Բովանդակություն:
- Քայլ 1: Գործիքներ և նյութեր
- Քայլ 2: Փորձի կառուցում
- Քայլ 3: Փորձի վարում
- Քայլ 4. Փորձ `ընտրանքի դրույքաչափ
- Քայլ 5. Փորձ. Աղմուկի ցուցադրում
- Քայլ 6. Փորձ. Նվազեցրեք աղմուկը շարժվող միջին ցուցանիշով
- Քայլ 7. Փորձ. Շարժվող միջին և ընտրանքային տոկոսադրույք
- Քայլ 8: Փորձ. Մուտք գործեք ձգանով
- Քայլ 9. Փորձ. Գրանցվեք ձգանով - ավելի բարձր աղմուկ
- Քայլ 10: Կատարեք ձեր սեփական փորձերը
- Քայլ 11: Օգտագործեք տեխնիկական միջոցներ ձեր մուտքագրման ծրագրաշարի մեջ
Video: Փորձեր տվյալների ընդլայնված մուտքագրման մեջ (Python- ի օգտագործմամբ). 11 քայլ
2024 Հեղինակ: John Day | [email protected]. Վերջին փոփոխված: 2024-01-30 09:46
Կան բազմաթիվ տվյալների մուտքագրման հրահանգներ, այնպես որ, երբ ես ուզում էի սեփական փայտահատման նախագիծ կառուցել, ես շուրջս նայեցի մի փունջ: Ոմանք լավն էին, ոմանք ՝ ոչ այնքան, ուստի որոշեցի վերցնել որոշ ավելի լավ գաղափարներ և կատարել իմ սեփական դիմումը: Սա հանգեցրեց մի նախագծի և՛ ավելի առաջադեմ, և՛ ավելի բարդ, քան ես սկզբում սպասում էի: Դրա մի մասը դարձավ սենսորային տվյալների մշակման փորձերի շարք: Այս հրահանգը թույլ է տալիս փորձել նույն կամ նման փորձերը:
(Դուք կարող եք դիտել ամբողջ ծածկագիրը և ներբեռնել այն ՝ Կոդ GitHub- ում Դուք կարող եք դիտել, գուցե մեկ այլ պատուհանում, ընդամենը 2 կտտոցով)
Սովորաբար տվյալների գրանցումը ներառում է հետևյալը.
- Տվյալների ձեռքբերում. Կարդացեք որոշ տվյալներ սենսորից: Հաճախ սա պարզապես կարդում է անալոգային թվային փոխարկիչ (ADC) Arduino- ի նման սարքի վրա:
- Տվյալների մշակում. ADC- ի արժեքը կարդալիս փոխարկիչների արտադրանքը սովորաբար պետք է չափված լինի ճիշտ միավորներով: Հնարավոր է նաև անհրաժեշտ լինի որոշակի ճշգրտում կատարել `արժեքները ճշգրտելու համար` սենսորային սխալները շտկելու համար:
- Filտում. Տվյալները սովորաբար պարունակում են որոշակի աղմուկ, այն կարող է զտվել, այնպես որ դուք փնտրում եք ձեր տվյալների ազդանշանը, այլ ոչ թե աղմուկը:
- Տվյալների պահպանում. Տվյալները պահվում են, գուցե տեքստային ֆայլում, գուցե ամպի մեջ: Տվյալները պետք է պահպանվեն, նույնիսկ եթե հոսանքն անջատված է: Շատ հեշտ է շատ տվյալների պահպանումը, մենք ունենք մի փոքր հնարք ՝ տվյալների պահպանման տարածքը նվազեցնելու համար:
- Տվյալների ցուցադրում. Ձեր տվյալները դիտարկելու մեթոդներ, ոչ թե իրականում տվյալների մուտքագրում, բայց եթե տվյալների մի տեսակ ցուցադրում չեք կատարում, ինչու՞ դրանք հավաքել:
- Հեռավոր մուտք. Անհրաժեշտ չէ, բայց հաճելի է ունենալ:
