Indholdsfortegnelse:

Real-time enhedsgenkendelse ved hjælp af EM-fodaftryk: 6 trin
Real-time enhedsgenkendelse ved hjælp af EM-fodaftryk: 6 trin

Video: Real-time enhedsgenkendelse ved hjælp af EM-fodaftryk: 6 trin

Video: Real-time enhedsgenkendelse ved hjælp af EM-fodaftryk: 6 trin
Video: Five Nights at Freddy's: In Real Time Trailer 2 2024, November
Anonim
Real-time enhedsgenkendelse ved hjælp af EM-fodaftryk
Real-time enhedsgenkendelse ved hjælp af EM-fodaftryk
Real-time enhedsgenkendelse ved hjælp af EM-fodaftryk
Real-time enhedsgenkendelse ved hjælp af EM-fodaftryk

Denne enhed er beregnet til at klassificere forskellige elektroniske enheder i henhold til deres EM -signaler. For forskellige enheder har de forskellige EM -signaler udsendt af det. Vi har udviklet en IoT -løsning til at identificere de elektroniske enheder ved hjælp af Particle Photon kit. Vores bærbare enhed kan bæres på håndleddet, som har en kompakt forbindelse af partikelfoton med et OLED -display og kredsløbstilslutning fra partikelfoton til antennen i sættet.

Denne enhed kan yderligere integreres for at styre de elektroniske enheder og gøre dem til "smarte enheder" med al open source -softwaren, så du kan styre den, også ændre eller forbedre denne enheds kapacitet.

Trin 1: Hardware: Kredsløbsdesign

Hardware: Kredsløbsdesign
Hardware: Kredsløbsdesign
Hardware: Kredsløbsdesign
Hardware: Kredsløbsdesign
Hardware: Kredsløbsdesign
Hardware: Kredsløbsdesign
Hardware: Kredsløbsdesign
Hardware: Kredsløbsdesign

Komponenter: (fra Particle Maker kit)

Du kan købe sættet fra forskellige online websteder.

- Amazons websted

- Partikelwebsted

- Adafruit-websted

  1. Udviklingskort til partikelfoton
  2. Modstande x 3 - 1 megaohm
  3. 3-5V 0,96 "SPI Seriel 128X64 OLED LCD-skærm
  4. Antenne (for at få EM -aflæsninger/fodaftryk)

Trin 2: Hardware: 3D -udskrivning

Hardware: 3D -udskrivning
Hardware: 3D -udskrivning
Hardware: 3D -udskrivning
Hardware: 3D -udskrivning
Hardware: 3D -udskrivning
Hardware: 3D -udskrivning
  • Vi designede vores armbånds urskive ved hjælp af en 3D -printer.
  • 3D -modellen blev designet i Shapr3D -applikationen ved hjælp af iPad Pro.
  • stl-fil af 3D-modellen blev importeret og skubbet ind i Qidi-softwaren, da vi brugte X-one-2 Qidi Tech-printeren.
  • 3D -printer tog cirka 30 minutter at udskrive modellen.
  • link til stl -filen.

Trin 3: Hardware: Laserskæring

  • Vi har designet armbåndsmønsteret ved hjælp af Adobe Illustrator.
  • Den designede model blev derefter eksporteret til Universal Laser -maskine, hvor vi skar træet til et fleksibelt håndledsbånd.
  • link til svg -fil.

Trin 4: Software: Dataindsamling

  • Ved hjælp af Photon publicerer 3 x 100 dataværdier hver mulig forekomst.

  • Skrivning af data fra Photon til data.json i nodeserver.
  • Analyse af data fra nodeserver til MATLAB.
  • Data sendt til MATLAB er i form af 1 x 300.

Trin 5: Software: Træning af det indsamlede datasæt

  • Chunks of 1 x 300 - feed to MATLAB. (For hver enhed indsamlet 27 prøver) 27 x 300 data indsamlet.
  • Tilføjede funktioner til dataene - (5 funktioner) - middelværdi, median, standardafvigelse, skævhed, kurtosis.
  • Træning af data i MATLAB -klassificeringsværktøjskasse
  • Test af offlinedata (6 x 6) i samme værktøjskasse

Trin 6: Software: Forudsigelse af klasserne

Forudsigelse

Henter de levende data ved hjælp af foton

Afsendelse af rådata til nodeserver. (data gemt i data.json -fil)

MATLAB -script til læsning af data fra data.json -filen og forudsigelse af resultatet

Anbefalede: