Ця розумна людина використала Raspberry Pi, щоб зробити електронний ніс
Люди використовують Raspberry Pis, щоб зробити масу креативних та унікальних гаджетів, але цей може зайняти торт. Точніше, понюхати. Творець Луїс Родрігес Мендоса був натхненний навченими собаками-обнюхами в аеропорту, а потім задумався, чи можуть недорогі датчики газу зробити те ж саме.
Ми бачимо величезну різноманітність датчиків — наприклад, тих, які можуть визначати шум, температуру, вологість або світло — що використовуються щодня для виконання різноманітних завдань, але датчики газу зустрічаються набагато рідше. Використання датчиків для активного «нюхання» запахів у навколишньому середовищі, а не просто для пасивного виявлення запаху, зустрічається ще рідше.
Мендоса сказав, що «Мета проекту — показати, що недорогі датчики можуть бути надійними у виявленні запахів і що їх можна використовувати в клінічних умовах». Він використовував лише чотири типи газових датчиків для проведення обширних випробувань та навчання моделей.
«Тестування проводилося із використанням зразків пива та звареної кави», – сказав він, коли його запитали про його процес тестування. «Алгоритм K-Nearest Neighbours (KNN) був використаний у MATLAB для створення моделі класифікації, яка використовувалася для прогнозування ароматів пива та кави, та була перевірена за допомогою 10-кратної перехресної перевірки (k-кратна) … 98 відсотків точність класифікації була досягнута в процесі тестування.
«Кожний зразок відбирався в середньому протягом 15 хвилин з інтервалом в одну секунду, роблячи понад 900 показань зразка за один тест, і дані експортувалися у файли CSV. Для цілей класифікації вручну додали додаткову колонку для маркування зразка (тобто кава, пиво, повітря). Три набори даних були імпортовані та об’єднані в MATLAB. Ці дані були використані для створення моделі k-найближчого сусіда, k було обрано рівним 5, це було визначено методом проб і помилок. Для перевірки моделі було використано 10-кратну перехресну перевірку, а аналіз основних компонентів (PCA) використовувався як дослідницький метод для перевірки моделі та результатів, подібно до роботи, показаної в попередніх дослідженнях.
«Набір тестових даних був зібраний шляхом взяття 17 нових зразків двохвилинних показань з інтервалом в одну секунду, щоб оцінити модель класифікації. Кожен зразок був незалежним один від одного (одночасно вимірювали лише повітря, пиво або каву), і вони були відповідно позначені вручну, що призвело до понад 2500 вимірювань. Ці дані були імпортовані, об’єднані та випадково переупорядковані в MATLAB. Використовуючи модель класифікації, створену з навчального набору даних, дані тестування були класифіковані, і результати з моделі класифікації представляють точність 97,7%».
Загальні високі показники точності, отримані окремими випробуваними, справді вражають. Мендоса використовував Raspberry Pi 3 для тестів і згадав, що вперше дізнався про пристрій наприкінці 2020 року на одному зі своїх університетських курсів. «Я швидко зрозумів, наскільки простими, ефективними та здібними є плати Raspberry Pi», — сказав він.
через The MagPi