Orang pintar ini menggunakan Raspberry Pi untuk membuat hidung elektronik
Orang-orang menggunakan Raspberry Pis untuk membuat banyak gadget kreatif dan unik, tetapi yang satu ini bisa membutuhkan beberapa pekerjaan. Atau lebih tepatnya menciumnya. Pencipta Luis Rodriguez Mendoza terinspirasi oleh anjing pelacak yang dilatih di bandara kemudian bertanya-tanya apakah sensor gas murah bisa melakukan hal yang sama.
Kami melihat berbagai macam sensor — seperti sensor yang dapat merasakan kebisingan, suhu, kelembapan, atau cahaya — yang digunakan setiap hari untuk berbagai tugas, tetapi sensor gas lebih jarang digunakan. Penggunaan sensor untuk secara aktif “mencium” aroma di lingkungan terdekat, daripada hanya mendeteksi aroma secara pasif, bahkan kurang umum.
“Tujuan dari proyek ini adalah untuk menunjukkan bahwa sensor murah dapat diandalkan dalam mendeteksi bau dan dapat digunakan dalam pengaturan medis,” kata Mendoza. Dia hanya menggunakan empat jenis sensor gas untuk melakukan pengujian ekstensif dan pelatihan model.
“Pengujian dilakukan dengan menggunakan sampel bir dan kopi siap minum,” katanya ketika ditanya tentang proses pengujiannya. “Algoritma K-Nearest Neighbors (KNN) digunakan di MATLAB untuk menghasilkan model klasifikasi yang digunakan untuk memprediksi aroma bir dan kopi dan divalidasi menggunakan validasi silang 10 tahun. kali (k-kali)… 98% dari akurasi klasifikasi dicapai selama pengujian.
“Setiap sampel dirata-ratakan selama 15 menit satu detik, menghasilkan lebih dari 900 pembacaan sampel per pengujian, dan data diekspor ke file CSV. Untuk tujuan klasifikasi, kolom tambahan ditambahkan secara manual untuk pelabelan sampel (misalnya kopi, bir, udara). Tiga set data diimpor dan digabungkan dalam MATLAB. Data ini digunakan untuk membuat model k-nearest neighbor, k dipilih menjadi 5, hal ini ditentukan dengan trial and error. Validasi silang 10 kali lipat digunakan untuk memvalidasi model dan Analisis Komponen Utama (PCA) digunakan sebagai teknik eksplorasi untuk memverifikasi model dan hasil, mirip dengan pekerjaan yang ditunjukkan dalam penelitian sebelumnya.
“Dataset uji dikumpulkan dengan mengambil 17 sampel baru dari pembacaan dua menit pada interval satu detik untuk mengevaluasi model klasifikasi. Setiap sampel independen dari yang lain (hanya mengukur udara, bir atau kopi pada satu waktu) dan mereka diberi label secara manual, menghasilkan lebih dari 2500 pengukuran. Data ini secara acak diimpor, digabungkan, dan disusun ulang dalam MATLAB. Menggunakan model pengklasifikasi yang dihasilkan dari kumpulan data pelatihan, data uji diklasifikasikan, dan hasil dari pengklasifikasi mewakili 97,7% akurasi.
Tingkat akurasi tinggi secara keseluruhan yang dihasilkan oleh subjek uji individu benar-benar mengesankan. Mendoza menggunakan Raspberry Pi 3 untuk tes dan menyebutkan bahwa dia pertama kali mengetahui tentang perangkat tersebut pada akhir 2020 selama salah satu kursus kuliahnya. “Saya segera menyadari betapa mudah, efisien, dan mampunya papan Raspberry Pi,” katanya.
melalui The MagPi
