Table des matières:
- Étape 1: Matériel: Conception de circuits
- Étape 2: Matériel: Impression 3D
- Étape 3: Matériel: Découpe laser
- Étape 4: Logiciel: Collecte de données
- Étape 5: Logiciel: Formation de l'ensemble de données collectées
- Étape 6: Logiciel: Prédire les classes
Vidéo: Reconnaissance d'appareils en temps réel à l'aide d'empreintes EM : 6 étapes
2024 Auteur: John Day | [email protected]. Dernière modifié: 2024-01-30 09:06
Cet appareil est destiné à classer différents appareils électroniques en fonction de leurs signaux EM. Pour différents appareils, ils ont différents signaux EM émis par celui-ci. Nous avons développé une solution IoT pour identifier les appareils électroniques à l'aide du kit Particle Photon. Notre appareil portable peut être porté au poignet et dispose d'une connexion compacte de photon de particules avec un écran OLED et d'une connexion de circuit de photon de particules à l'antenne fournie dans le kit.
Cet appareil peut être encore intégré pour contrôler les appareils électroniques et les transformer en " appareils intelligents " avec tous les logiciels open source, afin que vous puissiez le contrôler, modifier ou améliorer également les capacités de cet appareil.
Étape 1: Matériel: Conception de circuits
Composants: (du kit Particle Maker)
Vous pouvez acheter le kit sur divers sites Web en ligne.
-- Site Web d'Amazon
-- Site Web de particules
-- Site Web d'Adafruit
- Carte de développement de photons de particules
- Résistances x 3 -- 1 mégaohm
- Écran LCD OLED série 128X64 3-5V 0,96 "SPI
- Antenne (pour obtenir les lectures/empreintes EM)
Étape 2: Matériel: Impression 3D
- Nous avons conçu notre cadran de bracelet à l'aide d'une imprimante 3D.
- Le modèle 3D a été conçu dans l'application Shapr3D à l'aide d'iPad Pro.
- stl du modèle 3D a été importé et poussé dans le logiciel Qidi puisque nous utilisions l'imprimante X-one-2 Qidi Tech.
- L'imprimante 3D a pris environ 30 minutes pour imprimer le modèle.
- lien vers le fichier stl.
Étape 3: Matériel: Découpe laser
- Nous avons conçu le motif du bracelet à l'aide d'Adobe Illustrator.
- Le modèle conçu a ensuite été exporté vers la machine Universal Laser où nous avons coupé le bois en un bracelet flexible.
- lien vers le fichier svg.
Étape 4: Logiciel: Collecte de données
-
Utilisation de Photon, publication d'une valeur de données de 3 x 100 pour chaque instance possible.
- Écriture des données de Photon vers data.json dans le serveur de nœuds.
- Analyser les données du serveur de nœud vers MATLAB.
- Les données envoyées à MATLAB sont sous la forme de 1 x 300.
Étape 5: Logiciel: Formation de l'ensemble de données collectées
- Morceaux de 1 x 300 - alimentez MATLAB. (pour chaque appareil, 27 échantillons collectés) 27 x 300 données collectées.
- Ajout de fonctionnalités aux données - (5 fonctionnalités) - moyenne, médiane, écart type, asymétrie, aplatissement.
- Entraîner les données dans la boîte à outils de classification MATLAB
- Test des données hors ligne (6 x 6) dans la même boîte à outils
Étape 6: Logiciel: Prédire les classes
Prédiction
Récupérer les données en direct à l'aide de photon
Envoi des données brutes au serveur de nœud. (données enregistrées dans le fichier data.json)
Script MATLAB pour lire les données du fichier data.json et prédire le résultat
Conseillé:
Comment faire une horloge en temps réel à l'aide d'Arduino et d'un écran TFT - Arduino Mega RTC avec écran TFT de 3,5 pouces : 4 étapes
Comment faire une horloge en temps réel à l'aide d'Arduino et d'un écran TFT | Arduino Mega RTC avec un écran TFT de 3,5 pouces : visitez ma chaîne Youtube. Module RTC 2560 et DS3231….Avant de commencer…vérifiez la vidéo de ma chaîne YouTube..Remarque : - Si vous utilisez Arduin
Liste de tâches en temps réel à l'aide de Google Firebase : 12 étapes
Liste de tâches en temps réel à l'aide de Google Firebase : Hé là ! Nous utilisons tous des listes de tâches au jour le jour, que ce soit en ligne ou hors ligne. Alors que les listes hors ligne sont susceptibles de se perdre, et les listes virtuelles peuvent être égarées, supprimées accidentellement ou même oubliées. Nous avons donc décidé d'en faire un sur Google Firebase
Reconnaissance faciale en temps réel : un projet de bout en bout : 8 étapes (avec photos)
Reconnaissance faciale en temps réel : un projet de bout en bout : Lors de mon dernier tutoriel explorant OpenCV, nous avons appris le SUIVI D'OBJETS DE VISION AUTOMATIQUE. Nous allons maintenant utiliser notre PiCam pour reconnaître les visages en temps réel, comme vous pouvez le voir ci-dessous :
Notifications d'événements en temps réel à l'aide de NodeMCU (Arduino), Google Firebase et Laravel : 4 étapes (avec images)
Notifications d'événements en temps réel à l'aide de NodeMCU (Arduino), Google Firebase et Laravel : avez-vous déjà voulu être averti lorsqu'une action est effectuée sur votre site Web mais que l'e-mail n'est pas la bonne solution ? Voulez-vous entendre un son ou une cloche à chaque fois que vous effectuez une vente ? Ou il y a un besoin de votre attention immédiate en raison d'une urgence
Contrôlez des appareils du monde réel avec votre PC : 15 étapes (avec des images)
Contrôlez les appareils du monde réel avec votre PC : ce Instructable vous montre comment interfacer un PC et un microcontrôleur. Cette démo détectera la valeur d'un potentiomètre ou de toute entrée analogique et contrôlera également un servo. Le coût total est inférieur à 40 $, y compris le servo. Le servo allume un microrupteur puis le m