Використання датчиків Fusion і tinyML для виявлення пожеж
Використання датчиків Fusion і tinyML для виявлення пожеж
Команда Arduino — 13 лютого 2023 р.
Збиток і руйнування, спричинені будівельними пожежами людям і самому майну, є величезними, тому точні та надійні системи виявлення пожежі є важливими. Як зазначає Нехіл Р. у своїй статті, поточні алгоритми на основі правил і прості конфігурації датчиків можуть призвести до зниження точності, демонструючи потребу в більш надійних системах.
Це змусило Nekhil розробити рішення, яке використовує злиття датчиків і машинне навчання, щоб краще прогнозувати наявність полум’я. Його проект почався зі збору даних про навколишнє середовище, включаючи температуру, вологість і тиск, з вбудованого набору датчиків Arduino Nano 33 BLE Sense. Він також позначив кожен зразок Fire або No Fire за допомогою Edge Impulse Studio, який використовувався для генерації спектральних характеристик із трьох значень датчика часового ряду. Потім цю інформацію передавали в нейронну мережу Keras, яка була налаштована для виконання класифікації, що дало загальну точність 92,86% під час виконання тестових зразків у реальному світі.
>
4 1024
Впевнений у своїй навченій моделі, Нехіл розгорнув свою модель як бібліотеку Arduino на Nano 33 BLE Sense. Nano надсилає повідомлення через контакти UART на резервну плату ESP8266-01, коли виявлено пожежу. У свою чергу, ESP8266 запускає вебхук IFTTT, щоб сповістити користувача електронною поштою.
Якщо ви хочете дізнатися більше про конструкцію цієї системи розпізнавання пожежі, ви знайдете багато деталей на сторінці проекту.
Команда Arduino — 13 лютого 2023 р.
Збиток і руйнування, спричинені будівельними пожежами людям і самому майну, є величезними, тому точні та надійні системи виявлення пожежі є важливими. Як зазначає Нехіл Р. у своїй статті, поточні алгоритми на основі правил і прості конфігурації датчиків можуть призвести до зниження точності, демонструючи потребу в більш надійних системах.
Це змусило Nekhil розробити рішення, яке використовує злиття датчиків і машинне навчання, щоб краще прогнозувати наявність полум’я. Його проект почався зі збору даних про навколишнє середовище, включаючи температуру, вологість і тиск, з вбудованого набору датчиків Arduino Nano 33 BLE Sense. Він також позначив кожен зразок Fire або No Fire за допомогою Edge Impulse Studio, який використовувався для генерації спектральних характеристик із трьох значень датчика часового ряду. Потім цю інформацію передавали в нейронну мережу Keras, яка була налаштована для виконання класифікації, що дало загальну точність 92,86% під час виконання тестових зразків у реальному світі.
>4 1024
Впевнений у своїй навченій моделі, Нехіл розгорнув свою модель як бібліотеку Arduino на Nano 33 BLE Sense. Nano надсилає повідомлення через контакти UART на резервну плату ESP8266-01, коли виявлено пожежу. У свою чергу, ESP8266 запускає вебхук IFTTT, щоб сповістити користувача електронною поштою.
Якщо ви хочете дізнатися більше про конструкцію цієї системи розпізнавання пожежі, ви знайдете багато деталей на сторінці проекту.
What's Your Reaction?
