
Innholdsfortegnelse:
2025 Forfatter: John Day | [email protected]. Sist endret: 2025-01-23 15:02


Denne enheten er ment å klassifisere forskjellige elektroniske enheter i henhold til deres EM -signaler. For forskjellige enheter har de forskjellige EM -signaler som sendes ut av den. Vi har utviklet en IoT -løsning for å identifisere elektroniske enheter ved hjelp av Particle Photon kit. Vår bærbare enhet kan bæres på håndleddet som har en kompakt tilkobling av partikkelfoton med en OLED -skjerm og kretsforbindelse fra partikkelfoton til antennen i settet.
Denne enheten kan integreres ytterligere for å kontrollere de elektroniske enhetene og gjøre dem til "smarte enheter" med all programvare med åpen kildekode, slik at du kan kontrollere den, også endre eller forbedre funksjonen til denne enheten.
Trinn 1: Maskinvare: Kretsdesign




Komponenter: (fra Particle Maker kit)
Du kan kjøpe settet fra forskjellige nettsteder.
- Amazon nettsted
- Partikkel nettsted
- Adafruit nettsted
- Partikkelfotonutviklingstavle
- Motstander x 3 - 1 megaohm
- 3-5V 0,96 "SPI Seriell 128X64 OLED LCD-skjerm
- Antenne (for å få EM -avlesninger/fotavtrykk)
Trinn 2: Maskinvare: 3D -utskrift



- Vi designet armbåndsskiven vår med en 3D -skriver.
- 3D -modellen ble designet i Shapr3D -applikasjonen ved hjelp av iPad Pro.
- stl-filen til 3D-modellen ble importert og presset inn i Qidi-programvaren siden vi brukte X-one-2 Qidi Tech-skriveren.
- 3D -skriveren tok omtrent 30 minutter å skrive ut modellen.
- lenke til stl -filen.
Trinn 3: Maskinvare: Laserskjæring
- Vi designet armbåndsmønsteret ved hjelp av Adobe Illustrator.
- Den designede modellen ble deretter eksportert til Universal Laser -maskin hvor vi kuttet treverket til et fleksibelt håndleddsbånd.
- lenke til svg -fil.
Trinn 4: Programvare: Datainnsamling
-
Ved å bruke Photon publiserer du 3 x 100 dataverdi hver mulig forekomst.
- Skriver data fra Photon til data.json i nodeserver.
- Analyserer data fra nodeserver til MATLAB.
- Data som sendes til MATLAB er i form av 1 x 300.
Trinn 5: Programvare: Trening av det innsamlede datasettet
- Biter på 1 x 300 - mat til MATLAB. (For hver enhet 27 prøver samlet) 27 x 300 data samlet.
- Lagt til funksjoner i dataene - (5 funksjoner) - gjennomsnitt, median, standardavvik, skjevhet, kurtosis.
- Trener dataene i MATLAB -klassifiseringsverktøykasse
- Testing av frakoblede data (6 x 6) i samme verktøykasse
Trinn 6: Programvare: Forutsi klassene
Prediksjon
Henter levende data ved hjelp av foton
Sender rådata til nodeserver. (data lagret i data.json -filen)
MATLAB -skript for å lese dataene fra data.json -filen og forutsi resultatet
Anbefalt:
MicroPython-program: Oppdater data om koronavirussykdom (COVID-19) i sanntid: 10 trinn (med bilder)

MicroPython-program: Oppdater data om koronavirussykdom (COVID-19) i sanntid: I løpet av de siste ukene har antall bekreftede tilfeller av koronavirussykdom (COVID 19) oversteget 100 000, og verdens helseorganisasjon (WHO) har erklært nytt koronavirus lungebetennelse utbrudd for å være en global pandemi. Jeg var veldig
Kontroll ledet over hele verden ved bruk av internett ved hjelp av Arduino: 4 trinn

Kontroll ledet over hele verden ved bruk av internett ved hjelp av Arduino: Hei, jeg er Rithik. Vi kommer til å lage en Internett -kontrollert LED ved hjelp av telefonen din. Vi kommer til å bruke programvare som Arduino IDE og Blynk. Det er enkelt, og hvis du lyktes kan du kontrollere så mange elektroniske komponenter du vilTing We Need: Hardware:
Overvåke akselerasjon ved bruk av Raspberry Pi og AIS328DQTR ved hjelp av Python: 6 trinn

Overvåke akselerasjon ved hjelp av Raspberry Pi og AIS328DQTR Bruke Python: Akselerasjon er begrenset, tror jeg i henhold til noen fysikklover.- Terry Riley En gepard bruker fantastisk akselerasjon og raske endringer i hastighet når jeg jager. Den raskeste skapningen i land en gang i blant bruker sitt høyeste tempo for å fange byttedyr. Den
Atollic TrueStudio-Switch på LED-en ved å trykke på trykknappen ved bruk av STM32L100: 4 trinn

Atollic TrueStudio-Switch på LED-en ved å trykke på trykknappen ved bruk av STM32L100: I denne opplæringen til STM32 skal jeg fortelle deg hvordan du leser en GPIO-pin av STM32L100, så her skal jeg lage en ombord LED-glød av bare trykke på trykknappen
Gjøremålsliste i sanntid ved hjelp av Google Firebase: 12 trinn

Gjøremålsliste i sanntid ved hjelp av Google Firebase: Hei! Vi bruker alle gjøremålslister daglig, enten det er online eller frakoblet. Selv om frakoblede lister er utsatt for å gå seg vill, og virtuelle lister kan være feilplassert, ved et uhell slettet eller til og med glemt. Så vi bestemte oss for å lage en på Google Firebase