Luis Rodriguez Mendoza

As pessoas usam Raspberry Pis para fazer uma tonelada de gadgets criativos e exclusivos, mas este pode levar o bolo. Ou melhor, cheire. O criador Luis Rodriguez Mendoza se inspirou em cães farejadores treinados no aeroporto e se perguntou se sensores de gás de baixo custo poderiam fazer a mesma coisa.

Vemos uma grande variedade de sensores - como aqueles que podem detectar ruído, temperatura, umidade ou luz - usados ​​todos os dias para uma variedade de tarefas, mas os sensores de gás são muito menos comuns. Usar os sensores para “cheirar” ativamente os cheiros no ambiente próximo, em vez de apenas detectar um cheiro passivamente, é ainda menos comum.

Mendoza disse que “O objetivo do projeto é mostrar que sensores de baixo custo podem ser confiáveis ​​na detecção de odores e que possivelmente podem ser usados ​​em ambientes clínicos”. Ele usou apenas quatro tipos de sensores de gás para realizar testes extensivos e treinamento de modelos.

“O teste foi feito com amostras de cerveja e café fresco”, afirmou ele quando questionado sobre seu processo de teste. “Um algoritmo K-Nearest Neighbours (KNN) foi usado no MATLAB para criar um modelo de classificação que foi usado para prever os aromas de cerveja e café, e foi validado usando uma validação cruzada de 10 vezes (k-fold)… 98 por cento a precisão da classificação foi alcançada no processo de teste.

“Cada amostra foi coletada, em média, por 15 minutos em intervalos de um segundo, produzindo mais de 900 leituras de amostra por teste e os dados foram exportados para arquivos CSV. Para fins de classificação, uma coluna adicional foi adicionada manualmente para rotular a amostra (ou seja, café, cerveja, ar). Os três conjuntos de dados foram importados e combinados no MATLAB. Esses dados foram usados ​​para criar um modelo de k-vizinho mais próximo, k foi selecionado como 5, determinado por tentativa e erro. Uma validação cruzada de 10 vezes foi usada para validar o modelo, e uma Análise de Componentes Principais (PCA) foi usada como uma técnica exploratória para verificar o modelo e os resultados, semelhante ao trabalho mostrado em pesquisas anteriores.

Gráfico de análise de componente principal dos dados de teste de Mendoza
Luis Rodriguez Mendoza

“Um conjunto de dados de teste foi coletado tomando 17 novas amostras de leituras de dois minutos em intervalos de um segundo para avaliar o modelo de classificação. Cada amostra era independente uma da outra (apenas ar, cerveja ou café eram medidos de cada vez) e eram manualmente rotuladas de acordo, resultando em mais de 2.500 medições. Esses dados foram importados, combinados e reorganizados aleatoriamente no MATLAB. Usando o modelo de classificação criado a partir do conjunto de dados de treinamento, os dados de teste foram classificados e os resultados do modelo de classificação representam 97,7% de precisão. ”

As altas taxas gerais de precisão produzidas pelos assuntos de teste individuais são verdadeiramente impressionantes. Mendoza usou um Raspberry Pi 3 para os testes e mencionou que aprendeu sobre o dispositivo no final de 2020 em um de seus cursos universitários. “Eu rapidamente percebi como as placas Raspberry Pi são fáceis, eficientes e capazes”, disse ele.

via MagPi

Adicione ao Google Notícias