Skip to main content

Introdução

Este projeto tem como objetivo a identificação de regiões florestais e contagem de árvores por meio de um sistema embarcado, utilizando o Raspberry Pi. O projeto processa imagens através de um modelo de segmentação semântica que identifica as árvores em cada imagem. As imagens processadas e seus metadados são enviados para uma fila RabbitMQ, onde outros sistemas podem realizar processamento adicional ou armazenamento.

O projeto foi organizado de maneira modular, com o objetivo de facilitar a manutenção, o processamento distribuído e a reutilização de componentes. Utiliza uma abordagem de processamento assíncrono para monitorar um diretório local de imagens, processá-las e enviá-las para uma fila de mensagens.

Estrutura da Pasta​

src/
    embedded/
        logs/
        messaging/
            __init__.py
            client.py
            publisher.py
        utils/
            __init__.py
            directory_monitor.py
            image_handler.py
            logger.py
        worker/
            __init__.py
            worker.py
        Dockerfile
        main.py

Descrição dos Arquivos e Principais Funções​

1. messaging/​

  • __init__.py: Contém os metadados do pacote messaging, como a versão.

  • client.py: Define a classe PikaClient, responsável por gerenciar a conexão com o RabbitMQ. Principais métodos:

    • connect_to_broker: Estabelece uma conexão com o broker RabbitMQ usando as credenciais definidas no arquivo .env.
    • disconnect_from_broker: Fecha a conexão com o RabbitMQ.

  • publisher.py: Define a classe PikaPublisher, que herda de PikaClient e publica mensagens na fila RabbitMQ. Métodos principais:

    • publish_message: Publica uma mensagem no RabbitMQ. Usa o BasicProperties para garantir que a mensagem seja persistente.

2. utils/​

  • __init__.py: Contém os metadados do pacote utils e realiza a importação dos módulos DirectoryMonitor, ImageHandler e Logger.

  • directory_monitor.py: Define a classe DirectoryMonitor, responsável por monitorar continuamente um diretório em busca de novas imagens. Funções principais:

    • start_monitoring: Inicia o monitoramento do diretório em uma thread separada.
    • processing_images_bus: Adiciona as imagens encontradas em um diretório à fila local para processamento.

  • image_handler.py: Define a classe ImageHandler, que processa as imagens para envio. Funções principais:

    • process_image: Converte uma imagem para base64 e gera os metadados em formato JSON.

  • logger.py: Define a classe Logger, que cria e configura um logger para gerar logs personalizados. Função principal:

    • _get_logger: Retorna a instância configurada do logger.

3. worker/​

  • __init__.py: Define os metadados do pacote worker.

  • worker.py: Define a classe Worker, responsável por coordenar o processo de monitoramento, compressão e envio das imagens para o RabbitMQ. Principais funções:

    • run: Inicia o loop principal que verifica o diretório monitorado, processa as imagens e publica as mensagens na fila RabbitMQ.
    • start_thread: Inicia o worker em uma thread separada.

4. Dockerfile​

O Dockerfile define o ambiente de execução do projeto, utilizando a imagem base python:3.12-slim-bookworm. Principais etapas:

  • Definição do diretório de trabalho (WORKDIR /worker).
  • Instalação das dependências via pip utilizando o arquivo requirements.txt.
  • Comando para execução do script principal: CMD ["python", "main.py"].

5. main.py​

O arquivo principal que inicializa o sistema. Ele cria uma instância do DirectoryMonitor e do ImageHandler, além de instanciar múltiplos workers para processar as imagens em paralelo.

Como Usar​

Requisitos​

  • Python 3.12 ou superior
  • Docker (opcional para rodar em contêiner)
  • RabbitMQ

Passos​

  1. Clone o repositório:

    git clone <url-do-repositorio>
    cd src/embedded

  2. Instale as dependências:

    pip install -r requirements.txt

  3. Configure o arquivo .env com as variáveis de ambiente para o RabbitMQ:

    AMQP_HOST=seu_host
    AMQP_PORT=sua_porta
    AMQP_USERNAME=seu_usuario
    AMQP_PASSWORD=sua_senha
    AMQP_EXCHANGE=seu_exchange
    AMQP_ROUTING_KEY=sua_routing_key

  4. Para rodar o projeto com Docker:

    docker build -t tree-count .
    docker run -d tree-count

  5. Para rodar o projeto localmente:

    python3 -m venv venv
    source venv/bin/activate
    pip install -r requirements.txt
    python main.py

O sistema monitorará o diretório images/, processará as imagens e enviará os dados para o RabbitMQ automaticamente.

Logs​

Os logs do sistema são gravados no diretório logs/, com arquivos nomeados de acordo com a data e hora de execução do sistema. Eles contêm informações sobre a execução do worker, incluindo o status de cada imagem processada e erros, caso ocorram.

Conclusão​

Este sistema foi projetado para ser altamente modular e extensível, permitindo fácil integração com outros sistemas e adaptação para diferentes cenários de processamento de imagem. Com a abordagem de filas assíncronas do RabbitMQ, o sistema pode escalar para múltiplos consumidores e ser integrado em pipelines mais complexos de análise de imagens e dados ambientais.