Project Argus

Visão geral

Project Argus é uma plataforma integrada para monitoramento e automação de gaiolas experimentais. O sistema combina visão computacional, telemetria térmica, automação de alimentação e monitoramento hídrico para fornecer uma visão contínua do comportamento dos animais. A aplicação web (Flask + Socket.IO) entrega vídeo ao vivo, gráficos de métricas, status de atuadores e painéis de configuração em tempo real.

Principais recursos

• Detecção e rastreamento de roedores com filtro de Kalman, métricas de velocidade e aceleração e gravação contínua em segmentos rotacionados.
• Streaming web de vídeo RGB, mapa térmico e gráficos históricos via WebSocket, reduzindo latência em conexões locais.
• Controle de alimentadores e bebedouros com agendamento dinâmico, feedback de sensores e integração com banco de dados SQLite.
• Captura térmica redundante com reconexão automática, geração de placeholders e registro paralelo em disco.
• Persistência histórica de telemetria (mouse_status) e cadastro de animais (mouse) para posterior análise e auditoria experimental.

Arquitetura

• app.py: aplicação Flask/Soket.IO que orquestra filas de frames, threads de captura, emissores e rotas REST.
• drivers/: componentes de hardware (câmera RGB, câmera térmica, motor, bebedouro) e pipeline de detecção.
• data/model/: camada de acesso ao SQLite, responsável por criação e conexão transparente do banco.
• static/ e templates/: frontend em Bootstrap + Socket.IO para dashboards e visualização em tempo real.
• scripts/: utilitários e rotinas de calibração da câmera térmica.

Requisitos

• Python 3.9 ou superior.
• Pip e virtualenv (recomendado).
• Dependências de sistema: libatlas-base-dev, libopenjp2-7, libtiff5, libjpeg, além do stack picamera2 funcionando na Raspberry Pi OS.
• Biblioteca Python: opencv-python, numpy, flask, flask-socketio, python-socketio, eventlet (ou gevent), pyserial, picamera2, sqlalchemy (se adotado no futuro) e quaisquer dependências locais listadas no requirements.txt (caso exista).

Configuração

1. Clone o repositório ou sincronize o diretório em uma Raspberry Pi com câmera instalada.
2. (Opcional) Crie um ambiente virtual: python3 -m venv .venv && source .venv/bin/activate.
3. Instale as dependências Python: pip install -r requirements.txt (ou instale manualmente conforme a lista acima).
4. Revise config.ini e system/config.py para definir portas seriais, parâmetros do motor e diretórios de gravação.
5. Execute python data/model/DatabaseManager.py (ou chame setup_database() via REPL) para garantir que as tabelas existam.

Execução

python app.py

O servidor expõe a interface web em http://<host>:5000/. Durante a inicialização o sistema:

• inicia threads de captura RGB, processamento, gráficos e escrita em banco;
• tenta inicializar o alimentador e o bebedouro conforme a configuração persistida;
• negocia a conexão com a câmera térmica (ou apresenta placeholders caso indisponível).

Estrutura principal

app.py                     # Servidor Flask + Socket.IO
config.ini                 # Configurações persistidas
config.txt / configBackup.txt  # Backups de configuração

data/
  model/DatabaseManager.py # Gerenciamento do SQLite
  recordings/              # Armazenamento de vídeos segmentados

drivers/
  miceDetect.py            # Pipeline de detecção de roedores (refatorado)
  thermalCamera.py         # Captura da câmera térmica
  motorDriver.py           # Controle do alimentador
  waterBottle.py           # Monitoramento do bebedouro

static/                    # Assets do frontend
system/config.py           # Leitura/escrita de configurações persistentes
templates/                 # Layouts HTML

Fluxos em background

• camera_capture_thread: lê frames RGB da Picamera2, grava segmentos e publica em fila.
• frame_processor_thread: aplica detecção, calcula métricas e disponibiliza JPEGs para streaming.
• graph_processor_thread: transforma o histórico recente em gráfico (velocidade/aceleração) e envia ao cliente.
• database_writer_thread: agrega bateladas de telemetria e persiste no SQLite.
• thermal_camera_thread: mantém captura da câmera térmica com lógica de reconexão e placeholders.

Banco de dados

O banco data/data.db é criado automaticamente na primeira execução. A tabela mouse_status recebe as métricas registradas pela pipeline e mouse armazena metadados dos animais. Utilize ferramentas SQLite ou scripts dedicados para análises offline. Para exportar dados, pode-se usar sqlite3 data/data.db '.headers on' '.mode csv' 'SELECT * FROM mouse_status;' > export.csv.

Logs e monitoramento

Todos os componentes reportam status via logging. Ajuste o nível desejado em app.py (logging.basicConfig). Para depuração aprofundada, ative LOG.setLevel(logging.DEBUG) em componentes específicos ou utilize variáveis de ambiente (PYTHONLOGGING).

Próximos passos sugeridos

• Automatizar instalação de dependências com script shell ou ansible.
• Criar testes automatizados para a pipeline de visão e para o módulo de banco de dados.
• Expor APIs REST adicionais para consulta histórica sem recorrer diretamente ao SQLite.