回复了主题帖： >>征集 | 晒电机控制痛点与难题，一起寻求最优解！

作为一名业余的 3D 打印机 DIY 爱好者，我简单谈谈在3D打印机的组装和DIY过程中的一些电机控制方面的内容。组装和设计 3D 打印机的过程中对于电机控制这块确实有不少的t痛点和难点。 首先是电机的驱动器的选择上，对于一般的家用FDM打印机来说我们比较看重的是驱动控制板的噪音，提供的电流大小（直接影响电机的扭矩大小，也可能导致电机的烧损）还有就是驱动板的散热。在控制器的控制算法方面，像 Marlin 固件，需要用户根据电机和硬件配置自行设置参数。理解固件中电机控制相关参数，如电机步数、速度限制等，需要一定的技术背景。而且修改固件参数后，还得进行充分测试，确保电机能正常工作，这个过程比较繁琐。作为执行机构的电机，最关心的就是丢不丢步，发热大不大，运行稳不稳定。 从上面的简单介绍可以总结下 痛点：综合需求后的选型比较麻烦，很难找到各方面都均衡的且价格合适的驱动板。 难点：在选型后对控制算法中的参数反复的进行调试，开发过程比较漫长。   ADT7420高精度数字温度传感器提供±0.1°C的精度可以比较合适的去监控发热量，在控制算法上ADI提供自有的电机控制算法，可实现实时温度监控和比较适合快速快速调参的控制算法。这些在3D打印领域是有比较好的意义的。      

回复了主题帖： 【2024 DigiKey大赛参与奖】开箱帖

jobszheng5 发表于 2025-3-23 11:13 羡慕一下 这就是传说中的树莓派4 这可是4b，哈哈

回复了主题帖： 【2024 DigiKey大赛参与奖】开箱帖

秦天qintian0303 发表于 2025-3-23 17:49 可以稍微加点钱，1g确实有点小了   哈哈，跑个openwrt旁路由够用了。

发表了主题帖： 【2024 DigiKey大赛参与奖】开箱帖

非常荣幸参见本次【2024 DigiKey 创意大赛】，并在本次活动中获得参与奖。 为了合理有效的使用这个物料费用，我多方对比，最后买了树莓派4B 1G版。      没错，为了达到300包邮，终于找到便宜的镊子来凑个单，哈哈。 非常nice, 最后再次感谢EEWorld和得捷电子。  

回复了主题帖： 【回顾2024，展望2025】新年抢楼活动来啦！

多读书多看报少吃零食多睡觉

回复了主题帖： 祝福2025！回帖即有奖！选取最有心的送5块国产开发板！

2025祝社区越来越好，大佬们生活幸福美满。

加入了学习《基于树莓派5的工业智能网关视频》，观看 得捷2024大赛基于树莓派5的智能工业网关视频

回复了主题帖： 【2024 DigiKey 创意大赛】基于Raspberry Pi5的3D打印监测与失败检测

wangerxian 发表于 2024-10-29 19:17 监测效果怎么样？话说3D打印拉丝，主要是打印机配置没搞好。 训练数据里面都是针对炒面类的问题，所以检测炒面类还是很准的。 打印问题原因很多，喷头温度不合适，调平不好，热床不沾，模型缺少支撑等等都可能导致打印失败。