Ուսուցիչների մեծ մասը ներառում է վերը նշվածներից մի քանիսը, բայց ոչ բոլորը, կամ դրանք կատարում են շատ պարզ եղանակով: Այս հրահանգը կանդրադառնա հաճախակի բաց թողնվող ծառերի խնդիրներից 2 -ին և որպես բոնուս ձեզ հնարավորություն կտա գրաֆիկացնել ձեր տվյալները ՝ առանց ամպային ծառայությունից օգտվելու: Կարող եք օգտագործել ամբողջը կամ կտոր -կտոր կտորներ հանել և դրանք նորից վերածել ձեր սեփական նախագծի:
Քայլ 1: Գործիքներ և նյութեր
Այս օրինակը ամբողջությամբ Python- ում է, այնպես որ այն կաշխատի, և բաղադրիչները կարող են օգտագործվել գրեթե ցանկացած OS- ի վրա, ներառյալ Mac, PC, Linux և Raspberry Pi:
Այսպիսով, այս հրահանգն օգտագործելու համար ձեզ հարկավոր է միայն Python 3.6 գործարկվող միջավայր և ներբեռնեք կցված կոդը: Իմ ստեղծած կոդը գործարկելուց հետո կարող եք փոփոխել այն ձեր սեփական փորձերի համար: Ինչպես սովորաբար Python- ի դեպքում, ամեն ինչ աշխատելու համար կարող է անհրաժեշտ լինել ավելացնել որոշ փաթեթներ/մոդուլներ: Իմ Spyder միջավայրը գալիս է գրեթե բոլոր անհրաժեշտ մասերով (տես ՝ Գրաֆիկական հրահանգելի տեսարաններ Python Screen Scraping- ով): Երբ առաջին անգամ գործարկեք ժամացույցը ցանկացած սխալի հաղորդագրության համար, նրանք ձեզ կտեղեկացնեն ձեր շրջակա միջավայրի բացակայող մասերի մասին:
Հաջորդ երկու քայլերը ձեզ կասեն, թե ինչպես կառուցել և անցկացնել ձեր սեփական փորձը, բայց հավանաբար ավելի լավ է սպասեք, մինչև ներառված փորձերը կատարեք, նախքան ձեր սեփականը փորձելը:
Կոդը հասկանալու համար ձեզ հարկավոր է ունենալ որոշակի փորձ օբյեկտի վրա հիմնված Python- ի հետ ՝ բացատրելով, որ դա դուրս է այս հրահանգվողի շրջանակներից, սակայն Google- ը պետք է ձեզ տրամադրի ցանկացած անհրաժեշտ օգնություն:
Ուշադրություն դարձրեք ծածկագրին. Կոդի հին տարբերակն այստեղ ՝ ստորև բերված հղումներում:
Քայլ 2: Փորձի կառուցում
Փորձի կառուցման մեջ կան ծրագրավորման երեք քայլեր (և տողեր): Յուրաքանչյուր փորձ ֆունկցիա է simulate_logging.py ֆայլի LoggingSim օբյեկտում: Եկեք նայենք 1 -ին փորձին (ընդամենը առաջին գրաֆիկը), որը մենք կկատարենք հաջորդ քայլում.
def փորձ_ի_նմուշ_տիպերի (ինքն):
տպել "" Նմուշի գների հետ փորձարկել նմուշի տարբեր դրույքաչափեր `փոխելով դելտա T" "" self.start_plot (plot_title = "Նմուշի սակագներ - մաս 1/3: Delta T = 1.0") self.add_sensor_data (name = "dt = 1. ", amplitude = 1., noise_amp =.0, delta_t = 1., max_t = 10., run_ave = 0, trigger_value = 0) self.show_plot ()
Յուրաքանչյուր փորձ գրված է որպես իր գործառույթ, այնպես որ մենք ունենք գործառույթը սահմանող տող (def փորձ…..)
Հաջորդ, առանց մեկնաբանության տողը, (start_plot (…)) ստեղծում է փորձի օբյեկտը և տալիս նրան անուն:
Հաջորդ, առանց մեկնաբանության տողի տողը, (add_sensor_data (…) բաժանված է մի քանի տողի: Այն նմանակում է ազդանշանը չափող սենսոր `պոտենցիալ աղմուկով և որոշ վերամշակմամբ: Ֆունկցիայի փաստարկները հետևյալն են.
