Симпатичный робот, который умеет решать судоку - Своими руками
Своими руками

Симпатичный робот, который умеет решать судоку

Симпатичный робот, который умеет решать судокуСимпатичный робот, который умеет решать судокуСимпатичный робот, который умеет решать судокуРешать судоку – задача не для всех. Новичку может потребоваться несколько часов, чтобы решить простую головоломку судоку. В этой статье мы увидим, как создать простого робота решателя судоку, который может решить любую головоломку за несколько секунд.
Давайте посмотрим короткое обзорное видео.

Для изготовления такого робота нужны следующие

Инструменты и материалы:-Raspberry Pi 3 В; -Модуль камеры Raspberry Pi V2;-Модуль сенсорного экрана Raspberry Pi;-Небольшой динамик;
-ИК-датчик движения;
Светодиоды;
Блок питания;
-Перемычки;
-Сломанная детская игрушка-робот;
Шаг первый: о судоку
Прежде чем создать собственного робота для решения судоку, давайте рассмотрим правила судоку. В судоку играют на сетке 9 x 9 клеток. Внутри рядов и столбцов находится 9 «квадратов» ( 3х3 ). Каждую строку, столбец и квадрат (по 9 пробелов) необходимо заполнить числами от 1 до 9, не повторяя никаких чисел в строке, столбце или квадрате.

Прежде чем решать какую-либо проблему, мы должны разобраться в проблеме и ее вводе-выводе. В данном случае входом будет изображение головоломки судоку, напечатанное на любом белом документе, изображение которого будет захвачено видеокамерой робота. Это может быть изображение газеты, с головоломкой судоку.

