描述

包裹的安全運輸是所有在線零售商都頭疼的問題，因為在運輸過程中會發生許多損壞。這些損壞會導致更多的產品退貨、糟糕的客戶體驗以及零售商的聲譽。由于我們不知道在交付過程中發生了什么，因此可能很難證明包裹的內容物在運輸過程中被毀壞，而不是在轉移到承運人之前或之后。鑒于目前的情況，既有不公正的指控，也有蓄意造假的可能。

作為解決方案，我們正在設計一種可以監控包裹在運輸過程中安全處理的設備。該設備使用 Nano 33 BLE Sense 和 GSM 模塊以及 Edge Impulse 來識別包裹處理不當發生的位置。使用加速度計數據，設備可以識別在傳輸過程中發生的所有可能的不安全處理。一旦設備檢測到不安全的處理，我們的系統就會生成警報，記錄事件的當前時間。零售商可以分析日志作為內部審計的一部分，以分析快遞服務的性能。用戶還可以使用提供的網絡界面跟蹤包裹的安全處理。

該設備在運輸帶有護理包的手柄時非常有用，需要小心處理。

它是如何工作的？

Arduino Nano 33 BLE Sense 有一個 9 軸 IMU（3 軸加速度計 + 3 軸陀螺儀 + 3 軸磁力計），非常適合識別手勢。在從 IMU 攝取數據后，AI 模型將這些動作分為五類——重摔、劇烈搖晃、投擲、正常攜帶和空閑。重摔、劇烈搖晃和投擲被歸類為不安全處理，其余屬于安全處理。一旦 AI 模型檢測到不安全處理，GSM 模塊就會被激活，并在 firebase 中記錄不安全處理事件。用戶和內部審計團隊可以跟蹤這些事件，以分析運營商的績效。

軟件設置

1.新建一個項目

第一步也是最重要的一步是創建一個新的 Edge Impulse 項目。如果您已經有一個帳戶，您可以按照下面顯示的步驟創建一個新項目。如果您沒有 Edge Impulse 帳戶，請注冊一個新帳戶并按照以下步驟操作。

在我們的案例中，我們在分析來自 IMU 的加速度計數據后對手勢進行分類。因此，請確保從列表中選擇 ** Accelerometer Data **

2.連接設備

為了直接從 Arduino Nano 33 BLE sense 收集加速度計數據，我們應該先將設備連接到 Edge Impulse studio。按照此處給出的步驟將設備與工作室連接。

完成上述所有步驟后，請確保您在“設備”選項卡中看到您的設備。

3. 數據收集

機器學習從您提供的數據開始。收集干凈的數據至關重要，這樣您的機器學習模型才能識別正確的模式。您的模型的準確性取決于您提供給計算機的數據質量。不準確或過時的數據將導致不準確的結果或不相關的預測。

由于它會直接影響模型的結果，因此請務必從信譽良好的來源獲取數據。好的數據是相關的，幾乎沒有重復和缺失的信息，并且準確地代表了所有的分類和子類別。

在構建運動識別模型時，我們正在從 IMU 收集加速度計數據。

要收集數據，請導航至“數據采集”選項卡。

在那里您可以看到一個記錄新數據選項卡，我們可以在其中從連接到 Edge Impulse 的受支持設備收集數據。如圖所示設置所有數據采樣參數，現在是時候收集一些數據了。根據您的需要改變采樣參數。

我們將 Arduino Nano 33 BLE Sense 嵌入到墊子上以收集訓練所需的數據。

4.數據準備

最后，我們有 28 分鐘的加速度計數據。數據是在 5 個不同的類別下收集的 - 重摔、劇烈搖晃、投擲、正常攜帶、空閑。

獲得數據后，我們必須準備它。為此，我們可以執行以下操作。

• 可視化數據

可視化數據以了解其結構并了解可能有助于我們設計脈沖的各種變量之間的關系。

• 清除不需要的數據

將數據可視化后，我們可以確定數據是否對模型訓練有用。刪除不需要的數據以創建干凈的數據集。

• 拆分數據

一旦我們有了一個干凈的數據集，就把它分成訓練和測試數據集。在這里，我們將它們以 80:20 的比例分成兩部分。如果您的數據未拆分，請從數據采集選項卡或儀表板執行測試/訓練拆分

5. 沖動設計

通過在 Edge Impulse 中創建 Impulse，您正在創建自己的機器學習管道。導航到Impulse 設計 > 創建 Impulse

一個脈沖包含 3 個塊：輸入塊、處理塊和學習塊。我選擇了時間序列數據作為我的輸入塊，光譜分析作為處理塊，分類（Keras）作為學習塊。如果你對檢測異常運動感興趣，你可以添加一個異常塊，我暫時忽略它。

