Auslesen analoger Messgeräte mit dem Nicla Vision
Auslesen analoger Messgeräte mit dem Nicla Vision
Arduino-Team – 13. August 2022
Analoginstrumente sind allgegenwärtig und werden verwendet, um Druck, Temperatur, Leistungspegel und vieles mehr zu messen. Aufgrund des Aufkommens digitaler Sensoren wurden viele von ihnen schnell veraltet, sodass andere entweder in ein digitales Format konvertiert oder häufig von Menschen überwacht werden mussten. Das Zalmotek-Team hat jedoch eine Lösung entwickelt, die integriertes maschinelles Lernen und Computer Vision enthält, um diese Werte autonom zu lesen.
In einem kundenspezifischen Gehäuse montiert, stützt sich ihr Projekt auf ein Arduino Pro Nicla Vision-Board, das periodische Bilder zur weiteren Verarbeitung und Schlussfolgerung aufnimmt. Sie begannen damit, eine Reihe von synthetischen Messgerätbildern zu erstellen, die das Zifferblatt an verschiedenen Positionen haben und sie entweder als niedrig, normal oder hoch bezeichneten. Diese Sammlung wurde dann in Edge Impulse Studio importiert und aufgrund des begrenzten Speichers zum Trainieren eines maschinellen Lernmodells mit den 96 x 96 Pixel großen Beispielen verwendet. Nach der Erstellung konnte das neuronale Netzwerk den Zustand des Messgeräts in etwa 92 % der Fälle erfolgreich bestimmen.
Der letzte Schritt in diesem Projekt bestand darin, die Firmware auf Nicla Vision bereitzustellen und die Bildgröße auf die oben erwähnte Größe von 96 x 96 Pixel einzustellen. Durch die Wahl dieser Computer-Vision-Technik können häufige Messungen durchgeführt werden, während die Kosten und der Stromverbrauch minimiert werden.
Arduino-Team – 13. August 2022
Analoginstrumente sind allgegenwärtig und werden verwendet, um Druck, Temperatur, Leistungspegel und vieles mehr zu messen. Aufgrund des Aufkommens digitaler Sensoren wurden viele von ihnen schnell veraltet, sodass andere entweder in ein digitales Format konvertiert oder häufig von Menschen überwacht werden mussten. Das Zalmotek-Team hat jedoch eine Lösung entwickelt, die integriertes maschinelles Lernen und Computer Vision enthält, um diese Werte autonom zu lesen.
In einem kundenspezifischen Gehäuse montiert, stützt sich ihr Projekt auf ein Arduino Pro Nicla Vision-Board, das periodische Bilder zur weiteren Verarbeitung und Schlussfolgerung aufnimmt. Sie begannen damit, eine Reihe von synthetischen Messgerätbildern zu erstellen, die das Zifferblatt an verschiedenen Positionen haben und sie entweder als niedrig, normal oder hoch bezeichneten. Diese Sammlung wurde dann in Edge Impulse Studio importiert und aufgrund des begrenzten Speichers zum Trainieren eines maschinellen Lernmodells mit den 96 x 96 Pixel großen Beispielen verwendet. Nach der Erstellung konnte das neuronale Netzwerk den Zustand des Messgeräts in etwa 92 % der Fälle erfolgreich bestimmen.
Der letzte Schritt in diesem Projekt bestand darin, die Firmware auf Nicla Vision bereitzustellen und die Bildgröße auf die oben erwähnte Größe von 96 x 96 Pixel einzustellen. Durch die Wahl dieser Computer-Vision-Technik können häufige Messungen durchgeführt werden, während die Kosten und der Stromverbrauch minimiert werden.
What's Your Reaction?
