Intellektuel flaske papirkurv: 6 trin

2024 Forfatter: John Day | [email protected]. Sidst ændret: 2024-01-30 08:27

Jeg oprettede denne papirkurv sammen med Yeting Bao og Yuni Xie. Tak for din hengivenhed til dette projekt:).

Brug et brugervenligt maskinindlæringsværktøj til at oprette en intellektuel skraldespand til genbrugsafdelingen i nærheden af dit sted: Når du har tabt en flaske i den særlige skraldespand, viser skærmen ved siden af dens materiale.

Forbrugsvarer

Det, vi har brug for, er en æske til flasker, du vil genbruge, et foton kredsløb med en mikrofon, en pc med forbindelse til internettet og en knap (som vi bruger en iPad).

Trin 1: Tag et kig på, hvordan det fungerer

Trin 2: Lav en kasse

Her bruger vi fire akrylplader og et træplader til at danne kassen. Du kan bruge ethvert materiale, du ønsker, men sørg for, at de er stærke nok til at understøtte tusindvis af gange med at tabe flaskerne, og det skal selvfølgelig lave lyde.

Trin 3: Træn din akustiske maskinlæringsmodel

Her bruger vi vores papirkurvprototype til at simulere smide forskellige typer flasker i en skraldespand. Ved at bruge hjemmesidens lærbare maskine registrerer vi forskellige typer faldende lyde og udtrækker lydprøverne. Og derefter bruge Train Model til at træne computeren til at genkende disse forskellige typer lyde. Glem ikke at eksportere modellen, så den kan bruges på dit websted.

I denne proces indsamlede vi faldlyd fra fire typer flasker (plastflaske, dåser, papirkasse, glas), som ofte bruges i dagligdagen.

Trin 4: Byg dit foton kredsløb

Brug en mikrofon og en højttaler til at forbinde fotonkredsløbet, se billedet ovenfor. Glem ikke at slutte den til strøm.

Fejlfinding af tid

Hvis du bruger en anden version af foton eller Arduino -kredsløb, kan du muligvis anvende maskinlæringsbibliotek "TensorFlowLite" til Photon. Vores version af foton tjener imidlertid ikke en sådan funktion. I stedet bruger vi maskinlæringsværktøjets javascript -bibliotek.

I mellemtiden kan vores version af foton ikke sende lyd til computeren og analysere den i realtid. Derfor bruger vi "Speaker" npm -pakke til at afspille lyd og analysere den i browser.

Hvis du har en anden version af foton eller Arduino, kan du prøve nogle lettere måder at sende lyden til computeren eller anvende maskinlæringsbibliotek på dit kredsløb.

Trin 5: Betjen din kode på computeren

Brug Node.js til at vise koden til at modtage lyd og afspille automatisk. Du kan

Du kan finde det i Github.

Her er den vigtigste kode, som vi brugte i dette trin.

… // Gem wav -filen lokalt, og afspil den, når overførslen er fuldført

socket.on ('data', funktion (data) {// Vi modtog data om denne forbindelse. writer.write (data, 'hex');});

socket.on ('end', function () {console.log ('transmission fuldført, gemt i' + outPath); writer.end (); var file = fs.createReadStream (outPath); var reader = new wav. Reader (); // "format" -hændelsen udsendes i slutningen af WAVE header reader.on ('format', funktion () {// WAVE header fjernes fra output fra reader reader.pipe (ny højttaler (wavOpts));}); // rør WAVE -filen til Reader -forekomstfilen.pipe (læser);}); }). lyt (dataPort); …

Trin 6: Udvikl din visualisering

Brug javascript til at sende AJAX -anmodning til partikler og styre funktionen "åben". Når funktionen "åben" kaldes, og værdien er indstillet til "1", tændes mikrofonen på fotonet og optages i 3 sekunder. Den optagne lyd sendes til computeren og afspilles automatisk.

Når computeren har modtaget lyd, vises genkendelsen på siden.