. Som ett resultat är fågelräkningarna VÄLDIGT från antalet enskilda fåglar som besöker vår matare. En matare med bara en eller två smala sittpinnar skulle nog vara bäst för att "räkna" fåglar.

Andra pris i sensortävlingen