Результатом будет решенная головоломка, которая будет отображаться на экране робота.
Шаг второй: сборка робота
Перед сборкой установите последнюю версию ОС Rasbian на карту памяти. Скачать ее можно перейдя по этой ссылке.
Вставьте карту памяти в raspberry pi.
Тело робота можно напечатать на 3D-принтере или взять любое подходящее. Мастер использует сломанную игрушку-робота. К голове робота нужно закрепить экран.
Симпатичный робот, который умеет решать судокуЗатем установить камеру.
Симпатичный робот, который умеет решать судокуК экрану подсоединить перемычки.
Симпатичный робот, который умеет решать судокуЗакрыть заднюю часть корпуса, при этом перемычки и ленточный кабель от камеры должны выходить наружу.
Симпатичный робот, который умеет решать судокуПодключил перемычки к Рассбери, динамику и ИК-датчик движения. Подробно о подключении всех компонентов мастер не пишет, но в сети много подобных инструкций.
Симпатичный робот, который умеет решать судокуШаг третий: решение судоку
Теперь роботу нужен какой-то алгоритм для решения головоломок судоку. Здесь будет использоваться отслеживание с возвратом, поскольку это очень эффективно для такого рода приложений. Теперь простой алгоритм поиска с возвратом для решения судоку выглядит так:
Find row, col of an unassigned cell<br> If there is none, return true
For digits from 1 to 9
a) If there is no conflict for digit at row, col
assign digit to row, col and recursively try fill in rest of grid
b) If recursion successful, return true
c) Else, remove digit and try another
If all digits have been tried and nothing worked, return false
source: Geeksforgeeks
Этот алгоритм легко реализовать на любом языке программирования. В данном случае мастер использовали python 2.7. Код показан ниже:
Симпатичный робот, который умеет решать судоку Показать / Скрыть текстclass solver:
def __init__(self,grid):
self.grid=grid
self.digits = '123456789'
self.rows = 'ABCDEFGHI'
self.cols = self.digits
self.squares = self.cross(self.rows, self.cols)
self.unitlist = ([self.cross(self.rows, c) for c in self.cols] +
[self.cross(r, self.cols) for r in self.rows] +
[self.cross(rs, cs) for rs in ('ABC', 'DEF', 'GHI') for cs in ('123', '456', '789')])
self.units = dict((s, [u for u in self.unitlist if s in u])
for s in self.squares)
self.peers = dict((s, set(sum(self.units[s], [])) – set([s]))
for s in self.squares)
self.seq=""
def cross(self,A, B):
"Cross product of elements in A and elements in B."
return [a+b for a in A for b in B]
def test(self):
"A set of unit tests."
assert len(self.squares) == 81
assert len(self.unitlist) == 27
assert all(len(self.units[s]) == 3 for s in self.squares)
assert all(len(self.peers[s]) == 20 for s in self.squares)
assert self.units['C2'] == [['A2', 'B2', 'C2', 'D2', 'E2', 'F2', 'G2', 'H2', 'I2'],
['C1', 'C2', 'C3', 'C4', 'C5', 'C6', 'C7', 'C8', 'C9'],
['A1', 'A2', 'A3', 'B1', 'B2', 'B3', 'C1', 'C2', 'C3']]
assert self.peers['C2'] == set(['A2', 'B2', 'D2', 'E2', 'F2', 'G2', 'H2', 'I2',
'C1', 'C3', 'C4', 'C5', 'C6', 'C7', 'C8', 'C9',
'A1', 'A3', 'B1', 'B3'])
print 'All tests pass.'
def parse_grid(self):
"""Convert grid to a dict of possible values, {square: digits}, or
return False if a contradiction is detected."""
## To start, every square can be any digit; then assign values from the grid.
values = dict((s, self.digits) for s in self.squares)
for s,d in self.grid_values().items():
if d in self.digits and not self.assign(values, s, d):
return False ## (Fail if we can't assign d to square s.)
return values
def grid_values(self):
"Convert grid into a dict of {square: char} with '0' or '.' for empties."
chars = [c for c in self.grid if c in self.digits or c in '0.']
assert len(chars) == 81
return dict(zip(self.squares, chars))
def assign(self,values, s, d):
"""Eliminate all the other values (except d) from values[s] and propagate.
Return values, except return False if a contradiction is detected."""
other_values = values[s].replace(d, '')
if all(self.eliminate(values, s, d2) for d2 in other_values):
return values
else:
return False
def eliminate(self,values, s, d):
"""Eliminate d from values[s]; propagate when values or places <= 2.
Return values, except return False if a contradiction is detected."""
if d not in values[s]:
return values ## Already eliminated
values[s] = values[s].replace(d,'')
## (1) If a square s is reduced to one value d2, then eliminate d2 from the peers.
if len(values[s]) == 0:
return False ## Contradiction: removed last value
elif len(values[s]) == 1:
d2 = values[s]
if not all(self.eliminate(values, s2, d2) for s2 in self.peers[s]):
return False
## (2) If a unit u is reduced to only one place for a value d, then put it there.
for u in self.units[s]:
dplaces = [s for s in u if d in values[s]]
if len(dplaces) == 0:
return False ## Contradiction: no place for this value
elif len(dplaces) == 1:
# d can only be in one place in unit; assign it there
if not self.assign(values, dplaces[0], d):
return False
return values
def display(self,values):
"Display these values as a 2-D grid."
l=[]
for i in self.squares:
l.append(values[i])
self.seq="".join(l)
width = 1+max(len(values[s]) for s in self.squares)
line = '+'.join(['-'*(width*3)]*3)
for r in self.rows:
print ''.join(values[r+c].center(width)+('|' if c in '36' else '')
for c in self.cols)
if r in 'CF': print line
print
def solve(self): return self.search(self.parse_grid())
def search(self,values):
"Using depth-first search and propagation, try all possible values."
if values is False:
return False ## Failed earlier
if all(len(values[s]) == 1 for s in self.squares):
return values ## Solved!
## Chose the unfilled square s with the fewest possibilities
n,s = min((len(values[s]), s) for s in self.squares if len(values[s]) > 1)
return self.some(self.search(self.assign(values.copy(), s, d))
for d in values[s])
def some(self,seq):
"Return some element of seq that is true."
for e in seq:
if e: return e
return False
def main():
sequence = "530070000600195000098000060800060003400803001700020006060000280000419005000080079"
s=solver(sequence)
s.display(s.solve())
if __name__ == '__main__': main()
Давайте посмотрим, как использовать этот код. Итак, если у нас есть головоломка, подобная изображенной
Симпатичный робот, который умеет решать судоку мы должны записать цифры по порядку слева направо. Для пробелов мы должны записать в последовательности «0». Таким образом, в этом случае последовательность будет
sequence = "530070000600195000098000060800060003400803001700020006060000280000419005000080079"
После этого, если мы выполним программу, вывод будет:
5 3 4 |6 7 8 |9 1 2
6 7 2 |1 9 5 |3 4 8
1 9 8 |3 4 2 |5 6 7
——+——+——
8 5 9 |7 6 1 |4 2 3
4 2 6 |8 5 3 |7 9 1
7 1 3 |9 2 4 |8 5 6
——+——+——
9 6 1 |5 3 7 |2 8 4
2 8 7 |4 1 9 |6 3 5
3 4 5 |2 8 6 |1 7 9

