Этот умный человек использовал Raspberry Pi, чтобы сделать электронный нос
Люди используют Raspberry Pis для создания множества творческих и уникальных гаджетов, но этот может быть лучшим. Точнее, понюхать. Создатель Луис Родригес Мендоса был вдохновлен дрессированными собаками, ищущими запахи в аэропорту, а затем задался вопросом, могут ли недорогие газовые датчики делать то же самое.
Мы видим огромное разнообразие датчиков, таких как датчики шума, температуры, влажности или света, которые используются каждый день для различных задач, но газовые датчики встречаются гораздо реже. Использование датчиков для активного «нюхания» запахов в близлежащей среде, а не просто для пассивного обнаружения запаха, встречается еще реже.
Мендоса сказал, что «цель проекта — показать, что недорогие датчики могут быть надежными при обнаружении запахов и что их можно использовать в клинических условиях». Он использовал всего четыре типа газовых датчиков для проведения обширных тестов и обучения моделей.
«Тестирование проводилось с использованием образцов пива и сваренного кофе», — заявил он, когда его спросили о процессе тестирования. «Алгоритм K-ближайших соседей (KNN) был использован в MATLAB для создания модели классификации, которая использовалась для прогнозирования ароматов пива и кофе и была проверена с использованием 10-кратной перекрестной проверки (k-кратной)… 98 процентов точность классификации была достигнута в процессе тестирования.
«Каждый образец брался в среднем в течение 15 минут с интервалом в одну секунду, что давало более 900 показаний образца за тест, и данные были экспортированы в файлы CSV. В целях классификации вручную добавляли дополнительный столбец для маркировки образца (например, кофе, пиво, воздух). Три набора данных были импортированы и объединены в MATLAB. Эти данные использовались для создания модели k ближайших соседей, k было выбрано равным 5, это было определено методом проб и ошибок. Для проверки модели использовалась 10-кратная перекрестная проверка, а в качестве исследовательского метода для проверки модели и результатов использовался анализ основных компонентов, аналогичный работе, показанной в прошлом исследовании.
«Тестовый набор данных был собран путем взятия 17 новых образцов двухминутных показаний с интервалом в одну секунду для оценки модели классификации. Каждый образец был независим друг от друга (одновременно измерялись только воздух, пиво или кофе), и они были соответствующим образом помечены вручную, в результате чего было проведено более 2500 измерений. Эти данные были импортированы, объединены и случайным образом переупорядочены в MATLAB. Используя модель классификации, созданную на основе обучающего набора данных, данные тестирования были классифицированы, и результаты модели классификации представляют точность 97,7%».
Общие высокие показатели точности, полученные отдельными испытуемыми, действительно впечатляют. Мендоса использовал для тестов Raspberry Pi 3 и упомянул, что впервые узнал об устройстве в конце 2020 года на одном из университетских курсов. «Я быстро понял, насколько просты, эффективны и функциональны платы Raspberry Pi, — сказал он.
через MagPi