Tech도 없다

오늘은 미뤘던 1차 프로젝트 AGV를 설명 하고자 합니다~ 저번 포스팅에서도 말했지만1,2차 프로젝트 하느라 블로그 신경을 못썻어욯ㅎ 하지만 뭐... 간단하게만 담아볼 예정입니다. 오늘은 https://docs.opencv.org/4.x/d5/dae/tutorial_aruco_detection.html?form=MG0AV3= 4.7.0 Pose estimation is of great importance in many computer vision applications: robot navigation, augmented reality, and many more. This pr" data-og-host="docs.opencv.org" data-og-source-url="https://docs.opencv...

안녕하세요~~ 오늘은 KG_KAIROS 통합프로젝트에서 진행하는 사항들 중제가 맡은 부분에 대해 포스팅하려 합니다. 팀 내에서 저의 역할은팀장 + 장치 간 통신 + 회로 설계 + 리프트 제어 + SubRobotArm S/W설계   오늘 저의 역할은 SubRobotArm에서 F/W설계를 했습니다.업무: mg996r 서보 모터 6개를 이용한 6축 로봇암 만들기1단계 : 회로설계 (완)     - VCC, GND, pin으로 되어있으니까 어렵진 않아요2단계 : CUBE IDE Setup     - 제어용 통신 전공에서 3학년 2학기에 했었어서 할만했어요     - clock설정이랑 hz 세팅은 조금 어려웠는데.. 하다 보니...3단계 : ISR이랑 메인문 작성 정도?     - 이것도 기억 더듬어가면 할만했습..

TIM4 채널 1234TIM3 채널 34 여기서 그동안 삽질한게 요고였음.HSE로 하고 막 이랬는데 까불지마셈./.  여기도 건든건 없음 건든건 오직!!!TIMER뿐TIM3에서 Clock은 Internal Clock channel은 5,6번 서보모터만 추가로 넣은거라 CH3,4 PWM으로 Generation갈겨주기 자 그리고파라미터 셋팅 Prescaler 84에 priod는 2000그리고 여기서!!! 계속 실수한거!!~스크롤 내리면 이게 있음. 이거 Pulse100으로 맞추기Timer 4 도 다 똑같음마저 다 체크해주기 자 그러면 main문은 어떻게 테스트 했나?? int main(void){ /* USER CODE BEGIN 1 */ /* USER CODE END 1 */ /* MCU Config..

🔧 시스템 구조우리는 Flask 서버를 활용하여 **PLC(Programmable Logic Controller)**와 로봇팔 간의 동작을 제어하는 시스템을 만들고 있습니다. 이 시스템은 Flask 서버를 통해 PLC 데이터를 수신하고, 그 데이터를 바탕으로 로봇팔을 제어하는 방식으로 동작합니다.💻 시스템 흐름:PLC → Flask 서버: PLC에서 Flask 서버로 데이터를 전송Flask 서버 → 로봇팔 제어: Flask 서버에서 받은 데이터를 이용해 로봇팔을 동작시킴🖥️ Flask 서버의 역할Flask 서버는 웹 서버로서, 사용자가 웹 페이지에서 요청을 보내면 이를 처리하여 로봇팔의 동작을 제어합니다.웹 페이지에서 데이터를 받아 처리하고, 그에 따라 로봇팔을 움직이는 방식입니다.🌐 HTML 출..

저번시간에는 로봇암을 위주로 설계했다면이번엔!!!로봇팔에서도 중요한 그리퍼를 중점적으로 설계해 보겠습니다.사실 너무 어려웠지만...최대한 따라가 보았습니다.레쓰고정면도에서 새로운 스케치로그리퍼를 스케치해줍니다. 요래 저래 라인을 따면 아래처럼 됩니다.미러 삭 해주고하지만 Fusion 360 밑에 작업 과정들을 볼 수 있기에나중에 캡처해서 업로드하겠습니다.요기 포인트들을 설정해줘야 하는데첨엔 이상하게 안 돌더라고요??그래서 연결해 주려고 하나씩 점들을 선택세부적으로는 각도를 -25부터 25로 설정하면됩니다요!! 그리고 동작구현으로 점 두 개 찍고애니메이션 돌리면 완성 그리고 여기다가 아두이노도 넣어주고그리고 to be continue...목요일 이어서상황에 맞는 적합한 그리퍼 설계를 진행합니다.

