Wio Terminal ve Edge Impulse ile Yapılan TinyML ile Sıvı Sınıflandırması

Sıvı Sınıflandırma TinyML projesi, farklı sıvıları spektral yanıtlarına göre sınıflandırmak için tasarlanmıştır. Proje, düşük güç tüketimli mikrodenetleyiciler üzerinde makine öğrenimi algoritmalarının uygulanması olan TinyML’nin yeteneklerini sergilemek amacıyla hazırlanmıştır. Sistem, farklı sıvıların spektral yanıtlarını ölçen bir spektrometreyi kontrol etmek için bir Raspberry Pi kullanmaktadır. Veriler daha sonra TinyML modelleri oluşturmak ve dağıtmak için bir platform olan Edge Impulse kullanılarak işlenmektedir. Makine öğrenimi modeli, toplanan veriler üzerinde eğitilmekte ve düşük güç tüketimli bir mikrodenetleyiciye dağıtılmakta, bu da sıvıların gerçek zamanlı sınıflandırılmasını sağlamaktadır. Proje, TinyML’nin gıda ve içecek endüstrisinde kalite kontrol gibi çeşitli uygulamalar için düşük maliyetli ve düşük güç tüketimli cihazlar yaratmadaki potansiyelini göstermektedir.

Seeed Donanımı: Seeed Studio Wio Terminal、 Grove – TDS Sensörü/Su Kalitesi Ölçer、Grove – Bulanıklık Sensörü (Ölçer) Arduino V1.0 için、Wio Terminal Şasisi – Pil (650mAh)

Yazılım: Edge Impulse

Sektör: Akıllı Cihazlar

Arka Plan

Koku ve tat kaybı, COVID-19’un önemli bir belirtisidir ve etkilenenler için bir terapi olarak koku eğitimi üzerine araştırmalara ilham vermiştir. Liquid Classification TinyML projesinin makine öğrenimi modeli, koku eğitimine daha kişiselleştirilmiş ve doğru bir yaklaşım sunarak bu terapide yardımcı olabilir.

Ayrıca, sıvı sınıflandırma, kalite kontrol, çevresel izleme ve tıbbi tanı gibi çeşitli uygulamalarda faydalı olabilir. Örneğin, gıda ve içecek endüstrisinde, sıvı sınıflandırma, ürünlerin kalitesini ve tutarlılığını sağlamak için herhangi bir kontaminant veya sıvıların bileşimindeki varyasyonları tanımlamak için kullanılabilir. Çevresel izleme alanında, sıvı sınıflandırma, su kaynaklarındaki kirleticileri veya kontaminantları tanımlamak için kullanılabilir. Tıbbi tanıda, sıvı sınıflandırma, hastalık tespiti veya izleme için vücut sıvılarını analiz etmekte kullanılabilir. Genel olarak, sıvı sınıflandırma, sıvılarla ilgili çeşitli süreçlerin ve uygulamaların verimliliğini ve doğruluğunu artırmaya yardımcı olabilir.

Zorluk

Sıvı sınıflandırmadaki ana zorluklardan biri, verilerin karmaşıklığı ve doğru ve tutarlı ölçümlere duyulan ihtiyaçtır. Sıvıların spektral yanıtları, sıcaklık, basınç ve bileşim gibi faktörlere bağlı olarak değişebilir, bu da güvenilir bir sınıflandırma modeli geliştirmeyi zorlaştırır. Bir diğer zorluk ise, hızlı karar verme gerektiren uygulamalarda özellikle gerçek zamanlı sınıflandırma ihtiyacıdır.

Çözüm

Farklı parametreler arasında, TDS ve bulanıklık, farklı sıvıları sınıflandırmak için dikkate almamız gereken iki faktördür. Sıvılardaki Toplam Çözünmüş Katı Madde (TDS) ve Bulanıklığı tespit ediyoruz çünkü bu parametreler sıvıların spektral özelliklerini etkileyebilir ve bu da sıvı sınıflandırma modelinin doğruluğunu etkileyebilir.

TDS, bir sıvıdaki çözünmüş katıların konsantrasyonunu ölçerken, bulanıklık, askıda bulunan parçacıkların neden olduğu bir sıvının bulanıklık veya sisli olma durumunu ölçer. Hem TDS hem de bulanıklık, sıvıların spektral imzasını değiştirebilir ve bu da onları doğru bir şekilde sınıflandırmayı daha zor hale getirebilir.

