Uncategorized

Cette personne intelligente a utilisé un Raspberry Pi pour fabriquer un nez électronique – Review Geek

Cette personne intelligente a utilisé un Raspberry Pi pour fabriquer un nez électronique – Review Geek


Capteur de gaz odorant de Mendoza, réalisé avec un Raspberry Pi 3
Luis Rodríguez Mendoza

Les gens utilisent Raspberry Pis pour créer une tonne de devices créatifs et uniques, mais celui-ci pourrait prendre le gâteau. Ou plutôt, sentez-le. Le créateur Luis Rodriguez Mendoza s’est inspiré de chiens renifleurs entraînés à l’aéroport, puis s’est demandé si des capteurs de gaz à faible coût pouvaient faire la même chose.

Nous voyons une grande variété de capteurs, comme ceux qui peuvent détecter le bruit, la température, l’humidité ou la lumière, utilisés chaque jour pour une variété de tâches, mais les capteurs de gaz sont beaucoup moins courants. L’utilisation des capteurs pour « sentir » activement les odeurs dans l’environnement proche, plutôt que de simplement détecter passivement une odeur, est encore moins courante.

Mendoza a déclaré que « le but du projet est de montrer que les capteurs à faible coût peuvent être fiables pour détecter les odeurs et qu’ils peuvent éventuellement être utilisés en milieu clinique ». Il n’a utilisé que quatre forms de capteurs de gaz pour effectuer des checks approfondis et une development sur modèle.

« Les checks ont été effectués à l’aide d’échantillons de bière et de café infusé », a-t-il déclaré lorsqu’on lui a posé des questions sur son processus de examination. « Un algorithme K-Nearest Neighbors (KNN) a été utilisé dans MATLAB pour créer un modèle de classification qui a été utilisé pour prédire les arômes de la bière et du café, et a été validé à l’aide d’une validation croisée de 10 fois (k-fold)… à 98 % la précision de la classification a été obtenue lors du processus de test.

« Chaque échantillon a été prélevé, en moyenne, pendant 15 minutes à une seconde d’intervalle, produisant moreover de 900 lectures d’échantillons par exam et les données ont été exportées dans des fichiers CSV. À des fins de classification, une colonne supplémentaire a été ajoutée manuellement pour étiqueter l’échantillon (c.-à-d. café, bière, air). Les trois jeux de données ont été importés et combinés dans MATLAB. Ces données ont été utilisées pour créer un modèle de k additionally proche voisin, k a été sélectionné pour être 5, cela a été déterminé par essais et erreurs. Une validation croisée de 10 fois a été utilisée pour valider le modèle, et une analyse en composantes principales (ACP) a été utilisée comme procedure exploratoire pour vérifier le modèle et les résultats, similaire au travail montré dans les recherches antérieures.

Tableau d'analyse en composantes principales à partir des données de test de Mendoza
Luis Rodríguez Mendoza

« Un ensemble de données de exam a été collecté en prenant 17 nouveaux échantillons de lectures de deux minutes à des intervalles d’une seconde pour évaluer le modèle de classification. Chaque échantillon était indépendant les uns des autres (seuls l’air, la bière ou le café étaient mesurés à la fois) et ils étaient étiquetés manuellement en conséquence, ce qui a donné as well as de 2 500 mesures. Ces données ont été importées, combinées et réorganisées de manière aléatoire dans MATLAB. À l’aide du modèle de classification créé à partir de l’ensemble de données de formation, les données de check ont été classées et les résultats du modèle de classification représentent une précision de 97,7 %. »

Les taux de précision globaux élevés produits par les sujets de examination individuels sont vraiment impressionnants. Mendoza a utilisé un Raspberry Pi 3 pour les assessments et a mentionné qu’il avait découvert l’appareil pour la première fois fin 2020 dans l’un de ses cours universitaires. « J’ai rapidement réalisé à quel issue les cartes Raspberry Pi sont simples, efficaces et performantes », a-t-il déclaré.

by means of le MagPi



Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.