发表了主题帖： 【2024 DigiKey 创意大赛】基于Raspberry Pi5的3D打印监测与失败检测

本帖最后由 bzhou830 于 2024-12-17 19:16 编辑 基于Raspberry Pi5的3D打印监测与失败检测 作者：bzhou830 作品简介 近年来，FDM 3D打印技术发展非常迅速，越来越多的家庭也开始使用桌面级3D打印机。虽然成品机器在近两年如雨后春笋般退出，但是打印过程中还是不免产生各种问题。如图1所示： 图1 模型打印失败 而且由于3D打印比较耗时，长时间的人工值守是非常困扰的问题。在没有人工值守的情况下，一旦出现问题就直接导致打印失败，浪费耗材，甚至损坏机器。因此本设计的思路就是使用视觉识别技术，实时采集并识别当前的打印状态，一旦出现打印异常通知用户进行人工干预。 设计中用到的主要硬件物料有: Raspberry Pi 5，小安派-Cam-D200，颜色传感器，气压传感器。设计中为了方便采集摄像头的安装，对小安派-Cam-D200进行了外壳的设计。Rapsberry Pi 5运行Debian系统，搭建mqtt服务器，用于接收传感器数据。并使用yolo v5训练自己标定的数据得到检测模型，在树莓派上部署并运行检测模型，对采集的图像进行实时的检测。 作品实物如图2 所示，小安派-Cam-D200图像采集摄像头安装在3D打印机x轴的末端，使用usb供电，通过无线网将采集的图像发送给：Raspberry Pi 5。 图2 硬件实物 系统框图 系统框图如图3所示，系统中的组件都是通过无线网络进行数据通信的。传感器的数据通过传感器采集板（这里使用的是esp32s3-dev-kit）使用mqtt协议将数据发送到raspberry pi 5 上搭建的mqtt服务器上。摄像头采集的图像通过web server的方式将图像传送给raspberry pi 5。 图3 系统框图 手机或电脑设备可以通过远程连接的方式连接到raspberry pi 5上查看实时图像和传感器数据，也可以直接连接到摄像头设备查看实时图像。 识别的结果则实时的显示在画面上。 三、各部分功能说明 3.1 模型的训练 对于一个视觉检测项目来说，最核心和重要的部分就是对检测模型的训练和部署。为了能得到尽可能准确的检测模型，本项目采用Kaggle上的3D打印图像数据集，对图像数据使用Labeling工具进行手动的标定。数据集中包含有900多张图像。标定过程如图4所示。 图4 数据的标定 标定完成图像即采用yolo v5对数据进行训练。 为了达到比较好的准确率，又为了兼顾模型的训练时间，这里训练过程采用100个epochs进行，训练环境为i7-7700k, Nvidia GTX1060 6G。 图5 训练完成 如图5所示，训练总用时5.8小时。训练过程的曲线如图6所示，从图中可以看到训练过程中loss已经降低到比较低的水平，但从曲线的走势来看如果加大epochs数量势必可能会得到更为精确的模型。考虑精度曲线已经达到了可用的水平，且没有计算能力更强大的硬件来进行训练，遂使用本次训练结果。 图6 训练结果曲线 3.2 图像采集模块 小安派-Cam-D200(AiPi-Cam-D200)是安信可科技为高性能模组Ai-M61-32S设计的一款摄像头核心板，默认接入200w像素摄像头，考虑图像采集的质量，本项目采用其进行图像的采集。为了方便摄像头的安装和美观，项目对摄像头进行外壳的设计，并采用3D打印的方式将其打印出来。外形的设计图如 图7 图像采集设备结构设计 设备固件代码中将采集的图像通过web的方式发送给接收端。在web浏览器中可预览采集图像如图所示。 图8 预览图像采集结果 3.3 模型部署和mqtt服务器搭建 从emqx的官网看到可以直接使用docker的方式进行安装。安装完成后在PC/手机端即可使用浏览器进行访问。成功访问如图所示。 图9 EMQX服务器的安装 搭建完服务器后即可部署识别模型。拷贝yolo v5检测代码到raspberry pi 5上。并使用检测代码进行运行，运行中安装缺少的依赖库。成功运行检测代码即表明环境搭建成功，如图10所示。 图10 YOLO v5在raspberry pi 5上的部署 随后使用训练的模型进行部署，对部分图像进行识别检测。运行检测，打开检测的结果图观察执行结构的正确性，如图11所示。 图11 模型检测结果   四、作品源码   五、作品功能演示视频   [localvideo]8403d6ff01fc628e03fa3ad769d17094[/localvideo]     六、项目总结 通过设计制作次项目，让我对计算机视觉检测有了更深入的理解，同时学习并使用了Web Sever传送视频数据的使用了。为了设计出比较好的外观，专门学习3D模型的绘制，对DIY电子设计又多掌握了一项关键又有用的技术。 至此非常感觉EEWold给我支持成长的机会，同时离不开Digikey的大力支持，在此表示最真诚的感谢！  