- Անուն ՝ վերջնական գրաֆիկի վրա դրված անուն ՝ տվյալները նույնականացնելու համար
- ամպլիտուդա. որքան մեծ է ազդանշանը, մենք այս ուսանելիում միշտ կօգտագործենք 1. ամպլիտուդ:
- noise_amp: որքան մեծ է աղմուկը, 0. աղմուկ չկա, մենք կսկսենք այստեղից:
- delta_t: չափումների միջև ընկած ժամանակը, վերահսկում է ընտրանքի արագությունը:
- max_t: Տվյալների հավաքման առավելագույն ժամանակը, մենք միշտ 10 -ը կօգտագործենք այս հրահանգվողում:
- run_ave: ընթացիկ միջին օգտագործմամբ մշակում, 0 նշանակում է ոչ մի մշակում:
- trigger_value: գործարկումը օգտագործելով ձգան, 0 նշանակում է ոչ մի մշակում
վերջնական, առանց մեկնաբանության տողը, (self.show_plot ……) ցուցադրվում է գրաֆիկը:
Իրերը մի փոքր ավելի բարդ դարձնելու համար կարող եք ունենալ մի քանի տող գրաֆիկի վրա կամ մի քանի գրաֆիկ փորձի ժամանակ, սա պետք է պարզ լինի հաջորդող փորձերից:
Քայլ 3: Փորձի վարում
Սա է փորձը վարելու կոդը: Ինչպես սովորական է Python- ում, այն տեղադրված է ֆայլի վերջում:
sim_logging = LoggingSim ()
sim_logging.experiment_with_sample_rates ()
Սա ընդամենը 2 տող է.
- Ստեղծեք անտառահատումների սիմուլյատոր (LoggingSim ())
- Գործարկել այն (sim_logging.experiment_with_sample_rates ())
Ներբեռնված ծածկագրում ես ունեմ ևս մի քանի տող և մեկնաբանություն, այն պետք է հեշտ լինի պարզել:
Քայլ 4. Փորձ `ընտրանքի դրույքաչափ
Սիմուլյատորը, ինչպես տեղադրված է այստեղ, միշտ թողարկում է ամպլիտուդայի մի գեղեցիկ սինուս ալիք: Մենք չենք ունենա աղմուկ կամ այլ վերամշակում: Կոդն օգտագործում է 3 ընտրանքային դրույքաչափեր (delta_t = 1.0, 0.1 և 0.01.) Քանի որ գրաֆիկները ընկնում են մեկը մյուսի վրա, փորձը ստեղծվում է ՝ ստեղծելու 3 տարբեր գրաֆիկներ: Ստացված գրաֆիկները այս քայլի պատկերներն են:
def փորձ_ի_նմուշ_տիպերի (ինքն):
տպել "" Փորձարկել նմուշի սակագների հետ Նմուշի տարբեր տեմպերի դիտում `փոխելով դելտա T" "self.start_plot (plot_title =" Փորձի նմուշի տոկոսադրույքներ 1/3. Delta T = 1.0 ") self.add_sensor_data (name =" dt = 1. ", amplitude = 1., noise_amp =.0, delta_t = 1., max_t = 10., run_ave = 0, trigger_value = 0) self.show_plot () # ------------- --------------------------------------- self.start_plot (plot_title = "Փորձի օրինակելի գներ 2/3. Դելտա T = 0.1 ") self.add_sensor_data (name =" dt = 1. ", amplitude = 1., noise_amp =.0, delta_t = 0.1, max_t = 10., run_ave = 0, trigger_value = 0) self.show_plot () # -------------------------------------------------- ինքս.start_plot (plot_title = "Փորձի օրինակելի դրույքաչափեր 3/3. Դելտա T = 0.01") self.add_sensor_data (name = "dt = 1.", amplitude = 1., noise_amp =.0, delta_t = 0.01, max_t = 10:, run_ave = 0, trigger_value = 0) self.show_plot ()
Այն գործարկելու համար օգտագործեք տողը ՝ sim_logging.experiment_with_sample_rates ()
Հնարավոր եզրակացություններ.
