Tämä älykäs henkilö käytti Raspberry Pi:tä sähköisen nenän tekemiseen
Ihmiset käyttävät Raspberry Pis luodakseen paljon luovia ja ainutlaatuisia vempaimia, mutta tämä saattaa kestää kakun. Tai pikemminkin haista se. Tekijä Luis Rodriguez Mendoza sai inspiraationsa koulutetuista nuuskivista koirista lentokentällä ja pohti sitten, voisivatko edulliset kaasuanturit tehdä saman.
Näemme valtavan määrän erilaisia antureita – kuten melua, lämpötilaa, kosteutta tai valoa tunnistavia antureita – joita käytetään päivittäin erilaisiin tehtäviin, mutta kaasuanturit ovat paljon harvinaisempia. Antureiden käyttäminen tuoksujen aktiiviseen "haistamiseen" läheisessä ympäristössä sen sijaan, että havaitsisi tuoksua passiivisesti, on vielä harvinaisempaa.
Mendoza sanoi, että "projektin tarkoituksena on osoittaa, että edulliset anturit voivat olla luotettavia hajujen havaitsemisessa ja että niitä voidaan mahdollisesti käyttää kliinisissä olosuhteissa." Hän käytti vain neljän tyyppistä kaasuanturia suorittaakseen laajoja testejä ja mallikoulutusta.
"Testaus tehtiin oluen ja keitetyn kahvin näytteillä", hän totesi kysyttäessä testausprosessistaan. "K-Lähimpien naapureiden (KNN) -algoritmia käytettiin MATLABissa luokittelumallin luomiseen, jota käytettiin ennustamaan oluen ja kahvin aromit ja joka validoitiin käyttämällä 10-kertaista ristiinvalidaatiota (k-kertainen) … 98 prosenttia. Luokituksen tarkkuus saavutettiin testausprosessissa.
"Jokaista näytettä otettiin keskimäärin 15 minuuttia yhden sekunnin välein, jolloin saatiin yli 900 näytelukemaa testiä kohden ja tiedot vietiin CSV-tiedostoihin. Luokittelua varten lisättiin manuaalisesti ylimääräinen sarake näytteen merkitsemiseksi (eli kahvi, olut, ilma). Kolme tietojoukkoa tuotiin ja yhdistettiin MATLABissa. Näitä tietoja käytettiin k-lähimmän naapurin mallin luomiseen, k valittiin arvoksi 5, tämä määritettiin yrityksen ja erehdyksen avulla. Mallin validoimiseen käytettiin 10-kertaista ristiinvalidointia, ja pääkomponenttianalyysiä (PCA) käytettiin tutkivana tekniikana mallin ja tulosten tarkistamiseen, samalla tavalla kuin aiemmissa tutkimuksissa.
"Testiaineisto kerättiin ottamalla 17 uutta kahden minuutin mittaista näytettä yhden sekunnin välein luokittelumallin arvioimiseksi. Jokainen näyte oli toisistaan riippumaton (vain ilmaa, olutta tai kahvia mitattiin kerrallaan), ja ne merkittiin manuaalisesti vastaavasti, mikä johti yli 2500 mittaukseen. Nämä tiedot tuotiin, yhdistettiin ja järjestettiin satunnaisesti uudelleen MATLABissa. Harjoitusaineistosta luotua luokitusmallia käyttämällä testaustiedot luokiteltiin ja luokitusmallin tulokset edustavat 97,7 %:n tarkkuutta.
Yksittäisten koehenkilöiden tuottamat korkeat tarkkuusluvut ovat todella vaikuttavat. Mendoza käytti testeihin Raspberry Pi 3:a ja mainitsi, että hän sai tietää laitteesta ensimmäisen kerran vuoden 2020 lopulla yhdellä yliopistokurssillaan. "Tajusin nopeasti, kuinka helppoja, tehokkaita ja kykeneviä Raspberry Pi -levyt ovat", hän sanoi.
MagPin kautta