jste se někdy pokusili mávat rukou kolem jako kouzelná hůlka a svolat kalkulačku? Rádi bychom nevážěli, že bys tak trochu vypadal trochu hloupě. To znamená, že pokud nemáte [Andrei’s] úžasnou kalkulačku řízenou gesto. [Andrei] si myslel, že by bylo cenné používat kalkulačku v jeho výzkumné laboratoři, aniž by museli vzít rukavice a výsledky jsou docela v pohodě.
Jeho hardware se skládá z PocketBeagle, OLED a Inerciální měřicí jednotky MPU6050 pro zachycení ručních pohybů pomocí akcelerometru a gyroskopu. Hardware je docela přímočarý, takže odvolání tohoto projektu spočívá v realizaci učení tvůrce.
[Andrei] nejprve zachytil několik příkladů datových datů, aby trénovaly algoritmus tím, že znovu vytvoří gesta rukou za každé číslo, 0-9 a nahrávání výsledného akcelerometru a výstupy gyroskopu. Data zpracovala nejprve s Waveletovou transformací. Záměrem transformace byl dvojík. Za prvé, transformace mu umožnila minimalizovat počet vzorků ve svých datových sadách při zachování tvaru akcelerometru a gyroskopických signálů, klíčové funkce v klasifikaci učení výrobce. Zadruhé, on byl schopen zvýšit počet funkcí pro klasifikaci s ohledem na to, že vlnová transformace vedla k aproximaci a hloubkové koeficienty, které mohou být krmeny do algoritmu.
Vzhledem k tomu, že měl malou datovou datu, použil stratified Shuffle Split techniku namísto zkušebního vlakového rozdělení metody, která je normálně mnohem vhodnější pro větší datové sady. Stratified Shuffle Split se ujistil kolem stejného počtu vlakových a zkušebních vzorků pro každé gesto. Byl také velmi vědom optimalizace svého modelu pro běhu na přenosné zpracovatelské jednotce, jako je PocketBeagle. Strávil nějaký čas optimalizovat parametry svého algoritmu a nakonec převedl svůj model do modelu tensorflawlite pomocí vestavěného “twliteconverter” v rámci tenzorflow.
A konečně, v pravém open-source módě, všechny jeho kód je k dispozici na GitHub, takže se cítíte bezplatné, aby to udělal. Kalkulaci leviosa!