Cette personne intelligente a utilisé un Raspberry Pi pour fabriquer un nez électronique – Review Geek
Agence web » Actualités du digital » Cette personne intelligente a utilisé un Raspberry Pi pour fabriquer un nez électronique – Review Geek

Cette personne intelligente a utilisé un Raspberry Pi pour fabriquer un nez électronique – Review Geek

Les gens utilisent Raspberry Pis pour créer une tonne de gadgets créatifs et uniques, mais celui-ci pourrait prendre le gâteau. Ou plutôt, le sentir. Le créateur Luis Rodriguez Mendoza s’est inspiré des chiens renifleurs dressés à l’aéroport, puis s’est demandé si des capteurs de gaz à faible coût pouvaient faire la même chose.

Nous voyons une grande variété de capteurs, comme ceux qui peuvent détecter le bruit, la température, l’humidité ou la lumière, utilisés chaque jour pour diverses tâches, mais les capteurs de gaz sont beaucoup moins courants. L’utilisation des capteurs pour «sentir» activement les odeurs dans l’environnement voisin, plutôt que de simplement détecter passivement une odeur, est encore moins courante.

Mendoza a déclaré que « le but du projet est de montrer que les capteurs à faible coût peuvent être fiables pour détecter les odeurs et qu’ils peuvent éventuellement être utilisés dans des environnements cliniques ». Il n’a utilisé que quatre types de capteurs de gaz pour effectuer des tests approfondis et une formation sur modèle.

« Les tests ont été effectués à l’aide d’échantillons de bière et de café infusé », a-t-il déclaré lorsqu’on l’a interrogé sur son processus de test. « Un algorithme K-Nearest Neighbors (KNN) a été utilisé dans MATLAB pour créer un modèle de classification qui a été utilisé pour prédire les arômes de la bière et du café, et a été validé à l’aide d’une validation croisée 10 fois (k-fold) … un 98% la précision de la classification a été atteinte dans le processus de test.

« Chaque échantillon a été prélevé, en moyenne, pendant 15 minutes à une seconde d’intervalle, produisant plus de 900 lectures d’échantillons par test et les données ont été exportées dans des fichiers CSV. À des fins de classification, une colonne supplémentaire a été ajoutée manuellement pour étiqueter l’échantillon (c.-à-d. café, bière, air). Les trois jeux de données ont été importés et combinés dans MATLAB. Ces données ont été utilisées pour créer un modèle k plus proche voisin, k a été sélectionné pour être 5, ceci a été déterminé par essais et erreurs. Une validation croisée de 10 fois a été utilisée pour valider le modèle, et une analyse en composantes principales (ACP) a été utilisée comme technique exploratoire pour vérifier le modèle et les résultats, similaire au travail montré dans les recherches antérieures.

Tableau d'analyse en composantes principales à partir des données de test de Mendoza

« Un ensemble de données de test a été collecté en prenant 17 nouveaux échantillons de lectures de deux minutes à des intervalles d’une seconde pour évaluer le modèle de classification. Chaque échantillon était indépendant les uns des autres (seul l’air, la bière ou le café étaient mesurés à la fois), et ils ont été étiquetés manuellement en conséquence, ce qui a donné lieu à plus de 2500 mesures. Ces données ont été importées, combinées et réarrangées de manière aléatoire dans MATLAB. À l’aide du modèle de classification créé à partir de l’ensemble de données d’entraînement, les données de test ont été classées et les résultats du modèle de classification représentent une précision de 97,7 %.

Les taux globaux de haute précision produits par les sujets de test individuels sont vraiment impressionnants. Mendoza a utilisé un Raspberry Pi 3 pour les tests et a mentionné qu’il avait découvert l’appareil pour la première fois fin 2020 dans l’un de ses cours universitaires. « J’ai rapidement réalisé à quel point les cartes Raspberry Pi sont faciles, efficaces et capables », a-t-il déclaré.

via le MagPi

★★★★★