- Նմուշառման չափազանց ցածր ցուցանիշն իսկապես վատ է:
- Բարձր սակագները հաճախ ավելի լավ են:
(Python 3.6 ծածկագիրը GitHub- ի հղումում ՝ ստորև հրահանգներում, 2.7)
Քայլ 5. Փորձ. Աղմուկի ցուցադրում
Այս փորձի ժամանակ մենք պահում ենք նույն ազդանշանը, օգտագործում ենք նմուշի միջին արագություն և այնտեղ ունենում ենք տարբեր քանակությամբ աղմուկ (աղմուկի աղմուկ =.0,.1, 1.0.) Գործարկեք այն ՝ sim_logging.experiment_showing_noise () - ով: Ելքը մեկ գրաֆիկ է ՝ 3 տողով:
Հնարավոր եզրակացություն.
Աղմուկը դժվարացնում է ազդանշանը, հնարավորության դեպքում նվազեցրեք այն:
Կոդը:
# ------------------------------------------------
def experiment_showing_noise (self): տպել "" "Աղմուկ ցուցադրող փորձ" Աղմուկի ամպլիտուդը փոխելով "" աղմուկի տարբեր քանակների նայել: "self.start_plot (plot_title =" Փորձը ցույց է տալիս աղմուկ ") self.add_sensor_data (name =" noise = 0.0 ", amplitude = 1., noise_amp =.0, delta_t =.1, max_t = 10., run_ave = 0, trigger_value = 0) self.add_sensor_data (name =" noise = 0.1 ", amplitude = 1., noise_amp =. 1, delta_t =.1, max_t = 10., run_ave = 0, trigger_value = 0) self.add_sensor_data (name = "noise = 1.0", amplitude = 1., noise_amp = 1., delta_t =.1, max_t = 10., run_ave = 0, trigger_value = 0) self.show_plot ()
Քայլ 6. Փորձ. Նվազեցրեք աղմուկը շարժվող միջին ցուցանիշով
Շարժվող միջին (օրինակ ՝ երկարությամբ 8) վերցնում է վերջին 8 չափումները և միջինացնում դրանք: Եթե աղմուկը պատահական է, մենք հույս ունենք, որ այն միջինում կհասնի 0. -ի: Փորձը կատարեք ՝ sim_logging.experiment_showing_noise () - ով: Ելք մեկ գրաֆիկ:
Հնարավոր եզրակացություններ.
- Շարժվող միջինը իսկապես վերացնում է աղմուկի մեծ մասը
- Որքան երկար է շարժվող միջինը, այնքան ավելի շատ է աղմուկի նվազեցումը
- Ավելի երկար շարժվող միջինը կարող է նվազեցնել և խեղաթյուրել ազդանշանը
Կոդը:
# ------------------------------------------------
def experim_with_moving_average (self): print "" "Experiment with MovingAverage Նայելով տարբեր MovingAverage- ին` երկարությունը փոխելով: Բոլորը ունեն նույն աղմուկը "" # ------------------ ------------------------------ self.start_plot (plot_title = "MovingAverage-Part 1/2: No A Moving Average") self.add_sensor_data (name = "ave len = 0", amplitude = 1., noise_amp =.1, delta_t =.1, max_t = 10., run_ave = 0, trigger_value = 0) self.show_plot () self.start_plot (plot_title = "MovingAverage-Part 2/2: Len 8 and 32") self.add_sensor_data (name = "ave len = 8", amplitude = 1., noise_amp =.1, delta_t =.1, max_t = 10., run_ave = 8, trigger_value = 0) self.add_sensor_data (name = "ave len = 32", amplitude = 1., noise_amp =.1, delta_t =.1, max_t = 10., run_ave = 32, trigger_value = 0) self.show_plot ()
Քայլ 7. Փորձ. Շարժվող միջին և ընտրանքային տոկոսադրույք
Այս փորձարկումում մենք համեմատում ենք չմշակված ազդանշանը աղմուկի և աղմուկը նվազեցնելու 2 տարբեր տատանումների հետ:
- Նմուշի միջին արագությունը և միջին վազքի միջին ցուցանիշը
- Բարձր նմուշի արագություն և բարձր երկարության միջին միջին
Գործարկեք ՝ sim_logging …… ելքը մեկ գրաֆիկ է: Կարծում եմ, պարզ է, որ թիվ 2 -ն ավելի լավ է կատարում աղմուկը նվազեցնելու համար, ուստի մենք կարող ենք եզրակացնել, որ.
