...
🧑 💻 Відгуки та новини зі світу програм, автомобілів, гаджетів і комп'ютерів. Статті про ігри та хобі.

Ця розумна людина використала Raspberry Pi, щоб зробити електронний ніс

2

Луїс Родрігес Мендоса

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.

Ця розумна людина використала Raspberry Pi, щоб зробити електронний ніс

Луїс Родрігес Мендоса

«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

Джерело запису: www.reviewgeek.com

Цей веб -сайт використовує файли cookie, щоб покращити ваш досвід. Ми припустимо, що з цим все гаразд, але ви можете відмовитися, якщо захочете. Прийняти Читати далі