Шаг четвертый: считывание судоку
Теперь робот знает, как решать головоломку судоку, но ему нужны входные данные. И здесь есть небольшая хитрость. Ему необходимо отсканировать изображение головоломки судоку и получить от него информацию. Для этого нужна помощь в обработке изображений и машинного обучения. Нужно обработать захваченное изображение и распознать на нем цифры в определенной последовательности. Затем мы передадим последовательность предыдущей программе решения судоку и получим окончательный результат.

На основании уже готового кода от Майка Деффенбо мастер пишет модифицированный код для raspberry pi:
Симпатичный робот, который умеет решать судоку Показать / Скрыть текстimport cv2<br>import numpy as np
import sys
import time
import math
import random as rn
import copy
from picamera.array import PiRGBArray
from picamera import PiCamera
from sudoku_solve import solver
import os
import threading
import led

def speak(current):
p = current.reshape(1,81)
for i in p:
for j in i:
os.system("espeak -w out.wav {0} && aplay out.wav".format(j))
class puzzleStatusClass:
# this class defines the actual mathematical properties of the sudoku puzzle
# and the associated methods used to solve the actual sudoku puzzle
def __init__(self):
# .current is a 9×9 grid of all solved values for the puzzle
self.current = np.zeros((9, 9), np.uint8)
self.currentBackup = np.zeros((9, 9), np.uint8)
# .last is used to compare to .current to evaluate whether two consecutive OCR results match
self.last = np.zeros((9, 9), np.uint8)
# .orig is used to store the state of .current that is obtained from OCR,
# but before solving for any new values
self.orig = np.zeros((9, 9), np.uint8)
# .solve starts off by containing 1-9 in a 9 by 9 grid,
# by process of elimination .solve will produce the final solution
self.solve = [[[1, 2, 3, 4, 5, 6, 7, 8, 9] for x in range(9)] for y in range(9)]
self.solveBackup = []
# .change is True when the solver algorithm has made a change to .solve
self.change = True
# .guess is True when the solver has given up on analytical techniques
# and has begun randomly guessing at the solution
self.guess = False

def checkSolution(self):
# check puzzle using three main rules
err = 0 # error code
# 1) no number shall appear more than once in a row
for x in range(9): # for each row
# count how many of each number exists
check = np.bincount(self.current[x, :])
for i in range(len(check)):
if i == 0:
if check[i] != 0:
err = 1 # incomplete, when the puzzle is complete no zeros should exist
else:
if check[i] > 1:
err = -1 # incorrect, there can't be more than one of any number
print "ERROR in row ", x, " with ", i
return err
# 2) no number shall appear more than once in a column
for y in range(9): # for each column
check = np.bincount(self.current[:, y])
for i in range(len(check)):
if i == 0:
if check[i] != 0:
err = 1 # incomplete
else:
if check[i] > 1:
err = -1 # incorrect
print "ERROR in col ", y, " with ", i
return err
# 3) no number shall appear more than once in a 3×3 cell
for x in range(3):
for y in range(3):
check = np.bincount(self.current[x * 3:x * 3 + 3, y * 3:y * 3 + 3].flatten())
for i in range(len(check)):
if i == 0:
if check[i] != 0:
err = 1 # incomplete
else:
if check[i] > 1:
err = -1 # incorrect
print "ERROR in box ", x, y, " with ", i
return err
return err

