Hai mai provato a saltare la mano come una bacchetta magica e convocando una calcolatrice? Immagino di non considerare che probabilmente avresti sembrato un po ‘sciocco facendo così. Questo a meno che tu non avessi [Andrei] incredibile calcolatrice controllata di gesto. [Andrei] pensava che sarebbe stato prezioso usare una calcolatrice nel suo laboratorio di ricerca senza dover prendere i guanti e i risultati sono piuttosto fantastici.
Il suo hardware è costituito da un tascabileBegle, un’unità di misurazione inerziale MPU6050 per catturare i suoi movimenti della mano usando un accelerometro e un giroscopio. L’hardware è piuttosto semplice, quindi il fascino di questo progetto risiede nella sua implementazione dell’apprendimento del creatore.
[Andrei] catturarono innanzitutto alcuni set di dati di esempio per addestrare il suo algoritmo ricreando i gesti delle mani per ciascun numero, 0-9 e registrando l’accelerometro risultante e le uscite giroscopiche. Ha elaborato i dati prima con una trasformazione del wavelet. L’intento della trasformazione è stato due volte. Innanzitutto, la trasformata gli ha permesso di ridurre al minimo il numero di campioni nei suoi set di dati preservando la forma degli accelerometro e dei segnali del giroscopio, le caratteristiche cruciali nella classificazione dell’apprendimento del produttore. In secondo luogo, è stato in grado di aumentare il numero di caratteristiche per la classificazione che considera che la trasformazione del wavelet ha comportato il ravvicinamento e i coefficienti approfonditi che possono essere entrambi alimentati nell’algoritmo.
Poiché aveva un piccolo set di dati, ha usato la tecnica Stratificata Shuffle Split invece del metodo diviso del treno di prova che è normalmente più adatto per i set di dati più grandi. La Stratificata Shuffle Split si è assicurata allo stesso numero di campioni di treno e test per ogni gesto. Era anche molto consapevole di ottimizzare il suo modello per correre su un’unità di elaborazione portatile come il PocketBeagle. Ha trascorso un po ‘di tempo di ottimizzare i parametri del suo algoritmo e alla fine ha convertito il suo modello in un modello TensoreFlowLowlowlIte utilizzando la funzione “TfliteConverter” integrata all’interno del Tensoreflow.
Infine, nel vero modo open source, tutto il suo codice è disponibile su GitHub, quindi sentiti gratuitamente per dargli un andamento. Calcolatrice Leviosa!