Բարձր ընտրանքի արագությունը և բարձր երկարության միջին միջին ցուցանիշը լավ են
Բայց պետք է հաշվի առնել, որ դրա համար ծախս կա: Թիվ 2 -ը շատ ավելի շատ վերամշակում է պահանջում և հանգեցնում է շատ ավելի շատ տվյալների պահպանման: Արժեքը կարող է արժենալ կամ չարժեն: Հաջորդ փորձի ժամանակ մենք կավելացնենք ձգան ՝ սարք, որը կպակասեցնի պահվող տվյալների քանակը:
Կոդը:
def փորձ_շարժման_միջին_ և_նմուշային_արժեքով (ինք):
տպել "" "Փորձեք շարժվող միջին և ընտրանքային դրույքաչափի հետ, dt, գործարկել միջին" " # ---------------------------- -------------------- self.start_plot (plot_title = "Շարժվող միջին և նմուշի տոկոսադրույք") self.add_sensor_data (name = "dt =.1 ra = 0 trig = 0 ", amplitude = 1., noise_amp =.1, delta_t =.1, max_t = 10., run_ave = 0, trigger_value = 0) self.add_sensor_data (name =" dt =.1 ra = 10 trig = 0 ", amplitude = 1., noise_amp =.1, delta_t =.1, max_t = 10., run_ave = 10, trigger_value = 0) self.add_sensor_data (name = "dt =.01 ra = 100 trig = 0", amplitude = 1., noise_amp =.1, delta_t =.01, max_t = 10., run_ave = 100, trigger_value = 0) self.show_plot ()
Քայլ 8: Փորձ. Մուտք գործեք ձգանով
Այս փորձի մեջ մենք ավելացնում ենք ձգան: Նախ, ի՞նչ նկատի ունեմ ձգան ասելով: Գործարկիչը տեխնիկա է, որտեղ մենք հավաքում ենք տվյալներ, բայց դրանք պահում ենք միայն այն բանից հետո, երբ որոշ փոփոխականներ զգալի չափով փոխվել են: Այս փորձերի ժամանակ ես ձգան դրեցի ժամանակի (x առանցքի) փոփոխականի վրա: Օգտագործելով ձգանը, ես կարող եմ վերցնել տվյալների մեծ քանակությունը արագ նմուշառումից և դրանք կրճատել ավելի խելամիտ տվյալների: Հատկապես օգտակար է ընտրանքի բարձր տեմպերով և երկարաժամկետ միջին ցուցանիշներով:
Ես վերցրել եմ #2 տողը վերջին փորձից, որը «լավ» էր և ավելացրեց ձգան: Գործարկեք ՝ sim_logging …… ելքը մեկ գրաֆիկ է, x տող:
Ինչ է կատարվում? Մենք ստանում ենք «լավ» սյուժե `ողջամիտ քանակությամբ տվյալներով (նույնը, ինչ #1): Ավելի բարձր վերամշակման համար որոշակի ծախսեր են կատարվել: Ընդհանուր առմամբ, այնուամենայնիվ, արդյունքները մոտավորապես նույնն են, ինչ #1 -ը `ընտրանքի ավելի ցածր ցուցանիշը` ավելի քիչ զտմամբ: Դուք կարող եք եզրակացնել.