오늘 학습 내용 소개!!전이 학습 (Transfer Learning):전이 학습은 기존에 학습된 모델의 지식을 활용하여 새로운 작업에 적용하는 기법입니다.예를 들어, VGG16과 같은 사전 훈련된 모델을 사용하여 초기 가중치를 가져오고, 그 다음 새로운 데이터셋에 맞게 모델을 미세 조정(fine-tuning)할 수 있습니다.이미지 데이터 전처리 및 증감 (Data Preprocessing & Augmentation):이미지 데이터를 사용하기 전에 전처리 과정이 필요합니다. 이는 이미지 크기 조정, 정규화, 밝기 조절 등을 포함합니다.증감은 데이터셋을 더 다양하게 만들기 위해 이미지를 변형하는 기법입니다. 회전, 반전, 확대/축소 등이 있습니다.웹에서 이미지를 다운로드하고 스레딩을 사용하여 효율적으로 처리..

Precision recall and f1 score(sklearn.matirxs.classification_report())  모델의 성능을 측정하는 데 있어 정밀도(Precision), 재현율(Recall), 그리고 **F1 점수(F1 Score)**는 중요한 지표입니다. 이 지표들은 특히 이진 분류 문제에서 모델의 성능을 평가하는 데 유용합니다.정밀도 (Precision)정밀도는 모델이 양성으로 예측한 샘플 중 실제로 양성인 샘플의 비율을 나타냅니다. 즉, 정밀도 = TP / (TP + FP), 여기서 TP는 True Positive, FP는 False Positive입니다.재현율 (Recall)재현율은 실제 양성 샘플 중 모델이 양성으로 올바르게 예측한 샘플의 비율을 나타냅니다. 즉, 재현율 = ..

network 문제로 어제 학습한거 리뷰!! x = np.array([[1.0,0.5]])W1 = np.array([[0.1,0.3,0.5],[0.2,0.4,0.6]])# A1을 계산하세요B1 = np.array([[0.1,0.2,0.3]])# A1을 계산하세요 # sigmoid함수를 적용하여 Z1을 구하세요W2 = np.array([[0.1, 0.4 ], [0.2, 0.5], [0.3, 0.6]])    # (3, 2)B2 = np.array([[0.1, 0.2]])#  A2  &  sigmoid 함수를 적용하여 Z2를 구하세요W3 = np.array([[0.1,0.3],[0.2,0.4]])B3 = np.array([0.1,0.2])# 항등함수 (입력 그대로 출력하기)를 이용하여 아웃풋 y를 구하세요 ..

2024.08.13(화) 오늘은!!!PLC 마지막 정규수업이자최종 프로젝트날프로젝트 주제는RC카 경주장 만들기 강사님께서 간단하게프로젝트를 설명해주시고우리가 배운 모든 걸활용해라!!룰도 직접 만들어라트랙도 직접 제작해봐라팀별로 해도 좋고 반 전체가같이 만들어도 좋다 하셨습니다.시작시간 10:00마감시간은 14:00점심시간 포함해서4시간 안에다 만들어야 했습니다.이 프로젝트에서는아무래도 강사님께서창의력과 추진력,시간관리 능력을기르게끔해주신 것 같습니다.저희 반은 팀별로 하기엔너무 적고반별로 하기엔 너무 과해서앞열 2개 팀과뒷열 2개 팀으로 나눠서제작하였습니다.저희 앞열 2개 팀은 총 9명가산 C402 말고가산 C403이 비어서빈 강의실에서 진행했습니다.  빠른 경기장 제작을 위해PLC 보관하는 선반에 있던..

신경망의 활성화 함수: ReLU와 Softmax신경망에서 활성화 함수는 각 노드의 출력을 결정하는 중요한 역할을 합니다.이번 포스트에서는 hidden layer의 활성화 함수로 **ReLU (Rectified Linear Unit)**를,output layer의 활성화 함수로 softmax를 사용하는 경우에 대해 정리해보겠습니다.ReLU (Rectified Linear Unit)정의: ReLU는 입력 값이 양수일 경우 그대로 출력하고, 음수일 경우 0을 출력하는 함수입니다.수식:f(x)=max(0,x)특징: 계산이 간단하고, 음수 값을 0으로 만들어서 신경망의 비선형성을 유지하면서도 학습 속도를 빠르게 합니다. 이는 gradient vanishing 문제를 완화하는 데 도움이 됩니다.Softmax정의: ..