...
🧑 💻 Recensioner och nyheter från världen av program, bilar, prylar och datorer. Artiklar om spel och hobbyer.

Den här smarta personen använde en Raspberry Pi för att göra en elektronisk näsa

6

luis rodriguez mendoza

Folk använder Raspberry Pis för att göra massor av kreativa och unika prylar, men den här kan ta kakan. Eller snarare, lukta på det. Skaparen Luis Rodriguez Mendoza inspirerades av tränade sniffande hundar på flygplatsen och undrade sedan om lågprisgassensorer kunde göra samma sak.

Vi ser ett stort utbud av sensorer – som de som kan känna av brus, temperatur, luftfuktighet eller ljus – som används varje dag för en mängd olika uppgifter, men gassensorer är mycket mindre vanliga. Att använda sensorerna för att aktivt "lukta" på dofterna i den närliggande miljön, snarare än att bara upptäcka en doft passivt, är ännu mindre vanligt.

Mendoza sa att "Syftet med projektet är att visa att lågkostnadssensorer kan vara tillförlitliga för att upptäcka lukter och att de möjligen kan användas i kliniska miljöer." Han använde bara fyra typer av gassensorer för att utföra omfattande tester och modellutbildning.

"Testerna gjordes med hjälp av prover av öl och bryggkaffe," sade han när han tillfrågades om sin testprocess. "En K-Nearest Neighbors (KNN) algoritm användes i MATLAB för att skapa en klassificeringsmodell som användes för att förutsäga aromerna av öl och kaffe, och validerades med en 10-faldig korsvalidering (k-faldig) … en 98 procent klassificeringsnoggrannhet uppnåddes i testprocessen.

"Varje prov togs i genomsnitt i 15 minuter med en sekunds intervall, vilket gav över 900 provavläsningar per test och data exporterades till CSV-filer. För klassificeringsändamål lades ytterligare en kolumn till manuellt för att märka provet (dvs kaffe, öl, luft). De tre datamängderna importerades och kombinerades i MATLAB. Dessa data användes för att skapa en k-närmaste grannmodell, k valdes till 5, detta bestämdes genom försök och misstag. En 10-faldig korsvalidering användes för att validera modellen, och en Principal Component Analysis (PCA) användes som en utforskande teknik för att verifiera modellen och resultaten, liknande det arbete som visats i tidigare forskning.

Den här smarta personen använde en Raspberry Pi för att göra en elektronisk näsa

luis rodriguez mendoza

"En testdatauppsättning samlades in genom att ta 17 nya prov av tvåminutersavläsningar med en sekunds intervall för att bedöma klassificeringsmodellen. Varje prov var oberoende av varandra (endast luft, öl eller kaffe mättes åt gången), och de märktes manuellt i enlighet med detta, vilket resulterade i över 2500 mätningar. Dessa data importerades, kombinerades och omarrangerades slumpmässigt i MATLAB. Med hjälp av klassificeringsmodellen som skapats från träningsdatauppsättningen klassificerades testdata och resultaten från klassificeringsmodellen representerar 97,7 % noggrannhet."

Den övergripande höga noggrannheten som produceras av de individuella testpersonerna är verkligen imponerande. Mendoza använde en Raspberry Pi 3 för testerna och nämnde att han först lärde sig om enheten i slutet av 2020 på en av sina universitetskurser. "Jag insåg snabbt hur enkla, effektiva och kapabla Raspberry Pi-kort är," sa han.

via The MagPi

Inspelningskälla: www.reviewgeek.com

Denna webbplats använder cookies för att förbättra din upplevelse. Vi antar att du är ok med detta, men du kan välja bort det om du vill. Jag accepterar Fler detaljer