Innholdsfortegnelse:
- Trinn 1: Maskinvare: Kretsdesign
- Trinn 2: Maskinvare: 3D -utskrift
- Trinn 3: Maskinvare: Laserskjæring
- Trinn 4: Programvare: Datainnsamling
- Trinn 5: Programvare: Trening av det innsamlede datasettet
- Trinn 6: Programvare: Forutsi klassene
Video: Enhetsgjenkjenning i sanntid ved bruk av EM-fotavtrykk: 6 trinn
2024 Forfatter: John Day | [email protected]. Sist endret: 2024-01-30 11:21
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
Opplys meg! en LED-stripekontroll i sanntid på tvers av plattformer: 5 trinn (med bilder)
Opplys meg! en LED-stripekontroll i sanntid på tvers av plattformer: LightMeUp! er et system jeg oppfant for å kontrollere en RGB LED-stripe i sanntid, samtidig som kostnadene er lave og ytelsen høy. Serveren er skrevet i Node.js og derfor kryssplattformbar. I mitt eksempel bruker jeg en Raspberry Pi 3B for langtidsbruk
GPS-sporing i sanntid: 3 trinn
GPS-sporing i sanntid: I denne opplæringen vil vi vise deg hvordan du gjør posisjonssporing i sanntid ved hjelp av en BerryGPS-GSM, en Raspberry Pi Zero og Initial State. Vi sender lengdegrad, breddegrad og hastighet via 3G med BerryGPS-GSM til Initial State
Ansiktsgjenkjenning i sanntid på RaspberryPi-4: 6 trinn (med bilder)
Ansiktsgjenkjenning i sanntid på RaspberryPi-4: I denne instruksen skal vi utføre ansiktsgjenkjenning i sanntid på Raspberry Pi 4 med Shunya O/S ved bruk av Shunyaface-biblioteket. Du kan oppnå en deteksjonsramme på 15-17 på RaspberryPi-4 ved å følge denne opplæringen
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