Skip to main content

飲料の識別

note

この文書は AI によって翻訳されています。内容に不正確な点や改善すべき点がございましたら、文書下部のコメント欄または以下の Issue ページにてご報告ください。
https://github.com/Seeed-Studio/wiki-documents/issues

Wio Terminal Edge Impulse とマルチチャンネルガスセンサーを使用した飲料の識別

このウィキでは、Wio Terminal と Edge Impulse を使用して、機械学習プロジェクトを簡単に展開する方法を紹介します。Wio Terminal と Grove システム を組み合わせることで、数百種類のセンサーデータを分析し、さまざまなシナリオを評価する可能性を秘めた強力なツールとなります！

このプロジェクトは、Benjamin Cabé の人工鼻プロジェクト に触発されています。このガイドを通じて、Wio Terminal を使用した Edge Impulse のワークフローを理解することができます。

必要なハードウェア​

始めましょう​

それでは、Wio Terminal を使用した Edge Impulse のワークフローを説明します。

1. Edge Impulse への接続​

① Wio Terminal に最新のデバイスファームウェアをロードする​

Wio Terminal をコンピュータに接続します。電源スイッチを素早く2回スライドさせてブートローダーモードに入ります。詳細についてはこちらも参照してください。

PC に Arduino という名前の外部ドライブが表示されます。ダウンロードした Edge Impulse uf2 ファームウェアファイル を Arduino ドライブにドラッグします。これで、Edge Impulse が Seeeduino Wio Terminal にロードされました！

注意: Wio Terminal Edge Impulse ソースコード はこちらにあります。ここからファームウェアをビルドすることもできます。

② WebUSB を使用して接続する​

Edge Impulse プロジェクトに移動し、データ取得タブをクリックします。右上に Connect using WebUSB の選択肢が表示されますので、クリックします。

次に、ポップアップが表示されますので、ペアリングされたシリアルポートを選択し、「Connect」をクリックします。
これで、Wio Terminal が Edge Impulse に正常に接続されました。

2. データの収集​

Grove - マルチチャンネルガスセンサー v2 を Wio Terminal の Grove I2C ポートに接続します。

Grove - マルチチャンネルガスセンサー v2 をテストする飲料の上に置きます。ここでは最初にコーラを使用します。注意点として、Grove - マルチチャンネルガスセンサー v2 は周囲の影響を受けやすいため、テスト対象のみを感知するようにカバーを使用することをお勧めします。

Edge Impulse ダッシュボードで、データ取得に移動し、デバイスを選択してラベルを命名します。ラベルはテスト内容に応じて命名する必要があるため、ここでは cola とします。

サンプル長 (ms.) はサンプリング時間の長さをミリ秒単位で指定し、センサーは 外部マルチチャンネルガス を選択し、周波数は 10Hz を選択します。

サンプリング開始をクリックすると、データ収集が開始されます。

私のテストでは、10秒間のコーラデータを9回取得し、それぞれの結果は似たようなものでした。データセットは互いにかなり似ている必要があります。

note
データが大きく変動する場合、これは周囲の影響による可能性があります。

1つのラベルに十分なデータが収集できたら、他のラベルについても同じ手順を実行します！私のテストでは、空気、コーヒー、アルコールの3つのデータセットを追加しました：

  • 空気データセット:
  • コーヒーデータセット:
  • アルコールデータセット:

異なる飲料が異なるガス値を持つことがわかるはずで、これは機械学習に最適です！さらに、後でトレーニングするためにデータが多いほど良いので、ぜひ多くのデータを収集してください！

note
アルコールのカテゴリをもっと増やしてみてください！

3. インパルスの設計​

次に、インパルス設計 -> インパルス作成 をクリックしてインパルスを設計します。インパルスは生データを取り込み、信号処理を使用して特徴を抽出し、その後学習ブロックを使用して新しいデータを分類します。この例では、すべての入力軸を含む 生データ の処理ブロックを追加し、ニューラルネットワーク (Keras) の学習ブロックを追加しました。

インパルスを保存をクリックし、インパルス設計の下で 生データ をクリックすると、データセットの生の特徴が表示されます。

Save parameters をクリックすると別のページに移動します。その後、Generate Features をクリックしてください。

これにより、以前のデータセットから特徴が生成され、右側にグラフが表示されます。データセットが互いに分離されている場合、つまりデータセットが互いに固有である場合、機械学習において違いを学習するのに適しています。

4. トレーニングデータ​

Impulse Design の下で、NN Classifier をクリックしてニューラルネットワークの設定を構成します。以下は私の設定です：

これらの設定を必要に応じて調整し、Neural network architecture を構成してください。その後、Start training をクリックします！これによりトレーニングが実行され、少し時間がかかる場合があります。

