模拟旋钮人眼监控

一个小型录音室有一个模拟 Behringer 控制台，用于不同类型的作品。有时，长时间的录音是在错误的位置使用旋钮（高峰值、错误的均衡等）进行的，从而导致浪费时间、精力，并最终浪费金钱。

如果有一个全职观察眼睛的控制台旋钮该有多好？读取模拟表盘和面板仍然复杂且具有侵入性吗？

机器学习似乎是识别一组控制台图片中的模式的正确工具。可以通过以下方式训练模型：

所有这些照片都是用不正确的旋钮位置拍摄的 所有这些其他照片都是用正确的旋钮位置拍摄的

然后我们可以问“这张新图片的旋钮位置不正确的可能性有多大？90%?在这种情况下，请中止录制。

使用色带连接 Raspberry Pi cam（色带字母指向 Raspberry USB 端口）将标准按钮连接到 GND 和 GPIO15。如果您使用的是带灯的 DfRobot 按钮，请将红色电缆也连接到 + Raspberry Pi 5v 引脚。

3D 打印部件

在没有桌面的情况下安装最新的 Raspberry Pi OS。然后运行以下命令：

我将使用主混音旋钮。如果此旋钮太低或太高，则认为录音被浪费，因此应中止。

要开始训练，需要大量带有低位和高位旋钮变化的图片。对于与模拟读数相关的其他机器学习项目，获得一张图像，然后进行数字处理以添加例如在不同位置的针。我决定采用一种不同的方法：使用带有暂停来移动旋钮的图像采集脚本。为什么？这也是对图像进行数字处理的一种努力，如果您使用旋钮而不是仪表，则旋钮高度会产生不同的阴影，从而使数字操作更加复杂。

将相机放在光线充足的旋钮上 10 厘米处。将旋钮放在 min 部分。然后运行：

法典

当屏幕上出现“move”消息时，将旋钮移动到另一个不安全的位置。

重复该过程以获取至少 40 张图片。然后重复以获得最大位置的 40 张图片

将所有最小图像上传到 Edge Impulse。转到 Label Queue。在旋钮上放置一个正方形。在后续图像中，方块将被自动放置，但可能需要进行小幅调整。对 max 图片执行相同的操作。

现在创建 Impulse。图像数据。96X96，最短轴。Color Depth RGB（颜色深度 RGB）。生成特征。对象检测。

转到 Edge Impulse Dashboard，选择 Show Linux deploy options

转到部署，选择 Linux ARM，下载 EIM 文件，使用 FTP 上传到 Raspberry Pi。

Edge Impulse Linux Python 部署

将 .eim 文件权限更改为 744

代码设置

运行 Linux 的 Raspberry Pi 将通过 USB 接收控制台音频并录制 .wav 文件。同时，连接的摄像头将拍摄照片，这些照片将被发送以针对机器学习模型进行推理。如果检测到旋钮位于错误的位置，录音将自动停止。

Raspberry、Behringer 和 ML Eye 准备就绪

使用 USB 数据线将 Behringer 连接到 Raspberry。执行

控制台输出将记录到 .wav 文件中。如果你按下眼睛按钮，每当主混音旋钮置于不安全的位置时，录音就会被打断。您可以从控制台监控所有活动。

这是机器学习的一个示例，它可以在不侵入性的情况下将模拟设备与数字世界连接起来。大型工业旋钮、刻度盘、仪表和面板甚至比这个小控制台旋钮更容易阅读，因此可能性是无限的。您可以读取和存储值，可以发送警报，还可以使用模拟旋钮和拨盘来操作和触发复杂的脚本。

对于这个概念证明，使用了一个旋钮，但 Edge Impulse FOMO 算法提供了 X、Y 坐标，因此您也可以用一张图片读取多个旋钮。

Raspberry Pi、cammera 和按钮连接

ML 模拟旋钮读数

适用于 Raspberry Pi 的采集和推理 Python 脚本