6.特征生成

接下來，選擇Save Impulse ，然后通過單擊導航到 Impulse 設計面板中的Spectral Features 。生成參數后，稍等片刻，然后單擊“保存參數” 。

現在轉到Generate features選項卡，然后單擊Generate features 。該過程完成后，功能瀏覽器選項卡將允許您查看數據集。這使您可以快速驗證您的數據是否正確聚類。

7.模型訓練

模型訓練是神經網絡嘗試將權重和偏差的最佳組合擬合到機器學習算法以最小化損失函數的階段。

在NN 分類器選項卡中，在脈沖設計菜單下，我們可以配置影響神經網絡訓練過程的各種參數。如圖所示，我更改了默認值以獲得更高的準確性。

完成后，您會看到一些訓練性能指標，例如準確性和損失。我們經過訓練的模型的準確率為 95.4%，足以滿足我們的所有需求。

8.模型測試

訓練好模型后，我們現在可以對其進行測試，看看它如何處理新數據。選擇Model Testing下的Classify All 。模型在我們的測試數據上的性能顯示在“模型測試結果”選項卡中。我們的準確率為 91.3%，相當不錯。您還可以查看混淆矩陣以確定哪些標簽最容易出錯。在此基礎上，您可以使用附加項擴展這些類的訓練數據集。

除了對測試數據進行分類外，我們還可以使用Live Classification來收集實時數據并進行實時分類。這將確保模型能夠完美地處理真實世界的數據。

9. 將模型部署到設備

一旦模型經過訓練和測試，就可以將其部署回設備。為此導航到Deployment > Build Firmware 。選擇Arduino Nano 33 BLE Sense and Build 。它將生成模型并將其下載為 zip。將下載的 zip 添加到 arduino 庫中，一切順利。

在 Edge Impulse 中有選擇 NN 分類器優化的選項。我們可以通過選擇最佳選項來提高設備性能。Edge Impulse 將建議最適合我們需求的選項。如果啟用編譯器，我們將以更少的內存實現相同的精度。

10. Firebase 實時數據庫

Firebase 是一個用于創建移動和在線應用程序的平臺。感謝 Firebase，開發人員現在可以專注于創造令人驚嘆的用戶體驗。無需服務器管理，無需創建 API。Firebase 是您的服務器、API 和數據存儲，所有這些都是以一種通用的方式構建的，您可以根據大多數需求調整它們。在我們的項目中，我們使用 Firebase 實時數據庫來即時發布和檢索數據。

查找 Firebase 配置

• 去火力地堡
• 然后轉到設置>項目設置
• 在您的應用程序 > SDK 設置和配置 > 配置下（示例如下）

const firebaseConfig = {
apiKey: "",
authDomain: "",
databaseURL: "",
projectId: "",
storageBucket: "",
messagingSenderId: "",
appId: ""
};

12. 網頁界面

Web 界面的設計方式可以反映 Firebase 數據庫中更新的所有事件。不安全的處理事件直接從 Nano 33 BLE Sense 在 firebase 中更新，其他發布的更新可以使用 API 進行更新。

硬件

Package tracker的核心是 Arduino Nano 33 BLE sense。我們之所以選擇這款板，是因為它外形小巧，功能強大。它帶有一系列嵌入式傳感器，這里我們使用 LSM9DS1 傳感器，這是一個 9 軸慣性模塊。它帶有一個額外的硬件串行端口，用于連接 GSM 模塊。

該設備的電源是 3.7V 18650 鋰離子電池，電流為 2000mah。

該電池可以通過微型 USB 端口充電。本項目使用的充電控制器為TP4056。

TP4056 模塊輸出的功率對于Arduino 的Vin實際上是不夠的。所以我們使用了這個微型升壓轉換器模塊。

為了向 firebase 發送通知，我們實際上使用了 sim800l GSM 模塊。該模塊來自 Simcom，可為任何微控制器提供 GSM 功能，這意味著它可以連接到移動網絡以接聽電話和發送和接收文本消息，還可以使用 GPRS、TCP 或 IP 連接到互聯網。Arduino 和 GSM 模塊之間的通信是串行的。

我們設計并 3D 打印了這些微型外殼，用于固定所有硬件元件。這可以很容易地連接到使用接線帶的任何包裝上。

然后我們將所有的元素一一固定在盒子里，并綁在包裹上。

?

?

?