فهرست مطالب:
- مرحله 1: سخت افزار: طراحی مدار
- مرحله 2: سخت افزار: چاپ سه بعدی
- مرحله 3: سخت افزار: برش لیزری
- مرحله 4: نرم افزار: جمع آوری داده ها
- مرحله 5: نرم افزار: آموزش مجموعه داده های جمع آوری شده
- مرحله 6: نرم افزار: پیش بینی کلاس ها
تصویری: تشخیص دستگاه در زمان واقعی با استفاده از رد پای EM: 6 مرحله
2024 نویسنده: John Day | [email protected]. آخرین اصلاح شده: 2024-01-30 08:52
این دستگاه برای طبقه بندی دستگاه های الکترونیکی مختلف با توجه به سیگنال های EM آنها در نظر گرفته شده است. برای دستگاه های مختلف ، سیگنال های EM متفاوتی وجود دارد که توسط آن منتشر می شود. ما یک راه حل اینترنت اشیا برای شناسایی دستگاه های الکترونیکی با استفاده از کیت فوتون ذرات ایجاد کرده ایم. دستگاه پوشیدنی ما می تواند بر روی مچ دست که دارای اتصال فشرده ذرات فوتون با صفحه نمایش OLED و اتصال مدار از فوتون ذره به آنتن ارائه شده در کیت است ، استفاده شود.
این دستگاه می تواند برای کنترل دستگاه های الکترونیکی و ساختن آنها به عنوان "دستگاه های هوشمند" با همه نرم افزارهای منبع باز یکپارچه شود تا بتوانید آن را کنترل کنید ، همچنین توانایی این دستگاه را تغییر داده یا بهبود دهید.
مرحله 1: سخت افزار: طراحی مدار
اجزاء: (از کیت Particle Maker)
می توانید کیت را از وب سایت های مختلف آنلاین خریداری کنید.
- وب سایت آمازون
- وب سایت ذرات
- وب سایت Adafruit
- تخته توسعه فوتون ذرات
- مقاومت x 3 - 1 مگا اهم
- 3-5V 0.96 "SPI سریال 128X64 OLED LCD
- آنتن (برای دریافت قرائت/ردپای EM)
مرحله 2: سخت افزار: چاپ سه بعدی
- ما شماره گیری مچ دست خود را با استفاده از چاپگر سه بعدی طراحی کردیم.
- مدل سه بعدی در برنامه Shapr3D با استفاده از iPad Pro طراحی شده است.
- فایل stl مدل سه بعدی از زمانی که از چاپگر X-one-2 Qidi Tech استفاده می کردیم وارد نرم افزار Qidi شد.
- چاپگر سه بعدی حدود 30 دقیقه طول کشید تا مدل چاپ شود.
- پیوند به فایل stl
مرحله 3: سخت افزار: برش لیزری
- ما الگوی بند مچ را با استفاده از Adobe Illustrator طراحی کردیم.
- سپس مدل طراحی شده به دستگاه لیزر یونیورسال صادر شد و در آنجا چوب را به نوار مچ انعطاف پذیر برش دادیم.
- پیوند به فایل svg
مرحله 4: نرم افزار: جمع آوری داده ها
-
با استفاده از Photon ، مقدار داده 3 100 100 را در هر نمونه ممکن منتشر کنید.
- نوشتن داده ها از Photon به data.json در سرور گره.
- تجزیه و تحلیل داده ها از سرور گره به متلب.
- داده های ارسال شده به MATLAB به صورت 1 * 300 است.
مرحله 5: نرم افزار: آموزش مجموعه داده های جمع آوری شده
- تکه های 1 * 300 - تغذیه به MATLAB. (برای هر دستگاه 27 نمونه جمع آوری شده) 27 300 300 داده جمع آوری شده.
- ویژگی های اضافه شده به داده ها - (5 ویژگی) - میانگین ، میانه ، انحراف استاندارد ، کج شدن ، کوتوز.
- آموزش داده ها در جعبه ابزار طبقه بندی MATLAB
- آزمایش داده های آفلاین (6 6 6) در همان جعبه ابزار
مرحله 6: نرم افزار: پیش بینی کلاس ها
پیش بینی
واکشی داده های زنده با استفاده از فوتون
ارسال داده های خام به سرور گره. (داده های ذخیره شده در پرونده data.json)
اسکریپت متلب برای خواندن داده ها از فایل data.json و پیش بینی نتیجه
توصیه شده:
نحوه استفاده از ماژول ساعت در زمان واقعی (DS3231): 5 مرحله
نحوه استفاده از ماژول ساعت در زمان واقعی (DS3231): DS3231 یک ساعت زمان واقعی کم هزینه و بسیار دقیق I2C (RTC) با نوسان ساز بلوری با جبران دما (TCXO) و کریستال است. این دستگاه دارای ورودی باتری است و زمان دقیق را در زمان تغذیه اصلی حفظ می کند
چگونه می توان رطوبت و دما را در زمان واقعی با دستگاه Arduino UNO و SD-Card ضبط کرد - شبیه سازی DHT11 ثبت کننده داده در پروتئوس: 5 مرحله
چگونه می توان رطوبت و دما را در زمان واقعی با دستگاه Arduino UNO و SD-Card ضبط کرد | شبیه سازی DHT11 Data-logger در Proteus: مقدمه: سلام ، این Liono Maker است ، در اینجا پیوند YouTube است. ما در حال انجام پروژه ای خلاقانه با Arduino هستیم و روی سیستم های تعبیه شده کار می کنیم. Data-Logger: Data logger: Data logger (همچنین Data-logger یا data recorder) یک دستگاه الکترونیکی است که داده ها را در طول زمان ثبت می کند
پست پیراهنی: تشخیص وضعیت پوشیدنی در زمان واقعی: 9 مرحله
Postshirt: Reastime Wearable Detection Posture: Postshirt یک سیستم تشخیص وضعیت بی سیم در زمان واقعی است که داده های شتاب سنج را از یک پر Adafruit به یک برنامه Android از طریق بلوتوث منتقل و طبقه بندی می کند. سیستم کامل می تواند در زمان واقعی تشخیص دهد که کاربر وضعیت بدنی نامناسب دارد و
تشخیص چهره در زمان واقعی در مراحل تمشک Pi-4: 6 (همراه با تصاویر)
تشخیص چهره در زمان واقعی در RaspberryPi-4: در این دستورالعمل ما قصد داریم تشخیص چهره در زمان واقعی را روی Raspberry Pi 4 با Shunya O/S با استفاده از کتابخانه Shunyaface انجام دهیم. با دنبال کردن این آموزش ، می توانید نرخ فریم تشخیص 15-17 را در RaspberryPi-4 بدست آورید
تشخیص چهره در زمان واقعی: یک پروژه پایان به پایان: 8 مرحله (همراه با تصاویر)
تشخیص چهره در زمان واقعی: پروژه ای به پایان اکنون ما از PiCam خود برای تشخیص چهره در زمان واقعی استفاده می کنیم ، همانطور که در زیر مشاهده می کنید: این پروژه با این & quot؛ کتابخانه چشم انداز رایانه منبع باز & quot & انجام شد