AI Powered Bull **** -detektor: 6 trin (med billeder)

Indholdsfortegnelse:

Forbrugsvarer
Trin 1: Projektvideo
Trin 2: 3D -udskrivning
Trin 3: Elektronik
Trin 4: Træning af AI - Dialogflow
Trin 5: Remo.tv
Trin 6: Resultat

Video: AI Powered Bull **** -detektor: 6 trin (med billeder)

2024 Forfatter: John Day | [email protected]. Sidst ændret: 2024-01-30 08:26

Den eneste enhed, vi alle har brug for, en AI Powered Bull **** -detektor!

Forbrugsvarer

Hindbær Pi
NeoPixel ring
3D printer
TinkerCAD
Pi kamera
AIY Kit
Google Dialogflow
Python
Raspian
Remo.tv

Trin 1: Projektvideo

Trin 2: 3D -udskrivning

Første ting først, vi har brug for en beholder. I dette tilfælde valgte vi at 3D printe en flot farverig. Du kan også bruge noget andet, så længe al elektronikken passer.

Tilfredse med vores æske kan vi 3D udskrive en bajs -emoji lavet af 3DCreatorPurzi. Alt, hvad vi skal gøre, er at tilføje et hulrum i bunden for at holde vores NeoPixel -ring.

Alle modelfilerne er vedhæftet.

Trin 3: Elektronik

Det hele starter med en Raspberry Pi 3B+.

Fordi vi vil bruge tale-til-tekst, skal vi også tilføje en AIY VoiceHat og den tilhørende mikrofon. Det hele er dokumenteret lige her.

Sidst, men ikke mindst, opretter vi NeoPixel -ringen, her er en god vejledning til netop det.

Med alt opsat kan vi teste tale-til-tekst og NeoPixel-ringen, testkoden er vedhæftet.

Trin 4: Træning af AI - Dialogflow

Til vores AI vil vi bruge Dialogflow. Oprindeligt var det beregnet til at blive brugt som chatbot -software, vi kan lidt misbruge det til at træne vores bull **** -detektor.

Vi skaber to hensigter, den ene er vores tilbagevenden og den anden tyr ****. Dernæst tilføjer vi alt indhold i træningssætningerne i vores bull **** intention. Du kan virkelig gå amok her.

Efter at have gemt vil vores bot træne i at opdage bull **** baseret på de givne træningssætninger. Når det er gjort, kan vi bruge lidt python -kode til at oprette forbindelse til vores nyuddannede AI.

Datastrømmen er som følger:

Mikrofonen opfanger nogen, der taler, og optager den.
Denne fil sendes til Google Cloud og omdannes til tekst.
Den genererede tekst sendes tilbage til Raspberry Pi.
Denne tekst sendes derefter til Dialogflow.
Dialogflow forsøger at matche teksten med indholdet fra vores bull **** -hensigt, og afhængigt af resultatet sender den enten bull **** -hensigten eller standard -tilbagesendelsen tilbage.
På vores Pi kontrollerer vi navnet på hensigten, og hvis det er 'Standard Fallback Intent', fortæller vi lysene til at blinke grønt, hvilket betyder at ingen tyr ***. Ellers blinker vi rødt, hvilket angiver bull ****.

Den fulde kode er vedhæftet.

Trin 5: Remo.tv

Vi kan ikke holde noget så kraftfuldt for os selv! Så vi vil gøre vores detektor tilgængelig for alle. For at få dette til at ske vil vi bruge Remo.tv, en robotstreamingplatform. Alt, hvad vi skal gøre, er at vedhæfte et Pi -kamera og følge deres opsætningsinstruktioner.

Når Remo.tv er oprettet, skriver vi vores egen chat -handler. I stedet for at bruge tale-til-tekst sender vi direkte de chatbeskeder, vi modtager på Remo.tv, til Dialogflow. Resten af logikken forbliver den samme. Tilføj bare en note i baggrunden for at fortælle de besøgende, hvad de ser på, og vi er alle færdige.