Reconhecimento de dispositivo em tempo real usando pegadas EM: 6 etapas

2024 Autor: John Day | [email protected]. Última modificação: 2024-01-30 11:35

Este dispositivo se destina a classificar diferentes dispositivos eletrônicos de acordo com seus sinais EM. Para diferentes dispositivos, eles têm diferentes sinais EM emitidos por ele. Desenvolvemos uma solução IoT para identificar os dispositivos eletrônicos usando o kit Particle Photon. Nosso dispositivo vestível pode ser usado no pulso, que tem conexão compacta de fóton de partícula com um display OLED e conexão de circuito de fóton de partícula para a antena fornecida no kit.

Este dispositivo pode ser ainda mais integrado para controlar os dispositivos eletrônicos e torná-los como "dispositivos inteligentes" com todo o software de código aberto, para que você possa controlá-lo, também modificar ou melhorar a capacidade deste dispositivo.

Etapa 1: Hardware: Projeto do circuito

Componentes: (do kit Particle Maker)

Você pode comprar o kit em vários sites online.

- Site da Amazon

- Site de partículas

- Site Adafruit

1. Placa de desenvolvimento de fótons de partículas
2. Resistores x 3 - 1 megaohm
3. 3-5V 0,96 "SPI Serial 128X64 Display LCD OLED
4. Antena (para obter as leituras / pegadas EM)

Etapa 2: Hardware: Impressão 3D

• Projetamos nosso mostrador de pulseira usando uma impressora 3D.
• O modelo 3D foi projetado no aplicativo Shapr3D usando o iPad Pro.
• O arquivo stl do modelo 3D foi importado e colocado no software Qidi, já que estávamos usando a impressora X-one-2 Qidi Tech.
• A impressora 3D demorou aproximadamente 30 minutos para imprimir o modelo.
• link para o arquivo stl.

Etapa 3: Hardware: Corte a laser

• Projetamos o padrão de pulseira usando Adobe Illustrator.
• O modelo projetado foi então exportado para a máquina Universal Laser onde cortamos a madeira em uma pulseira flexível.
• link para arquivo SVG.

Etapa 4: Software: Coleta de Dados

• Usando Photon, publicando 3 x 100 valores de dados em todas as instâncias possíveis.

• Gravando os dados do Photon para data.json no servidor de nó.
• Analisando os dados do servidor do nó para o MATLAB.
• Os dados enviados para o MATLAB são no formato 1 x 300.

Etapa 5: Software: Treinamento do conjunto de dados coletados

• Pedaços de 1 x 300 - alimentam o MATLAB. (Para cada dispositivo 27 amostras coletadas) 27 x 300 dados coletados.
• Recursos adicionados aos dados - (5 recursos) - média, mediana, desvio padrão, assimetria, curtose.
• Treinar os dados na caixa de ferramentas de classificação MATLAB
• Testando dados offline (6 x 6) na mesma caixa de ferramentas

Etapa 6: Software: Predizendo as aulas

Predição

Buscando os dados ao vivo usando fóton

Enviando os dados brutos para o servidor do nó. (dados salvos no arquivo data.json)

Script MATLAB para ler os dados do arquivo data.json e prever o resultado