class imageClass:
#this class defines all of the important image matrices, and information about the images.
#also the methods associated with capturing input, displaying the output,
#and warping and transforming any of the images to assist with OCR
def __init__(self):
#.captured is the initially captured image
self.captured = []
#.gray is the grayscale captured image
self.gray = []
#.thres is after adaptive thresholding is applied
self.thresh = []
#.contours contains information about the contours found in the image
self.contours = []
#.biggest contains a set of four coordinate points describing the
#contours of the biggest rectangular contour found
self.biggest = None;
#.maxArea is the area of this biggest rectangular found
self.maxArea = 0
#.output is an image resulting from the warp() method
self.output = []
self.outputBackup = []
self.outputGray = []
#.mat is a matrix of 100 points found using a simple gridding algorithm
#based on the four corner points from .biggest
self.mat = np.zeros((100,2),np.float32)
#.reshape is a reshaping of .mat
self.reshape = np.zeros((100,2),np.float32)

def captureImage(self,status):
#captures the image and finds the biggest rectangle
camera = PiCamera()
camera.resolution = (480, 400)
camera.framerate = 32
rawCapture = PiRGBArray(camera, size=(480, 400))

# allow the camera to warmup
time.sleep(0.1)
#try:
for frame in camera.capture_continuous(rawCapture, format="bgr", use_video_port=True):
#rgb, _ = freenect.sync_get_video()
#cv2.namedWindow("SUDOKU Solver")
#vc = cv2.VideoCapture(1)
#if vc.isOpened(): # try to get the first frame
# rval, rgb = vc.read()
#else:
# rval = False
#bgr = cv2.cvtColor(rgb, cv2.COLOR_BGR2R
image = frame.array
#cv2.imshow("Frame", image)
#key = cv2.waitKey(1) & 0xFF
self.captured = image
rawCapture.truncate(0)
#except TypeError:
#print "No Kinect Detected!"
#print "Loading sudoku.jpg…"
# for testing purposes
#img = cv2.imread("sudoku_test3.png")
#self.captured = cv2.resize(img, (600, 600))

# convert to grayscale
self.gray = cv2.cvtColor(self.captured, cv2.COLOR_BGR2GRAY)
print "gray"
# noise removal with gaussian blur
self.gray = cv2.GaussianBlur(self.gray, (5, 5), 0)
# then do adaptive thresholding
self.thresh = cv2.adaptiveThreshold(self.gray, 255, 1, 1, 11, 2)

# find countours in threshold image
self.contours, hierarchy = cv2.findContours(self.thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# evaluate all blobs to find blob with biggest area
# biggest rectangle in the image must be sudoku square
self.biggest = None
self.maxArea = 0
for i in self.contours:
area = cv2.contourArea(i)
if area > 50000: # 50000 is an estimated value for the kind of blob we want to evaluate
peri = cv2.arcLength(i, True) #return the perimeter of the contour
approx = cv2.approxPolyDP(i, 0.02 * peri, True)
if area > self.maxArea and len(approx) == 4:
self.biggest = approx
self.maxArea = area
best_cont = i
if status.detect == 20:
led.turn_on()
if status.detect == 25:
status.puzzleFound = True
print "Sudoku puzzle detected!"
if self.maxArea > 0:
status.noDetect = 0 # reset
status.detect += 1
# draw self.biggest approx contour
if status.completed:
cv2.polylines(self.captured, [self.biggest], True, (0, 255, 0), 3)
elif status.puzzleFound:
cv2.polylines(self.captured, [self.biggest], True, (0, 255, 255), 3)
else:
cv2.polylines(self.captured, [self.biggest], True, (0, 0, 255), 3)
self.reorder() # reorder self.biggest
else:
status.noDetect += 1
if status.noDetect == 20:
led.turn_off()
print "No sudoku puzzle detected!"
if status.noDetect > 50:
#status.restart = True
pass
"""if status.detect == 25:
status.puzzleFound = True
print "Sudoku puzzle detected!"""
if status.beginSolver == False or self.maxArea == 0:
cv2.imshow('sudoku', self.captured)
key = cv2.waitKey(10)
if key == 27:
sys.exit()
if status.puzzleFound == True:
camera.close()
break

def reorder(self):
#reorders the points obtained from finding the biggest rectangle
#[top-left, top-right, bottom-right, bottom-left]
a = self.biggest.reshape((4,2))
b = np.zeros((4,2),dtype = np.float32)

add = a.sum(1)
b[0] = a[np.argmin(add)] #smallest sum
b[2] = a[np.argmax(add)] #largest sum

diff = np.diff(a,axis = 1) #y-x
b[1] = a[np.argmin(diff)] #min diff
b[3] = a[np.argmax(diff)] #max diff
self.biggest = b