回复了主题帖： 【2024 DigiKey 创意大赛】树莓派5、颜色传感器、气压传感器开箱贴

damiaa 发表于 2024-8-9 09:28 不错，树莓派5！ 就是只有一个单板，需要自己买配件

回复了主题帖： 【2024 DigiKey 创意大赛】树莓派5、颜色传感器、气压传感器开箱贴

秦天qintian0303 发表于 2024-8-9 10:05 树莓派5是4G 版本的吗？   是的

发表了主题帖： 【2024 DigiKey 创意大赛】树莓派5、颜色传感器、气压传感器开箱贴

> 感谢EEWORLD和Digikeyd的”2024 DigiKey 创意大赛“活动。非常荣幸能入选这次大赛。收到入选通知的当天就按照邮件在商场下订单。耐心等待一周到货啦。 包装完整，好评！ 拆出来后器件都是分离包装的，很好！ 下面，就从主角开始开箱。 ### 树莓派5 ### 颜色传感器 ### 气压传感器

发表了主题帖： 《深度学习与医学图像处理》3. 医学图像检测

1. 基础理论 《深度学习与医学图像处理》书中的第五章，讲述了的医学图像的分类。书中的医学图像分类是指使用深度学习对医学图像中的感兴趣区或者整个图像进行分类的过程。 书中的基本概念重点介绍了： 1. 损失函数 用于衡量模型预测结果与实际目标之间的差异或损失程度。损失函数通常是一个标量值，它越小表示模型的预测越接近真实值，反之越大表示预测偏离真实值较远。 在训练模型时，优化目标通常是最小化损失函数，即找到使损失函数取得最小值的模型参数。常见的损失函数有： 均方误差（Mean Squared Error，MSE）：适用于回归问题，计算预测值与实际值之间的平方差，常用于线性回归等任务。 交叉熵损失（Cross-Entropy Loss）：适用于分类问题，特别是二分类或多分类任务。 对数损失（Log Loss）：与交叉熵损失类似，用于衡量分类问题中概率分布的差异。通常用于评估概率型模型（如逻辑回归）的性能。 Hinge Loss：用于支持向量机（SVM）等分类模型，在分类边界上的样本损失为0，其他样本的损失与其到分类边界的距离成正比。 Huber Loss：适用于回归问题，对异常值更具鲁棒性，结合了均方误差和绝对误差。 2. 评价指标 评价指标是衡量模型性能和效果的重要标准。选择合适的评价指标可以帮助我们了解模型在不同方面的表现，并据此做出改进或比较不同模型的决策。 准确率（Accuracy）：用于分类任务，表示模型预测正确的样本比例。 精确率（Precision）：表示预测为正类别的样本中，实际为正类别的比例。 召回率（Recall）：表示实际为正类别的样本中，被模型预测为正类别的比例。 F1 分数（F1 Score）：综合考虑了精确率和召回率，是精确率和召回率的调和平均值。 ROC 曲线和 AUC：ROC 曲线绘制了真正例率（True Positive Rate）与假正例率（False Positive Rate）之间的关系，AUC 表示 ROC 曲线下的面积，用于度量模型在不同阈值下的分类性能。 均方误差（Mean Squared Error，MSE）：用于回归任务，表示模型预测值与真实值之间的平均平方差。 平均绝对误差（Mean Absolute Error，MAE）：与 MSE 类似，但是使用的是绝对误差而不是平方误差。 对数损失（Log Loss）：用于评估概率型模型（如逻辑回归）的性能，表示模型对样本的分类概率与实际标签的负对数似然之和。 2. 经典模型 在2012年的ILSVRC挑战赛中，AlexNet取得了冠军，并且大幅度领先于第二名。由此引发了对AlexNet广泛研究，并让大家树立了一个信念——“越深网络准确率越高”。这个信念随着VGGNet、Inception v1、Inception v2、Inception v3不断验证、不断强化，得到越来越多的认可。这个里面的关键是ResNet, 我们来看看ResNet。   ResNet团队分别构建了带有“快捷连接（Shortcut Connection）”的ResNet构建块、以及降采样的ResNet构建块，区降采样构建块的主杆分支上增加了一个1×1的卷积操作。 相比ResNet，DenseNet提出了一个更激进的密集连接机制：即互相连接所有的层，具体来说就是每个层都会接受其前面所有层作为其额外的输入。     可以看到，ResNet是每个层与前面的某层（一般是2~3层）短路连接在一起，连接方式是通过元素级相加。而在DenseNet中，每个层都会与前面所有层在channel维度上连接（concat）在一起。DenseNet在CIFAR-100和ImageNet数据集上与ResNet的对比结果：   综合来看，DenseNet的优势主要体现在以下几个方面： 由于密集连接方式，DenseNet提升了梯度的反向传播，使得网络更容易训练。 参数更小且计算更高效，这有点违反直觉，由于DenseNet是通过concat特征来实现短路连接，实现了特征重用，并且采用较小的growth rate，每个层所独有的特征图是比较小的； 由于特征复用，最后的分类器使用了低级特征。 3. 实战 书中给出了一个颅内CT检测的案例。实战用的数据集是 RSNA Intracranial Hemorrhage Detection Challenge (2019) 这个竞赛对应的数据集，可以去kaggle下载。RSNA-ICH-Det数据集的大小是167.5GB，这个我就没有直接去下载了。里面主要标注了以下的几类：   使用U-net类的网络对这类问题进行处理是比较普遍的做法。有兴趣的可以看： 【Challenge笔记】RSNA Intracranial Hemorrhage Detection-CSDN博客      

