Con una gama de sensores integrados, conectividad Bluetooth® Low Energy y la capacidad de realizar tareas de inteligencia artificial de vanguardia gracias a su SoC nRF52840, el Sentido Arduino Nano 33 BLE es una excelente opción para una amplia variedad de aplicaciones en vehículos. Para demostrar aún más este punto, un grupo de estudiantes del curso Introducción al aprendizaje profundo integrado de la Universidad Carnegie Mellon publicó lo más destacado de sus estudios a través de 10 excelentes proyectos que cada uno utiliza Pequeño kit de aprendizaje automático y la plataforma Edge Impulse ML.
Reconocimiento de la actividad humana en la muñeca
El seguimiento tradicional de la actividad humana se ha basado en el uso de relojes inteligentes y teléfonos para reconocer ciertos ejercicios en función de los datos de la IMU. Sin embargo, pocos han logrado un funcionamiento tanto continuo como de bajo consumo, razón por la cual Omkar Savkur, Nicholas Todalagi y Kevin Xie exploró la formación de un modelo integrado en datos combinados de acelerómetro y micrófono para distinguir entre lavarse las manos, cepillarse los dientes y estar inactivo. Su proyecto continuamente realiza inferencias sobre los datos entrantes, luego muestra la acción tanto en una pantalla como a través de dos LED.
Categorizar residuos con sonido
En determinadas circunstancias, como las ciudades inteligentes o el reciclaje doméstico, saber qué tipos de materiales se desechan puede proporcionar un punto de datos valioso para los sistemas de gestión de residuos. Los estudiantes Jacky Wang y Gordonson Yan crearon su proyecto, llamado SBTrashCat, para reconocer tipos de residuos por los sonidos que hacen cuando se tiran a un contenedor. Actualmente, el modelo puede ser de tres tipos diferentes, más ruido de fondo y voces humanas para eliminar falsos positivos.
Aprendizaje automático de borde distribuido
La abundancia de dispositivos de Internet de las cosas (IoT) ha llevado a una explosión en el poder de cómputo y la cantidad de datos que deben procesarse antes de que puedan volverse útiles. Debido a que un solo dispositivo de borde de bajo costo no tiene suficiente potencia para ciertas tareas, Jong-Ik Park, Chad Taylor y Anudeep Bolimera tienen diseñó un sistema donde cada dispositivo ejecuta su propia “sección” de un modelo integrado para utilizar mejor los recursos disponibles.
Mantenimiento predictivo de motores eléctricos
Los motores en un entorno industrial requieren un funcionamiento constante y eficiente para garantizar un tiempo de actividad constante, y reconocer cuando uno está fallando a menudo requiere una inspección manual antes de que se pueda descubrir un problema. Al aprovechar las técnicas de aprendizaje profundo y una combinación de IMU/cámara, Abhishek Basrithaya y Yuyang Xu desarrolló un proyecto que podría identificar con precisión la falla del motor a bordo.
Estimación de inventario en tiempo real usando visión artificial
Los almacenes dependen en gran medida de la disponibilidad de información actualizada sobre ubicaciones de productos, inventarios y artículos entrantes y salientes. A partir de estas limitaciones, Netra Trivedi, Rishi Pachipulusu y Cathy Tungyun colaboraron para reunir un conjunto de datos de 221 imágenes etiquetadas con el porcentaje de espacio restante en el estante. Esto permite que Nano 33 BLE Sense use una cámara conectada para calcular el espacio vacío en los estantes en tiempo real.
Seguimiento de los movimientos del perro.
Los rastreadores de actividad física como FitBit y Apple Watch han revolucionado el seguimiento de la salud personal, pero ¿qué pasa con nuestras mascotas? Ajith Potluri, Eion Tyacke y Parker Crain llenaron este vacío de mercado al haciendo un collar de perro que utiliza la IMU de Nano para reconocer las actividades diarias y enviar los resultados a un teléfono inteligente a través de Bluetooth. Esto significa que el dueño del perro tiene la capacidad de obtener una visión general de los niveles de actividad diaria de su mascota durante semanas o meses.
Sistema inteligente de alimentación de aves
En todo el mundo, los propietarios de patios traseros enfrentan el mismo problema: “¿Cómo mantener a las ardillas alejadas de un comedero y al mismo tiempo permitir el paso de pájaros?” Eric Wu, Harry Rosmann y Blaine Huey trabajaron juntos en un Sistema alimentado por Nano 33 BLE Sense que utiliza un módulo de cámara para identificar si el animal en el comedero es un pájaro o una ardilla. Si es esto último, suena una alarma desde un zumbador. De lo contrario, otro modelo determina la especie del ave y se guarda una imagen en una tarjeta SD para verla en el futuro.
Mejorar su forma de ejercicio
El ejercicio, si bien es esencial para un estilo de vida saludable, también debe realizarse correctamente para evitar lesiones accidentales o dolores crónicos posteriores, y mantener una buena forma física es una forma fácil de facilitar esto. Addesh Bhargava, Varun Jain y Rohan Paranjape usan visión por computadora en un NVIDIA Jetson Nano y detección de anomalías a través de una IMU en un Nano 33 BLE Sense. construir un proyecto esto fue más preciso que los enfoques típicos de detección de formas en cuclillas.
Puede seguir cualquier respuesta a esta entrada a través de la fuente RSS 2.0. Puedes deja una respuestao trackback desde su propio sitio.