...
🧑 💻 Recenzje i wiadomości ze świata programów, samochodów, gadżetów i komputerów. Artykuły o grach i hobby.

Ta sprytna osoba użyła Raspberry Pi do wykonania elektronicznego nosa

2

luis rodriguez mendoza

Ludzie używają Raspberry Pis do tworzenia mnóstwa kreatywnych i niepowtarzalnych gadżetów, ale ten może zabrać ciasto. A raczej powąchaj. Twórca Luis Rodriguez Mendoza zainspirował się wyszkolonymi psami węszącymi na lotnisku, a następnie zastanawiał się, czy tanie czujniki gazu mogą zrobić to samo.

Widzimy ogromną różnorodność czujników — takich jak te, które mogą wykrywać hałas, temperaturę, wilgotność lub światło — używanych każdego dnia do różnych zadań, ale czujniki gazu są znacznie rzadsze. Używanie czujników do aktywnego „wyczuwania" zapachów w pobliskim środowisku, a nie tylko do pasywnego wykrywania zapachu, jest jeszcze mniej powszechne.

Mendoza powiedział, że „Celem projektu jest pokazanie, że tanie czujniki mogą być niezawodne w wykrywaniu zapachów i że mogą być ewentualnie wykorzystywane w warunkach klinicznych”. Wykorzystał tylko cztery rodzaje czujników gazu do przeprowadzenia szeroko zakrojonych testów i szkolenia modeli.

„Testowanie przeprowadzono na próbkach piwa i parzonej kawy” – stwierdził zapytany o proces testowania. „Algorytm K-Nearest Neighbors (KNN) został wykorzystany w MATLAB do stworzenia modelu klasyfikacji, który został wykorzystany do przewidywania aromatów piwa i kawy, i został zweryfikowany za pomocą 10-krotnej walidacji krzyżowej (k-krotnej)… 98 procent dokładność klasyfikacji została osiągnięta w procesie testowania.

„Każda próbka była pobierana średnio przez 15 minut w odstępach co sekundę, co dało ponad 900 odczytów próbek na test, a dane zostały wyeksportowane do plików CSV. Do celów klasyfikacji ręcznie dodano dodatkową kolumnę, aby oznaczyć próbkę (tj. kawa, piwo, powietrze). Trzy zestawy danych zostały zaimportowane i połączone w MATLAB. Dane te zostały wykorzystane do stworzenia modelu k-najbliższego sąsiada, k wybrano jako 5, co zostało określone metodą prób i błędów. Do walidacji modelu zastosowano dziesięciokrotną walidację krzyżową, a jako technikę eksploracyjną w celu weryfikacji modelu i wyników zastosowano analizę głównych składowych (PCA), podobną do pracy przedstawionej w poprzednich badaniach.

Ta sprytna osoba użyła Raspberry Pi do wykonania elektronicznego nosa

luis rodriguez mendoza

„Zbiór danych testowych został zebrany poprzez pobranie 17 nowych próbek dwuminutowych odczytów w odstępach jednosekundowych w celu oceny modelu klasyfikacji. Każda próbka była od siebie niezależna (jednocześnie mierzono tylko powietrze, piwo lub kawę) i zostały one odpowiednio ręcznie oznaczone, co dało ponad 2500 pomiarów. Dane te zostały zaimportowane, połączone i losowo uporządkowane w programie MATLAB. Za pomocą modelu klasyfikacyjnego utworzonego ze zbioru danych uczących, dane testowe zostały sklasyfikowane, a wyniki z modelu klasyfikacyjnego wykazują 97,7% dokładności.”

Ogólne wysokie wskaźniki dokładności uzyskiwane przez poszczególne obiekty testowe są naprawdę imponujące. Mendoza użył do testów Raspberry Pi 3 i wspomniał, że po raz pierwszy dowiedział się o urządzeniu pod koniec 2020 roku na jednym ze swoich kursów uniwersyteckich. „Szybko zdałem sobie sprawę, jak łatwe, wydajne i wydajne są płyty Raspberry Pi” – powiedział.

przez MagPi

Źródło nagrywania: www.reviewgeek.com

Ta strona korzysta z plików cookie, aby poprawić Twoje wrażenia. Zakładamy, że nie masz nic przeciwko, ale możesz zrezygnować, jeśli chcesz. Akceptuję Więcej szczegółów