Geautomatiseerde Inventarisatie van Verzamelkaarten: Raspberry Pi, Lego en AWS Rekognition

Bouw een digitale catalogus voor je verzamelkaarten – zoals Magic: The Gathering – met een Raspberry Pi, een Lego-platform en AWS-services. Deze handleiding laat zien hoe je het scannen, herkennen en waarderen van kaarten volledig kunt automatiseren.

Het Verhaal

Toen ik een doos met Magic: The Gathering-kaarten ontdekte, wilde ik weten hoeveel ik er had en wat ze waard waren. Handmatig noteren was te veel werk, dus ik ontwikkelde een geautomatiseerde oplossing. De kern bestaat uit een Raspberry Pi-camera gemonteerd op een Lego-platform, AWS S3 voor opslag en AWS Rekognition voor tekstherkenning (OCR), aangevuld met een prijs-API voor actuele marktwaarden.

Het Proces

• Afbeelden: De Raspberry Pi-camera maakt foto's van elke kaarttitel terwijl het Lego-platform de kaarten één voor één voedt.
• Opslaan: De afbeeldingen worden geüpload naar een AWS S3-bucket, georganiseerd per set (bijv. M13).
• Herkennen & Waarderen: AWS Rekognition haalt de tekst van de kaarttitel op; vervolgens vraagt een script live prijzen op via de TCGplayer-API.

Het Lego-platform

In plaats van houtwerk koos ik voor een middelgrote Lego-bak – goedkoop, laagimpact en kaartvriendelijk. Het ontwerp is geïnspireerd op een $7 kaartsorteerder. Een servo aan de achterkant duwt een wiel dat één kaart per keer naar voren schuift; een tweede wiel houdt het pak stabil. Door een paar kaarten te tapen creëer je extra gewicht, wat dubbele voeding voorkomt. De camera hangt enkele centimeters boven het platform, scherp ingesteld op het titelgebied.

Let op: De lengte van het lintkabeltje kan een uitdaging zijn; een langere kabel verbetert de betrouwbaarheid.

De Hardware

De Raspberry Pi is ideaal voor het draaien van Python-scripts die de servos sturen en foto's maken. Benodigde onderdelen: twee servomotoren, een Pi-camera en een 5 V voeding (op een breadboard aangesloten).

De Code

Alle code is geschreven in Python 2.7. Één script bedient de servos en neemt foto's; het tweede verwerkt de afbeeldingen in S3 met Rekognition.

Na het laden van een set op het platform, start je de scan met:

python mtg_servo.py <set_afkorting>

De servos worden geactiveerd, de kaarten gescand en elke afbeelding opgeslagen in een map met de set-afkorting (bijv. M13). De doorvoersnelheid bedraagt ongeveer 20–25 kaarten per minuut.

AWS S3 en Rekognition

Hoewel Tesseract en OpenCV krachtig zijn, biedt Rekognition meer gemak en flexibiliteit bij wisselende verlichting en positionering. Met een gratis AWS-account kun je maandelijks tot 5.000 afbeeldingen verwerken. De afbeeldingen worden handmatig geüpload naar een S3-bucket die de lokale mappenstructuur weerspiegelt: /set_naam/bestand.jpg.

De onderstaande screenshots tonen de hoge nauwkeurigheid van Rekognition, zelfs bij imperfecte foto's.

Zodra alle afbeeldingen in S3 staan, automatiseer je OCR en exporteer je de resultaten naar CSV:

python Rekognize_S3.py <set_afkorting>

Van de 920 gescande kaarten:

• 619 waren exact correct (67,3 %)
• 201 verschillen één letter (21,8 %)
• 100 verschillen meer dan één letter (10,9 %)

Na de OCR-stap werden live prijzen opgehaald via de TCGplayer-API. De totale waarde van commons, uncommons en rares – exclusief al gewaardeerde kaarten – belief zich op ongeveer $275.

Update 27-05-2018: Het Rekognition-script stuurt nu gedetecteerde tekst realtime naar de TCGplayer-API en schrijft de resultaten direct naar een bestand. API-toegang vereist een korte aanvraagprocedure.

Afsluiting

Ik hoop dat dit project je inspireert om je eigen digitale kaartcatalogus te bouwen. Ik plan het systeem uit te breiden naar sportkaarten en andere verzamelsets. Veel scanplezier!

Bron: Trading Card Scanner/Organizer