Оглавление:
2025 Автор: John Day | [email protected]. Последнее изменение: 2025-01-23 15:04
Это устройство предназначено для классификации различных электронных устройств по их электромагнитным сигналам. Для разных устройств они испускают разные электромагнитные сигналы. Мы разработали IoT-решение для идентификации электронных устройств с помощью набора Particle Photon. Наше носимое устройство можно носить на запястье, которое имеет компактное соединение фотона частицы с OLED-дисплеем и схему подключения фотона частицы к антенне, входящей в комплект.
Это устройство может быть дополнительно интегрировано для управления электронными устройствами и превращения их в «интеллектуальные устройства» со всем программным обеспечением с открытым исходным кодом, чтобы вы могли управлять им, а также изменять или улучшать возможности этого устройства.
Шаг 1. Аппаратное обеспечение: схемотехника
Компоненты: (из набора Particle Maker)
Вы можете приобрести комплект на различных интернет-сайтах.
- Веб-сайт Amazon
- Веб-сайт частиц
- Веб-сайт Adafruit
- Совет по развитию фотонов частиц
- Резисторы x 3 - 1 МОм
- 3–5 В, 0,96-дюймовый ЖК-дисплей OLED с последовательным интерфейсом 128X64, SPI
- Антенна (для получения показаний / отпечатков ЭМ)
Шаг 2: Оборудование: 3D-печать
- Мы разработали циферблат на запястье с помощью 3D-принтера.
- 3D-модель была создана в приложении Shapr3D на iPad Pro.
- stl 3D-модели был импортирован и загружен в программное обеспечение Qidi, поскольку мы использовали принтер X-one-2 Qidi Tech.
- На печать модели на 3D-принтере ушло около 30 минут.
- ссылка на stl файл.
Шаг 3: Оборудование: лазерная резка
- Выкройку браслета мы разработали с помощью Adobe Illustrator.
- Разработанная модель была затем экспортирована на универсальный лазерный станок, где мы вырезали из дерева гибкий браслет.
- ссылка на файл svg.
Шаг 4. Программное обеспечение: сбор данных
-
Используя Photon, каждый возможный экземпляр публикует значение данных 3 x 100.
- Запись данных из Photon в data.json на сервере узла.
- Анализ данных с сервера узла в MATLAB.
- Данные, отправляемые в MATLAB, имеют вид 1 x 300.
Шаг 5. Программное обеспечение: обучение собранного набора данных
- Куски размером 1 x 300 - подача в MATLAB. (Для каждого устройства собрано 27 образцов) 27 x 300 собранных данных.
- Добавлены функции к данным - (5 функций) - среднее значение, медиана, стандартное отклонение, асимметрия, эксцесс.
- Обучение данных в инструментарии классификации MATLAB
- Тестирование автономных данных (6 x 6) в том же наборе инструментов
Шаг 6. Программное обеспечение: прогнозирование классов
Прогноз
Получение данных в реальном времени с помощью фотона
Отправка необработанных данных на сервер узла. (данные сохранены в файле data.json)
Сценарий MATLAB для чтения данных из файла data.json и прогнозирования результата
Рекомендуемые:
Решающая программа для куба Рубика вслепую в реальном времени с использованием Raspberry Pi и OpenCV: 4 шага
Кубик Рубика «вслепую» в реальном времени с использованием Raspberry Pi и OpenCV: это вторая версия кубика Рубика, предназначенная для решения «вслепую». Первая версия была разработана с помощью javascript, вы можете увидеть проект RubiksCubeBlindfolded1В отличие от предыдущей, эта версия использует библиотеку OpenCV для определения цветов и е
Построение графика данных датчика температуры в реальном времени (TMP006) с использованием MSP432 LaunchPad и Python: 9 шагов
Построение графика данных датчика температуры в реальном времени (TMP006) с использованием MSP432 LaunchPad и Python: TMP006 - это датчик температуры, который измеряет температуру объекта без необходимости соприкасаться с ним. В этом руководстве мы построим график данных температуры в реальном времени из BoosterPack (TI BOOSTXL-EDUMKII) с использованием Python
Список дел в реальном времени с использованием Google Firebase: 12 шагов
Список дел в реальном времени с помощью Google Firebase: привет! Мы все используем списки дел ежедневно, будь то онлайн или офлайн. В то время как автономные списки склонны теряться, а виртуальные списки могут быть потеряны, случайно удалены или даже забыты. Поэтому мы решили сделать его в Google Firebase
Распознавание лиц в реальном времени: комплексный проект: 8 шагов (с изображениями)
Распознавание лиц в реальном времени: сквозной проект: в моем последнем руководстве по OpenCV мы изучили АВТОМАТИЧЕСКОЕ ОТСЛЕЖИВАНИЕ ОБЪЕКТОВ ВИДЕНИЯ. Теперь мы будем использовать нашу PiCam для распознавания лиц в режиме реального времени, как вы можете видеть ниже: Этот проект был выполнен с помощью этой фантастической «Библиотеки компьютерного зрения с открытым исходным кодом»
Распознавание лиц + распознавание: 8 шагов (с изображениями)
Обнаружение лиц + распознавание: это простой пример запуска обнаружения и распознавания лиц с помощью OpenCV с камеры. ПРИМЕЧАНИЕ: Я СОЗДАЛ ДАННЫЙ ПРОЕКТ ДЛЯ КОНКУРСА СЕНСОРОВ И ИСПОЛЬЗОВАЛ КАМЕРУ В КАЧЕСТВЕ СЕНСОРА ДЛЯ ОТСЛЕЖИВАНИЯ И РАСПОЗНАВАНИЯ ЛИЦ. Итак, наша цель В этом сеансе: 1. Установить Anaconda