Riconoscimento del dispositivo in tempo reale tramite impronte EM: 6 passaggi

2024 Autore: John Day | [email protected]. Ultima modifica: 2024-01-30 10:00

Questo dispositivo ha lo scopo di classificare diversi dispositivi elettronici in base ai loro segnali EM. Per dispositivi diversi, hanno diversi segnali EM emessi da esso. Abbiamo sviluppato una soluzione IoT per identificare i dispositivi elettronici utilizzando il kit Particle Photon. Il nostro dispositivo indossabile può essere indossato al polso che ha una connessione compatta del fotone delle particelle con un display OLED e una connessione del circuito dal fotone delle particelle all'antenna fornita nel kit.

Questo dispositivo può essere ulteriormente integrato per controllare i dispositivi elettronici e renderli come "Dispositivi intelligenti" con tutti i software open source, in modo che tu possa controllarlo, anche modificare o migliorare le capacità di questo dispositivo.

Passaggio 1: hardware: progettazione del circuito

Componenti: (dal kit Particle Maker)

È possibile acquistare il kit da vari siti Web online.

-- Sito web di Amazon

-- Sito Web delle particelle

-- Sito Web di Adafruit

1. Scheda di sviluppo di fotoni di particelle
2. Resistori x 3 -- 1 megaohm
3. Display LCD OLED 128X64 seriale SPI da 3-5V 0,96"
4. Antenna (per ottenere le letture/impronte EM)

Passaggio 2: hardware: stampa 3D

• Abbiamo progettato il quadrante del nostro cinturino da polso utilizzando una stampante 3D.
• Il modello 3D è stato progettato nell'applicazione Shapr3D utilizzando iPad Pro.
• stl del modello 3D è stato importato e inserito nel software Qidi poiché stavamo utilizzando la stampante X-one-2 Qidi Tech.
• La stampante 3D ha impiegato circa 30 minuti per stampare il modello.
• collegamento al file stl.

Passaggio 3: hardware: taglio laser

• Abbiamo progettato il modello del cinturino da polso utilizzando Adobe Illustrator.
• Il modello progettato è stato quindi esportato su una macchina laser universale dove abbiamo tagliato il legno in un cinturino da polso flessibile.
• collegamento al file SVG.

Passaggio 4: Software: raccolta dati

• Usando Photon, pubblicando un valore di dati 3 x 100 ogni possibile istanza.

• Scrivere i dati da Photon a data.json nel server del nodo.
• Analisi dei dati dal server del nodo a MATLAB.
• I dati inviati a MATLAB sono sotto forma di 1 x 300.

Passaggio 5: Software: formazione del set di dati raccolti

• Pezzi da 1 x 300 - feed a MATLAB. (per ogni dispositivo 27 campioni raccolti) 27 x 300 dati raccolti.
• Aggiunte funzionalità ai dati - (5 caratteristiche) - media, mediana, deviazione standard, asimmetria, curtosi.
• Addestrare i dati nella casella degli strumenti di classificazione MATLAB
• Test dei dati offline (6 x 6) nella stessa cassetta degli attrezzi

Passaggio 6: Software: previsione delle classi

Predizione

Recupero dei dati in tempo reale utilizzando il fotone

Invio dei dati grezzi al server del nodo. (dati salvati nel file data.json)

Script MATLAB per leggere i dati dal file data.json e prevedere il risultato