じゃんけん･ジェスチャ認識
ToF測距センサを使用して手の動きを分類する処理をPCでトリガ：3種類のクラスの認識
マイノリティ･リポート：フィクションからほぼ現実へ！
ジェスチャに基づくデバイス制御は、ユーザ･エクスペリエンスの向上や衛生上の理由による非接触アプリケーションへの対応など、さまざまなメリットをもたらします。 デモのために数種のハンド･サインを識別する3つのクラスを作成しましたが、このモデルはあらゆるジェスチャを学習させることで最終ユーザに幅広い新機能を提供できます。
NanoEdge AI StudioはToF（Time-of-Flight）測距センサをサポートしていますが、このアプリケーションではレーダーなどのセンサを使用することもできます。
ジェスチャに基づくデバイス制御は、ユーザ･エクスペリエンスの向上や衛生上の理由による非接触アプリケーションへの対応など、さまざまなメリットをもたらします。 デモのために数種のハンド･サインを識別する3つのクラスを作成しましたが、このモデルはあらゆるジェスチャを学習させることで最終ユーザに幅広い新機能を提供できます。
NanoEdge AI StudioはToF（Time-of-Flight）測距センサをサポートしていますが、このアプリケーションではレーダーなどのセンサを使用することもできます。
アプローチ
- 信号を減らして情報を簡素化するために、カメラではなくToF測距センサを使用しました。
- 背景の影響を低減するために検出距離を20cmに設定しました。 オプション：測定した距離の2値化
- 10回測定し（周波数：15Hz）、測定ごとにクラスを予測しました。
- （メジャーを連結してより長い信号を作成することは、動きの進化を研究するために行われる。ここでは、標識の分類が目的である。
- クラス（じゃんけん）ごとに3,000レコードのデータセットを作成し、空の測定（動きなし）を避けた。）
- 最後に、NanoEdge AI Studioで「Nクラス分類」モデル（3クラス）を作成し、NUCLEO-F401REでライブテストしました。
- 背景の影響を低減するために検出距離を20cmに設定しました。 オプション：測定した距離の2値化
- 10回測定し（周波数：15Hz）、測定ごとにクラスを予測しました。
- （メジャーを連結してより長い信号を作成することは、動きの進化を研究するために行われる。ここでは、標識の分類が目的である。
- クラス（じゃんけん）ごとに3,000レコードのデータセットを作成し、空の測定（動きなし）を避けた。）
- 最後に、NanoEdge AI Studioで「Nクラス分類」モデル（3クラス）を作成し、NUCLEO-F401REでライブテストしました。
センサ
ToF測距センサ：VL53L5
データ
3種類のデータじゃんけん
信号長64、連続する 8x8 マトリックス
データレート15 Hz
信号長64、連続する 8x8 マトリックス
データレート15 Hz
結果
3クラス分類:
99.37%の精度、0.6 KB RAM、192.2 KB フラッシュ
緑の点は正しく分類された信号を表し、赤い点は誤って分類された信号を表します。 横座標はクラス、縦座標は正常状態に対する類似度です。
99.37%の精度、0.6 KB RAM、192.2 KB フラッシュ
リソース
モデル作成ツール NanoEdge AI Studio
要件に合った最適なAIモデルを簡単に見つけられるようユーザをステップ･バイ･ステップでガイドし、組込みプロジェクトにAIを追加できる無償のAuto MLソフトウェアです。
対応製品 STM32
Arm® Cortex®-Mベース32bitマイコンのSTM32ファミリは、マイコン･ユーザに高いレベルの自由を提供します。完全統合性および開発の容易さを維持しながら、高性能、リアルタイム性能、豊富な機能、デジタル信号処理、低消費電力 / 低電圧駆動、およびコネクティビティを兼ね備えた製品を提供します。
