CUBE AI TSET

 

1번  analyzing 캡차 입니다.

 

2. 네트워크 캡처 입니다.

3. 테스트 파일은 업로드 합니다.

감사합니다.

파일은 다섯번재 파일로 하였습니다.(IoT01-MemsAnn_03_Oct_19_10h_01m_26s)

첫번재 스크릿샷

.

두번재 스크린샷

세번재 스크린샷

마지막 첨부파일 입니다.

 

먼저 main.c를 수정을 합니다.

 

 

컴파일을 하고 다운로드 하면 동작을 아해서 아래와 같이 설정을 바꾸어 주었습니다.

Optimize(-02) 에서는 부팅 이 되지 않았습니다. 1로 바꾸어서 부팅을 아래와 같이 됬습니다.

 

아래와 같이 로그를 볼수 있었습니다. BoardName IDTTEST 도 볼수 있습니다.

그리고 다음과정인 

블루투스 검색을 해서 IDTTEST 확인하였습니다.

 

기체를 마구 흔들어서 로그를 확인하고 아래와 같이 AR4 를 볼수 있습니다.

동영상은 다음과 같습니다.

 

현재 파트에서는 각 센서가 행동에 대한 데이터를 얻고자하는것 같아  이렇게 진행을 하였습니다.

Jogging, -> 빠른 걸음으로 위아래 운동

Stationary, -> 정지한상태

Stairs, -> 계단오르기(원운동)

Walking -> 천천히 위아래 운동

을 통해서 아래 와 같은 데이터 를 CSV 파일로 확인을 하였습니다.

 

 

조깅 라벨대한 정보

정지한 상태에 대한 정보

계단 오르기에 대한 정보

 

일반 걷기에 대한 정보 입니다.

 

파이참을 이용을한 데이터 분석 입니다.

Accuracy for each class is given below.
Jogging     : 96.42 %
Stationary  : 98.78 %
Stairs        : 67.64 %
Walking     : 86.91 %
 

 

정지를 하고 있을때가(Stationary) 가장 정확성이 높았으며 Stairs  상태가 가장 오류(에러)가 많았습니다.

아마도 행동 분석에 있어서 원운동 상하 운동을 복합적으로 전달을 했기에 걷기 상태랑 많이 혼동을 가지고 있었던거 같습니다. 제자리에서 위아래 운동을 센서의 값이 보다 정확하게 전달이 되어지지 않았던거 같습니다.

 

CUBEMX 를 통해서

 

 

데이터를 확인하고 빌드 시켜 줍니다.

 

CUBE IDE 에서는 아래 와 같이 파일을 확인을 해보면

오늘 날짜에 빌드된 har_ign 파일을 확인 할수 있습니다.

빌드된 파일을  보드에 업로드 합니다.

업로드 후에 Human Activity Recognition 실행을 시킵니다.

COM단자를 연겨을 해서 아래와 같이 확인합니다.

 

 

처음으로 딥러닝을 통해서 데이터를 만들수 있는 기회를 접해서

이렇게 quest까지 왔습니다. 데이터셋을 더욱더 자세히 만들수 있는 환경과 그것을 다룰수 있는

경험치를 늘리면 정말 놀라운 제품을 만들수 있을거 같습니다.

상황을 통해서 이것을 빠르게 인식을 할수 있게 극서을 목표를 잡았으며 최대한 정확한데이터를 얻고자 

최소한에 데이터를 이용을 하였습니다.

 

아래와 같이 센서를 통해서 값을 얻고 테스트 하였습니다.

총3개의 파일이 이루어져 있으며 PDF 파일 코랩 파일 원본소스 입니다.