- Երկարաժամկետ միջին գործարկումը կարող է ապահովել աղմուկի լավ նվազեցում ողջամիտ տվյալների դեպքում:
- Լրացուցիչ վերամշակումը չի կարող այդքան ավելի լավ արդյունքներ տալ և գալիս է ծախսերով:
Կոդը:
# ------------------------------------------------
def experim_with_trigger (self): print "" "Experiment with Triggering, dt, run average and trigger all to curbiced" " # ----------------------- ------------------------- self.start_plot (plot_title = "Միացնել 1/1-Գործարկել") self.add_sensor_data (name = "dt =.1 ra = 10, trig = 0 ", amplitude = 1., noise_amp =.1, delta_t =.1, max_t = 10., run_ave = 10, trigger_value = 0) self.add_sensor_data (name =" dt =.01 ra = 100, trig =.1 ", amplitude = 1., noise_amp =.1, delta_t =.01, max_t = 10., run_ave = 100, trigger_value =.1) self.show_plot ()
=
Քայլ 9. Փորձ. Գրանցվեք ձգանով - ավելի բարձր աղմուկ
Եկեք կատարենք նույն փորձը, ինչ վերջին քայլը և ուժեղացնենք աղմուկը: Գործարկեք ՝ sim_logging …… ելքը մեկ գրաֆիկ է, 2 տող:
Այժմ լրացուցիչ մշակումը ավելի արժանի է թվում: Այստեղ ողջամիտ եզրակացություն կարող է լինել.
Աղմուկի նվազեցման համար մշակման քանակի և տեսակի ընտրությունը կախված է ձեր ազդանշանից և աղմուկից:
Կոդը:
def Exper_with_trigger_louder_noise (self):
տպել "" "Ավելի մեծ աղմուկ, քան նախորդ փորձը" "self.start_plot (plot_title =" Փորձ փորձարկիչ-ավելի բարձր աղմուկով ") self.add_sensor_data (name ="… dt =.1 ra = 10 ", amplitude = 1., noise_amp =.5, delta_t =.1, max_t = 10., run_ave = 10, trigger_value = 0) self.add_sensor_data (name = "..dt =.01 ra = 100 tv =.1", amplitude = 1., noise_amp =.5, delta_t =.01, max_t = 10., run_ave = 100, trigger_value =.1) self.show_plot ()
Քայլ 10: Կատարեք ձեր սեփական փորձերը
Այս պահին ես հույս ունեմ, որ դուք տեսնում եք, որ այս հրահանգի տեխնիկան կարող է օգտակար լինել տվյալների գրանցման համար, բայց դրանք նույնպես պետք է օգտագործվեն որոշակի մտորումով: Նրանց հետ փորձելը կարող է օգնել այդ գործընթացին:
Փորձերի վերաբերյալ որոշ դիտողություններ և բաներ, որոնց կարող եք ուշադրություն դարձնել.
- Սինուսային ալիքները միակ հետաքրքիր ազդանշանային տեսակը չեն, փորձեք մյուսները, այլ ալիքներ կամ թեքահարթակներ կամ…..
- Ես աղմուկի համար նորմալ բաշխում էի կիրառում, աղմուկն այնքան շատ է. դուք պետք է հաշվի առնեք ուրիշներին
- Միջին վազքը պարզ, բայց ոչ միակ մեթոդն է աղմուկին նայելու համար
Նշում. Նկարների մուտքագրում Վիքիպեդիայից:
Քայլ 11: Օգտագործեք տեխնիկական միջոցներ ձեր մուտքագրման ծրագրաշարի մեջ
Իմ կոդը օբյեկտին կողմնորոշված է, և ընթացիկ միջին և ձգան մշակումը կարող է պարզապես պատճենվել ձեր Python միջավայրում և այնուհետև օգտագործվել: Օբյեկտներն են.