トレーニングが完了すると、トレーニングパフォーマンスの表が表示されます。データセットが互いに固有である場合、かなり良い結果が得られるはずです！以下は私のパフォーマンスです：

これを見ると、精度は悪くないことがわかります。これはケースが4つしかないためです。この例にさらに多くのケースやテストを追加することを検討してください。

5. ライブ分類​

モデルがトレーニングされたので、新しいデータでモデルをテストできます。Live classification に移動し、テスト用の新しいデータセットをサンプリングします。

  • テスト例 1:
  • テスト例 2:

結果からわかるように、Grove - Multichannel Gas Sensor v2 と Edge Impulse を使用してアルコールを区別することができる、非常に良い結果が得られています！

Wio Terminal へのデプロイ​

次のステップはデバイスへのデプロイです。Deployment タブをクリックした後、Arduino ライブラリを選択してダウンロードしてください。

アーカイブを解凍し、Arduino のライブラリフォルダに配置します。Arduino IDE を開き、静的バッファスケッチを選択します（File -> Examples -> プロジェクト名 -> static_buffer）。このスケッチには、モデルを使用した分類のためのすべてのボイラープレートコードがすでに含まれています。便利ですね！

ユーザーが記入する必要がある唯一の部分は、関数 raw_feature_get_data(size_t offset, size_t length, float *out_ptr) です。

int raw_feature_get_data(size_t offset, size_t length, float *out_ptr) {
    float features[4];
    features[0] = gas.getGM102B();
    features[1] = gas.getGM302B();
    features[2] = gas.getGM502B();
    features[3] = gas.getGM702B();
    memcpy(out_ptr, features + offset, length * sizeof(float));
    return 0;
}

完全なコード​

#include <coffee_cola_alcohol_big_inferencing.h>
#include <Multichannel_Gas_GMXXX.h>
#include <Wire.h>
GAS_GMXXX<TwoWire> gas;

int raw_feature_get_data(size_t offset, size_t length, float *out_ptr) {
    float features[4];

    features[0] = gas.getGM102B();
    features[1] = gas.getGM302B();
    features[2] = gas.getGM502B();
    features[3] = gas.getGM702B();
    memcpy(out_ptr, features + offset, length * sizeof(float));
    return 0;
}

void setup()
{
    // 初回実行時にセットアップコードを記述
    Serial.begin(115200);
    gas.begin(Wire, 0x08); // ハードウェアI2Cを使用
    Serial.println("Edge Impulse Inferencing Demo");
}

void loop()
{
    ei_printf("Edge Impulse standalone inferencing (Arduino)\n");

    ei_impulse_result_t result = { 0 };

    // 特徴量はフラッシュメモリに保存されており、すべてをRAMにロードしたくない
    signal_t features_signal;
    features_signal.total_length = sizeof(features) / sizeof(features[0]);
    features_signal.get_data = &raw_feature_get_data;

    // インパルスを実行
    EI_IMPULSE_ERROR res = run_classifier(&features_signal, &result, false /* デバッグ */);
    ei_printf("run_classifier returned: %d\n", res);

    if (res != 0) return;

    // 予測結果を出力
    ei_printf("Predictions ");
    ei_printf("(DSP: %d ms., Classification: %d ms., Anomaly: %d ms.)",
        result.timing.dsp, result.timing.classification, result.timing.anomaly);
    ei_printf(": \n");
    ei_printf("[");
    for (size_t ix = 0; ix < EI_CLASSIFIER_LABEL_COUNT; ix++) {
        ei_printf("%.5f", result.classification[ix].value);
#if EI_CLASSIFIER_HAS_ANOMALY == 1
        ei_printf(", ");
#else
        if (ix != EI_CLASSIFIER_LABEL_COUNT - 1) {
            ei_printf(", ");
        }
#endif
    }
#if EI_CLASSIFIER_HAS_ANOMALY == 1
    ei_printf("%.3f", result.anomaly);
#endif
    ei_printf("]\n");

    // 人間が読みやすい形式で予測結果を出力
    for (size_t ix = 0; ix < EI_CLASSIFIER_LABEL_COUNT; ix++) {
        ei_printf("    %s: %.5f\n", result.classification[ix].label, result.classification[ix].value);
    }
#if EI_CLASSIFIER_HAS_ANOMALY == 1
    ei_printf("    anomaly score: %.3f\n", result.anomaly);
#endif

    delay(1);
}

/**
 * @brief      Printf関数はvsnprintfを使用し、ArduinoのSerialで出力します
 *
 * @param[in]  format     可変引数リスト
 */
void ei_printf(const char *format, ...) {
    static char print_buf[1024] = { 0 };

    va_list args;
    va_start(args, format);
    int r = vsnprintf(print_buf, sizeof(print_buf), format, args);
    va_end(args);

    if (r > 0) {
        Serial.write(print_buf);
    }
}

参考文献​

Loading Comments...