AI Powered Bull **** -detektor: 6 steg (med bilder)

Innehållsförteckning:

Tillbehör
Steg 1: Projektvideo
Steg 2: 3D -utskrift
Steg 3: Elektronik
Steg 4: Utbildning av AI - Dialogflöde
Steg 5: Remo.tv
Steg 6: Resultat

Video: AI Powered Bull **** -detektor: 6 steg (med bilder)

2024 Författare: John Day | [email protected]. Senast ändrad: 2024-01-30 12:40

Den enda enheten vi alla behöver, en AI Powered Bull **** -detektor!

Tillbehör

Raspberry Pi
NeoPixel ring
3d skrivare
TinkerCAD
Pi -kamera
AIY -kit
Google Dialogflow
Pytonorm
Raspian
Remo.tv

Steg 1: Projektvideo

Steg 2: 3D -utskrift

Först och främst, vi behöver en behållare. I det här fallet valde vi att 3D -skriva ut en fin färgstark. Du kan också använda något annat, så länge all elektronik passar.

Nöjda med vår låda kan vi 3D -skriva ut en bajs emoji gjord av 3DCreatorPurzi. Allt vi behöver göra är att lägga till ett ihåligt utrymme i botten för att hålla vår NeoPixel -ring.

Alla modellfiler bifogas.

Steg 3: Elektronik

Allt börjar med en Raspberry Pi 3B+.

Eftersom vi vill använda Speech-To-Text måste vi också lägga till en AIY VoiceHat och motsvarande mikrofon. Allt är dokumenterat här.

Sist men inte minst kopplar vi ihop NeoPixel -ringen, här är en bra handledning för just det.

Med allt inställt kan vi testa Speech-To-Text och NeoPixel-ringen, testkoden bifogas.

Steg 4: Utbildning av AI - Dialogflöde

För vår AI kommer vi att använda Dialogflow. Ursprungligen är den avsedd att användas som chatbot -programvara, vi kan missbruka den något för att träna vår bull **** -detektor.

Vi skapar två avsikter, en är vår fallback, och den andra tjuren ****. Därefter lägger vi till allt innehåll i utbildningsfraserna för vår bull **** intention. Du kan verkligen bli galen här.

Efter att ha sparat kommer vår bot att träna för att upptäcka bull **** baserat på de angivna träningsfraserna. När det är klart kan vi använda lite pythonkod för att ansluta till vår nyutbildade AI.

Dataflödet är enligt följande:

Mikrofonen tar upp någon som talar och spelar in den.
Den här filen skickas till Google Cloud och omvandlas till text.
Den genererade texten skickas tillbaka till Raspberry Pi.
Denna text skickas sedan till Dialogflow.
Dialogflow försöker matcha texten med innehållet från vår bull **** avsikt, och beroende på resultatet kommer den antingen att skicka tillbaka bull **** avsikten eller standardfallbacken.
På vår Pi kontrollerar vi namnet på avsikten, och om det är 'Standard Fallback Intent' säger vi att lamporna blinkar grönt, vilket betyder att ingen tjur ***. Annars blinkar vi rött, vilket indikerar bull ****.

Hela koden bifogas.

Steg 5: Remo.tv

Vi kan inte hålla något så kraftfullt för oss själva! Så vi kommer att göra vår detektor tillgänglig för alla. För att få detta att hända kommer vi att använda Remo.tv, en robotströmningsplattform. Allt vi behöver göra är att ansluta en Pi -kamera och följa deras installationsanvisningar.

När Remo.tv är konfigurerat skriver vi vår egen chatthanterare. Istället för att använda Speech-To-Text skickar vi direkt chattmeddelandena vi får på Remo.tv till Dialogflow. Resten av logiken förblir densamma. Lägg bara till en anteckning i bakgrunden för att berätta för besökarna vad de tittar på, och vi är alla klara.