def perspective(self):
#create 100 points using "biggest" and simple gridding algorithm,
#these 100 points define the grid of the sudoku puzzle
#topLeft-topRight-bottomRight-bottomLeft = "biggest"
b = np.zeros((100,2),dtype = np.float32)
c_sqrt=10
if self.biggest.any == None:
self.biggest = [[0,0],[640,0],[640,480],[0,480]]
tl,tr,br,bl = self.biggest[0],self.biggest[1],self.biggest[2],self.biggest[3]
for k in range (0,100):
i = k%c_sqrt
j = k/c_sqrt
ml = [tl[0]+(bl[0]-tl[0])/9*j,tl[1]+(bl[1]-tl[1])/9*j]
mr = [tr[0]+(br[0]-tr[0])/9*j,tr[1]+(br[1]-tr[1])/9*j]
## self.mat[k,0] = ml[0]+(mr[0]-ml[0])/9*i
## self.mat[k,1] = ml[1]+(mr[1]-ml[1])/9*i
self.mat.itemset((k,0),ml[0]+(mr[0]-ml[0])/9*i)
self.mat.itemset((k,1),ml[1]+(mr[1]-ml[1])/9*i)
self.reshape = self.mat.reshape((c_sqrt,c_sqrt,2))

def warp(self):
#take distorted image and warp to flat square for clear OCR reading
mask = np.zeros((self.gray.shape),np.uint8)
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(11,11))
close = cv2.morphologyEx(self.gray,cv2.MORPH_CLOSE,kernel)
division = np.float32(self.gray)/(close)
result = np.uint8(cv2.normalize(division,division,0,255,cv2.NORM_MINMAX))
result = cv2.cvtColor(result,cv2.COLOR_GRAY2BGR)
output = np.zeros((450,450,3),np.uint8)
c_sqrt=10
for i,j in enumerate(self.mat):
ri = i/c_sqrt
ci = i%c_sqrt
if ci != c_sqrt-1 and ri != c_sqrt-1:
source = self.reshape[ri:ri+2, ci:ci+2 , :].reshape((4,2))
dest = np.array( [ [ci*450/(c_sqrt-1),ri*450/(c_sqrt-1)],[(ci+1)*450/(c_sqrt-1),
ri*450/(c_sqrt-1)],[ci*450/(c_sqrt-1),(ri+1)*450/(c_sqrt-1)],
[(ci+1)*450/(c_sqrt-1),(ri+1)*450/(c_sqrt-1)] ], np.float32)
trans = cv2.getPerspectiveTransform(source,dest)
warp = cv2.warpPerspective(result,trans,(450,450))
output[ri*450/(c_sqrt-1):(ri+1)*450/(c_sqrt-1) , ci*450/(c_sqrt-1):(ci+1)*450/
(c_sqrt-1)] = warp[ri*450/(c_sqrt-1):(ri+1)*450/(c_sqrt-1) ,
ci*450/(c_sqrt-1):(ci+1)*450/(c_sqrt-1)].copy()
output_backup = np.copy(output)
cv2.imshow('output',output)
key = cv2.waitKey(1)
self.output = output
self.outputBackup = output_backup

def virtualImage(self, puzzle,status):
# output known sudoku values to the real image
j = 0
tsize = (math.sqrt(self.maxArea)) / 400
w = int(20 * tsize)
h = int(25 * tsize)
for i in range(100):
## x = int(self.mat[i][0]+8*tsize)
## y = int(self.mat[i][1]+8*tsize)
x = int(self.mat.item(i, 0) + 8 * tsize)
y = int(self.mat.item(i, 1) + 8 * tsize)
if i % 10 != 9 and i / 10 != 9:
yc = j % 9
xc = j / 9
j += 1
if puzzle.original[xc, yc] == 0 and puzzle.current[xc, yc] != 0:
string = str(puzzle.current[xc, yc])
cv2.putText(self.captured, string, (x + w / 4, y + h), 0, tsize, (0, 0, 0), 2)
if status.completed:
#pl=self.path.split('.')
#name=pl[0]+"_solved."+pl[1]
name= "solve"+str(rn.randint(0,5000))+".jpg"
print name
cv2.imwrite(name, self.captured)
led.turn_off()
#os.system("espeak -g 5 -w out.wav 'I have solved the puzzle' && aplay out.wav")
os.system("mplayer solved.mp3")
#t1=threading.Thread(target=speak, args=(puzzle.current,))
#t1.start()
cv2.imshow('sudoku', self.captured)
"""p = puzzle.current.reshape(1,81)
for i in p:
for j in i:
os.system("espeak -w out.wav {0} && aplay out.wav".format(j))"""
key = cv2.waitKey(1000000000)
if key == 27:
#sys.exit()
cv2.destroyAllWindows()
#t1.join()
class OCRmodelClass:
#this class defines the data used for OCR,
#and the associated methods for performing OCR
def __init__(self):
samples = np.loadtxt('generalsamples.data',np.float32)
responses = np.loadtxt('generalresponses.data',np.float32)
responses = responses.reshape((responses.size,1))
#.model uses kNearest to perform OCR
self.model = cv2.KNearest()
self.model.train(samples,responses)
#.iterations contains information on what type of morphology to use
self.iterations = [-1,0,1,2]
self.lvl = 0 #index of .iterations