Örneğin, yüksek TDS seviyeleri belirli ölçüm tekniklerini etkileyebilir ve sınıflandırma modelinin doğruluğunu etkileyebilir. Benzer şekilde, askıda bulunan parçacıklar ışığı saçabilir ve emebilir, sıvının spektral imzasını değiştirerek doğru bir şekilde sınıflandırmayı daha zor hale getirebilir.

Bu nedenle, makine öğrenimi modelini eğitmek için kullanılan sıvı örneklerinde TDS ve bulanıklığı ölçerek ve kontrol ederek, modelin doğru ve tutarlı verilerle eğitilmesini sağlayabiliriz. Bu, modelin sıvıları doğru bir şekilde sınıflandırma yeteneğini artırabilir, özellikle TDS ve bulanıklığın önemli faktörler olduğu su kalitesi doğrulama gibi uygulamalarda.

Donanım Yapılandırması

Sıvı sınıflandırma sistemine başlamadan önce, donanım bileşenlerini doğru bir şekilde monte etmek önemlidir. Bunu yapmak için aşağıdaki adımları izleyin:

1. PCB kartlarını 3D yazıcıdan üretilmiş kasaya yerleştirin. Bu, kartların korunmasına ve kullanım sırasında güvenli kalmasına yardımcı olacaktır.
2. TDS sensörünün kablosunu batarya şasisindeki Grove port A2’ye, Bulanıklık sensörünün kablosunu ise batarya şasisindeki Grove port A4’e bağlayın. Grove portları veya batarya şasisini kullanmıyorsanız, arka taraftaki 40-Pin GPIO Header’ı kullanabilirsiniz. Bağlantıların güvenli ve doğru bir şekilde bağlandığından emin olmak için kontrol edin.
3. A2 ve A4’ten farklı analog portlar kullanıyorsanız, kodda ilgili tanımlamaları güncelleyerek #define TDS_Pin ve #define turbidity_Pin değerlerini kullandığınız portlarla eşleştirin.
4. Tüm bağlantıları kontrol ederek doğru ve güvenli bir şekilde bağlandıklarından emin olun.

Bu adımları izleyerek, sıvı sınıflandırma sistemine başlamadan önce donanım bileşenlerinin doğru bir şekilde monte edildiğinden ve bağlandığından emin olabilirsiniz. Bu, sistemin doğru ve güvenilir bir şekilde çalışmasını sağlayacak ve sıvıları güvenle sınıflandırmanıza olanak tanıyacaktır.

Dilin ve PCB Kasanın 3D Yazdırılması

Dilin ve PCB Kasanın 3D Yazdırılması

• Farklı STL dosyaları GitHub deposunda bulunmaktadır
  • PCB kasası
  • PCB kapağı
  • Dilin üstü
  • Dilin altı

Yazılımın Kurulması

Veri toplamak ve daha sonra kurulumu pratikte test edebilmek için WIO Terminal’i hazırlamanız gerekmektedir:

• Bu eğitim kılavuzundaki adımları izleyin
• Arduino IDE üzerinden Sketch > Include Library > Add .ZIP library ile aşağıdaki kütüphaneleri ekleyin:
  • ei-tongue-arduino-1.0.2.zip
  • Batarya şasisini kullanıyorsanız ve batarya durumunu görmek istiyorsanız: SparkFun BQ27441-G1A LiPo Yakıt Göstergesi Arduino Kütüphanesi
  • Seeed_Arduino_Linechart adresini ziyaret edin ve tüm repo’yu yerel sürücünüze indirin. Ardından yukarıda belirtildiği gibi .ZIP dosyasını ekleyin.

Veri Toplama Süreci, Model Eğitimi ve Model Dağıtım Süreci, Edge Impulse ile Thomas Vikstrom tarafından orijinal eğitimde belgelenmiştir.

Sonuçlar

Farklı sensör verileri, değerli içgörüler sağlayabilir ve geniş bir endüstri yelpazesinde sorunları çözmeye yardımcı olabilir. Bu içgörülerin gücü, makine öğrenimi modelleri kullanılarak verilerin analiz edilmesi ve tahminler yapılmasıyla artırılabilir. Bu verileri kullanarak, işletmeler ve organizasyonlar verimliliği artırabilir, maliyetleri azaltabilir ve operasyonlarında güvenliği ve kaliteyi sağlayabilirler.