- DataTrigger- ը data_trigger.py- ում
- MovingAverage- ը move_average.py- ում
Իմ հիմնական օբյեկտը LoggingSim- ը simulate_logging.py- ում պետք է ձեզ լավ օրինակ տա, թե ինչպես օգտագործել այն: Եթե դուք օգտագործում եք այլ լեզու, կարող եք կարդալ իմ կոդը և կիրառել ձեր լեզվով:
Այս ծածկագիրը կարող է ձեր նախագծին տալ տվյալների ավելի լավ մուտքագրում, փորձեք այն:
Վերոնշյալ գրաֆիկը վերցված է russ_hensel- ի Graph Your Solar Power- ից, որն օգտագործում է նույն միջին հոսող օբյեկտը:
Խորհուրդ ենք տալիս:
Ինչպես կատարել խոնավության և ջերմաստիճանի իրական ժամանակի տվյալների գրանցիչ Arduino UNO- ի և SD- քարտի միջոցով: - DHT11 Տվյալների գրանցման մոդելավորում Proteus- ում. 5 քայլ
Ինչպես կատարել խոնավության և ջերմաստիճանի իրական ժամանակի տվյալների գրանցիչ Arduino UNO- ի և SD- քարտի միջոցով DHT11 Տվյալների գրանցման մոդելավորում Proteus- ում. Ներածություն. Բարև, սա Liono Maker- ն է, ահա YouTube- ի հղումը: Մենք ստեղծում ենք ստեղծագործական նախագիծ Arduino- ի հետ և աշխատում ներկառուցված համակարգերի վրա: Data-Logger: Տվյալների գրանցիչ (նաև տվյալների գրանցիչ կամ տվյալների գրանցիչ) էլեկտրոնային սարք է, որը ժամանակի ընթացքում գրանցում է տվյալները
Ազնվամորի Պի բնության մեջ: Ընդլայնված Timelapse մարտկոցի հզորությամբ `10 քայլ (նկարներով)
Ազնվամորի Պի բնության մեջ: Մարտկոցի հզորությամբ ընդլայնված ժամանակացույց. Մոտիվացիա. Ես ցանկանում էի մարտկոցով աշխատող Raspberry Pi տեսախցիկով օրական մեկ անգամ լուսանկարել դրսում ՝ երկարաժամկետ հեռանկարային տեսանյութեր ստեղծելու համար: Իմ առանձնահատուկ դիմումն է `առաջիկա գարնանը և ամռանը գրունտային բույսերի աճի գրանցումը: Մարտահրավեր. D
Ավելի քիչ տարածության մեջ հազարի աճեցում կամ Տարածության մեջ գազար աճեցնելը, (քիչ թե շատ). 10 քայլ
Քիչ տարածության մեջ ավելի շատ գազար աճեցնելը կամ … Տարածության մեջ գազար աճեցնելը, (քիչ թե շատ). Սա մասնագիտական ներկայացում է Երկրից աճող, ստեղծող մրցույթին, որը ներկայացվում է Instructables- ի միջոցով: Ես չէի կարող ավելի ոգևորվել ՝ նախագծելով տիեզերական մշակաբույսերի արտադրության համար և տեղադրելով իմ առաջին Instructable- ը: Սկսելու համար մրցույթը մեզ խնդրեց
Տվյալների ձեռքբերման և տվյալների տեսողականացման համակարգ MotoStudent Electric Racing Bike– ի համար ՝ 23 քայլ
Տվյալների ձեռքբերման և տվյալների տեսողականացման համակարգ MotoStudent Electric Racing Bike- ի համար. Տվյալների ձեռքբերման համակարգն ապարատային և ծրագրային ապահովման հավաքածու է, որը աշխատում է միասին ՝ արտաքին սենսորներից տվյալներ հավաքելու, դրանք պահելու և հետագայում մշակելու համար, որպեսզի դրանք գրաֆիկականորեն պատկերացվեն և վերլուծվեն, թույլ տալով ինժեներներին կատարել
AR օբյեկտների տեղադրում GPS- ի կոորդինատների մեջ `ընդլայնված իրականության մեջ. 8 քայլ (նկարներով)
AR օբյեկտների տեղադրում GPS կոորդինատների մեջ `ընդլայնված իրականության մեջ. Այս հրահանգավորումը կանցնի բջջային հավելվածի ստեղծման վրա` AR օբյեկտների և ARCore- ի հետ GPS- ի կոորդինատներում AR օբյեկտների տեղադրման համար `օգտագործելով Unity3D: Ես ձեզ կներկայացնեմ Mapbox- ի միջոցով իմ պատրաստած նախագիծը ստեղծելու միջոցով, որը թույլ է տալիս մեզ հաղորդագրություններ նշել հատուկ G