发表了主题帖： 《深度学习与医学图像处理》2. 图像预处理和图像标注

1. 图像预处理 在医学图像中预处理是一项至关重要的技术，不仅能够提高医学图像的质量，还能够增强对图像内容的理解，为识别算法或这影像科室读片都有很重要的作用。 医学图像预处理一般有这些方面的用途： 去噪声： 医学图像的采集过程不可避免的受到设备条件的影响或采集环境的干扰，如高斯噪声、斑点噪声等。这些会影响图像的清晰度和准确性。常见的去噪声方法包括中值滤波、高斯滤波等。 增强对比度： 对比度是衡量图像中不同区域亮度变化的程度，增强对比度可以使图像更加清晰和易于观察。常用的增强对比度方法包括直方图均衡化、对比度拉伸等。对于血管类的图像在使用增强算法后的视觉效果非常的突出。 几何校正： 图像的采集过程中可能存在由于摄像设备位置、姿态等原因引起的几何失真，需要进行校正以确保图像的准确性和可比性。几何校正可以通过平移、旋转、缩放等操作实现，保证图像的几何形状和比例正确。 分割： 医学图像中的目标往往需要被分割出来，以便进行后续的分析和诊断。分割方法包括阈值分割、区域生长、边缘检测等。这些方法能够有效地将图像中的目标与背景分离开来，提取出感兴趣的区域。 配准： 医学图像可能需要与其他图像或模板进行配准，以实现不同图像之间的空间对齐。配准方法包括基于特征点的配准、基于互信息的配准等 伪彩色增强： 某些医学图像，如红外成像、热成像等，可以通过伪彩色增强来突出图像中的特定信息，使其更易于观察和分析。特别还有是在三维重建中给不同的部位赋予不同的颜色可以更直观的进行医患沟通的场合。   2. 图像的标注 AI算法中，数据是至关重要的。然而标注图像是非常繁重的工作。书中介绍的是3Dslicer的图像标注。值得一提的是3D slicer不仅仅可以图像标注，其实也是一个很好的看医学图像的客户端工具。     3D Slicer的主要提供了如下的图像标注功能： 手动标注： 用户可以使用鼠标或其他输入设备手动绘制标注区域、添加标签或文字注释； 自动标注辅助： 3D Slicer集成了多种自动标注辅助工具和算法，如基于机器学习的分割算法和形态学处理等； 多种标注类型： 支持多种类型的标注，包括点、线、面、体积等。用户可以根据需要选择合适的标注类型，并进行相应的标注操作。 可视化工具： 提供了丰富的可视化工具，如标注轮廓的渲染、透明度调节、颜色标记等，帮助用户更直观地查看和理解标注结果。 数据关联和比较： 支持将标注结果与原始图像数据关联起来，以便进行后续的数据分析和比较。用户可以同时查看原始图像和标注结果，进行直观的比较和分析。