def OCR(self,status,image,puzzle):
#preprocessing for OCR
#convert image to grayscale
gray = cv2.cvtColor(image.output, cv2.COLOR_BGR2GRAY)
#noise removal with gaussian blur
gray = cv2.GaussianBlur(gray,(5,5),0)
image.outputGray = gray

#attempt to read the image with 4 different morphology values and find the best result
self.success = [0,0,0,0]
self.errors = [0,0,0,0]
for self.lvl in self.iterations:
image.output = np.copy(image.outputBackup)
self.OCR_read(status,image,puzzle)
if self.errors[self.lvl+1]==0:
self.errors[self.lvl+1] = puzzle.checkSolution()
best = 8
for i in range(4):
if self.success[i] > best and self.errors[i]>=0:
best = self.success[i]
ibest = i
print "success:",self.success
print "errors:",self.errors

if best==8:
print "ERROR – OCR FAILURE"
status.restart = True
else:
print "final morph erode iterations:",self.iterations[ibest]
image.output = np.copy(image.outputBackup)
self.lvl = self.iterations[ibest]
self.OCR_read(status,image,puzzle)
cv2.imshow('output',image.output)
key = cv2.waitKey(1)

def OCR_read(self,status,image,puzzle):
#perform actual OCR using kNearest model
thresh = cv2.adaptiveThreshold(image.outputGray,255,1,1,7,2)
if self.lvl >= 0:
morph = cv2.morphologyEx(thresh,cv2.MORPH_ERODE,None,iterations = self.lvl)
elif self.lvl == -1:
morph = cv2.morphologyEx(thresh,cv2.MORPH_DILATE,None,iterations = 1)

thresh_copy = morph.copy()
#thresh2 changes after findContours
contours,hierarchy = cv2.findContours(morph,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
thresh = thresh_copy

puzzle.current = np.zeros((9,9),np.uint8)

# testing section
for cnt in contours:
if cv2.contourArea(cnt)>20:
[x,y,w,h] = cv2.boundingRect(cnt)
if h>20 and h<40 and w>8 and w<40:
if w<20:
diff = 20-w
x -= diff/2
w += diff
sudox = x/50
sudoy = y/50
cv2.rectangle(image.output,(x,y),(x+w,y+h),(0,0,255),2)
#prepare region of interest for OCR kNearest model
roi = thresh[y:y+h,x:x+w]
roismall = cv2.resize(roi,(25,35))
roismall = roismall.reshape((1,875))
roismall = np.float32(roismall)
#find result
retval, results, neigh_resp, dists = self.model.find_nearest(roismall, k = 1)
#check for read errors
if results[0][0]!=0:
string = str(int((results[0][0])))
if puzzle.current[sudoy,sudox]==0:
puzzle.current[sudoy,sudox] = int(string)
else:
self.errors[self.lvl+1]=-2 #double read error
self.success[self.lvl+1]+=1
cv2.putText(image.output,string,(x,y+h),0,1.4,(255,0,0),3)
else:

class solverStatusClass:
#this class defines the status of the main loop
def __init__(self):
#.beginSolver becomes true when the puzzle is completely captured and ready to solve
self.beginSolver = False
#.puzzleFound becomes true when the puzzle is thought to be found but not yet read with OCR
self.puzzleFound = False
#.puzzleRead becomes true when OCR has confirmed the puzzle
self.puzzleRead = False
#.restart becomes true when the main loop needs to restart
self.restart = False
#.completed becomes true when the puzzle has been solved
self.completed = False
#.number of times imageClass.captureImage() detects no puzzle
self.noDetect = 0
#.number of times imageClass.captureImage() detects a puzzle
self.detect = 0

def main():
try:
reader = OCRmodelClass()
while True:
speak = 0
#try:
status = solverStatusClass()
while status.beginSolver == False:
#status = solverStatusClass()
puzzle = puzzleStatusClass()
image = imageClass()
print "Waiting for puzzle…"
while status.puzzleFound == False:
image.captureImage(status)
if status.restart == True:
break
while status.puzzleRead == False and status.puzzleFound == True :
if speak != 1:
os.system("espeak -g 5 -w out.wav 'I found a puzzle' && aplay out.wav")
speak = 1
time.sleep(2)
print "Reading"
#image.captureImage(status)
image.perspective()
image.warp()
reader.OCR(status, image, puzzle)
if status.restart == True:
print "Restarting…"
break
elif np.array_equal(puzzle.current, puzzle.last):
status.beginSolver = True
status.puzzleRead = True
print puzzle.current
puzzle.original = np.copy(puzzle.current)
#image.virtualImage(puzzle)
else:
print "Rechecking for Puzzle Match…"
puzzle.last = np.copy(puzzle.current)

if status.beginSolver == True:
os.system("espeak -g 5 -w out.wav 'I have recognised the puzzle and now I am trying to solve it' && aplay out.wav")
print "solving start"
s=puzzle.original.reshape(1,81)
s=s.astype("S")
l = s.tolist()
p = "".join(l[0])

sudo_solver = solver(p)
sudo_solver.display(sudo_solver.solve())
status.completed = True

solved_seq = np.fromstring(sudo_solver.seq, np.int8) – 48
solved_seq=solved_seq.reshape(9,9)
puzzle.current = np.copy(solved_seq)
print puzzle.current
"""p = puzzle.current.reshape(1,81)
for i in p:
for j in i:
os.system("espeak -w out.wav {0} && aplay out.wav".format(j))"""
puzzle.solve = np.copy(solved_seq)
#image.virtualImage(puzzle)
print "puzzle solved"
"""if status.completed:
cv2.polylines(image.captured, [self.biggest], True, (0, 255, 0), 3)
elif status.puzzleFound:
cv2.polylines(image.captured, [self.biggest], True, (0, 255, 255), 3)"""

image.perspective()
image.virtualImage(puzzle,status)

#image.captureImage(status)
#if image.maxArea > 0:
"""except:
print "Error occured, restarting….."
continue"""
except AttributeError:
os.system("espeak -g 5 -w out.wav 'I am unable to recognise it ,please show me again' && aplay out.wav")
main()

except KeyboardInterrupt:
led.turn_off()

if __name__ == '__main__': main()
Так же нужно установить несколько библиотек и инструментов Python:
openCV2 (apt-get install python-opencv)
picameraespeak (apt-get install espeak)
Не забудьте сохранить код решателя судоку в том же каталоге, что и «sudoku-solve.py». Вам также понадобятся несколько обученных файлов для запуска этого кода. Вы можете найти все это здесь.
Скачать все файлы:
generalresponses.datageneralsamples.datasudoku_solve.pymain.py
Просто скачайте эти файлы и сохраните их в той же папке. Затем запустите программу main.py.
Симпатичный робот, который умеет решать судокуШаг пятый: анимация лица
Для анимации лица мастер использовал библиотеку Pygame от python, и на основе распознавания движения, обнаруженного ИК-датчиком, робот изменяет анимацию и преобразует вступление в речь (считывание в решение и отображение).

Все готов. В дальнейшем мастер представил свое устройство на выставке «Kolkata Mini Makers Faire 2019» в Восточной Индии. Также устройство появилось на первой обложке в 98-м выпуске официального журнала Raspberry Pi “The Magpi”.

SitesReady

Только те, кто предпринимают абсурдные попытки, смогут достичь невозможного. - Альберт Эйнштейн

Follow us

Don't be shy, get in touch. We love meeting interesting people and making new friends.