이 긴 플라스틱 통에 담긴 아두이노와 DHT11 온습도 센서 및 I2C 인터페이스가 아닌 직접 인터페이스한 1602 LCD. 동호회에서도 배선이 복잡하다고 거들떠 보지도 않았던 모델이지만 나에겐 그 배선이 한 번에 성공할 정도로 그렇게 쉬울 수 없었다. 단지 배선 가닥이 많다고 복잡한 것은 아니라 생각하니까. 이 온습도계 프로젝트는 이미 6개월 전에 포스팅했던

윈도우즈7 PC에서 Blutooth 설정을 통해 수신 및 발신 COM포트가 설정되었으면 이 중 발신COM 포트를 사용하여 Processing 으로 코딩을 진행하자. Processing 헤더 영역에서 시리얼 인터페이스를 위한 라이브러리를 불러들이자. import processing.serial.*; 블루투스 통신의 기본 원칙 중의 하나가 반드시 시리얼 인터페이스

그래픽 성능이 뛰어난 Processing 코드의 HTTP 명령을 사용하여 와이파이(WiFi) 방식에 의해서 혹은 이더넷에 의해서 아두이노 호환 보드인 WeMos D1 또는 WeMos LOLIN32 보드내지는 NodeMCU 보드를 제어하였다. 한편 아두이노 우노 보드를 직접 무선으로 제어하기 위해서는 우노에 쉽게 설치할 수 있는 HC-06 블루투스 보드를 Processing

앱인벤터에서 0∼100까지 움직이는 슬라이드 바를 사용하여 블루투스에 의해서 아두이노 우노 디지털 핀 9번에 설치된 LED 밝기를 조절해보자. digitalWrite 명령으로 단순한 LED ON OFF가 가능하지만 LED 의 밝기를 조절하기 위해서는 analogWrite 명령을 사용해서 0∼127까지의 밝기를 조절할 수 있다. 한편 앱 인벤터에서 slide

밸런싱 로빗의 자체 중량이 1.12키로그램이며 아마존 블루투스 스피커 echo의 포장상태에서의 중량이 1.06킬로그램으로 거의 맞먹는 수준이다. 과연 밸런싱 로빗이 이 정도의 가반중량을 견디고 서있을 것인가? 그것이 의문이었다. 시험 결과 오히려 지난번 음료수 배달은 출렁거려 관성에 의해 쏫아질 우려가 있었는데 이번 아마존 스피커의 무게는 그다지 문제가 되지

머신 러닝 연구가 아무리 첨단을 간다 해도 머신 러닝이 그렇게 대단한 툴이라면 이 정도 간단한 문제는 당연히 풀 수 있어야 하겠지. 항상 어려운 어렵고 난해한 문제만 쫓아 다니다 보니 x – 1.12345 = 0 과 같이 우스울 정도로 쉬운 문제를 어떻게 코딩해야 할지 해보기 전에는 막막하다는 생각이 들기도 한다. 물론 머신 러닝이 컴퓨터에 인스톨되기 때문에

커버 그림은 자신이 앱인벤터로 코딩한 클릭 버튼을 사용하여 스마트폰 카메라 기능을 불러내어 찍은 후 스마트폰에서 물어보는 저장 또는 저장안험 버튼 중에 저장을 선택 클릭하면 TinyDB를 통해 저장되며 Gallery에서 자신이 찍은 사진을 볼 수 있다. 앱 인벤터의 카메라 기능은 카메라 자체를 코딩하는 것이 아니라 스마트폰에 부여된 카메라의 기본 기능을 불러다

윈도우즈10 아나콘다 스파이더 편집기에서 ReLU layer를 하나씩 증가시키면서 계산해본 바에 의하면 ReLU를 3개 배치했을 경우 까지는 별 문제가 없었으나 그래도 어쩌다 한번 실패한 결과를 주었다. 4개를 배치한 경우 10,000회의 학습으로 제대로 된 결과를 주지 못하는 경우가 왕왕 있었다. 결국 Relu가 4번 연속 도입되면 실패하기 시작한다고 볼

Learning rate = 0.1, 학습횟수(tainning) 10,000회 조건 하에서 XOR logic 문제를 Depth가 10인 즉 10개의 layer들을 가지면서 각 layer당 10개의 노드를 가지는 Fully connected NN(뉴럴 네트워크)을 적용해서 실패한 결과를 주었던 예제를 ReLU 함수를 사용하여 다시 다루어 보았다. 실패의 원인은

열 추적 미사일의 경우 상대방 전투기 후미에서 뿜어져 나오는 열류(thermal flume)를 센싱하게 되면 그 열이 사라질 때까지 끝없이 쫓아가게끔 디자인 된다. Pixy 카메라와 Pan/Tilt메카니즘도 마찬가지다. 청색을 학습한 Pixy 카메라가 어떻게 청색공을 tarcking 하는지 동영상에서 살펴보고자. 이어지는 내용에서 PixyMon 사용법과

라즈베리 파이 보드에서는 OpenCV 라이브러리 모듈과 Pi카메라를 사용하여 Computer Vision 코딩에 의해서 컬러 볼(Ball) 인식 및 tracking이 가능하다. 이 tracking 되는 데이터를 이용하면 RC카의 좌우 모터를 제어할 수 있는 신호 생성이 가능하므로 만약 밸런싱 로봇과 인터페이스가 이루어진다면 간단한 자율주행 밸런싱 로봇의 탄생도

앞서의 Mypaint 코딩에 ButtonBig 과 ButtonSmall 2가지 버튼을 추가 업데이트하고 Screen1의 Text 박스에 MypaintV2를 입력하고 아울러 파일 이름으로 저장하자. Mypaint 코딩에서 DrawCircle의 반경(radius)을 5로 지정하였는데 이번에는 그 크기를 ButtonSmall 에는 반경을 2로 ButtonBig에는

앱인벤터로 아주 간단한 그림판을 코딩해 보자. 이 코딩은 앱인벤터 튜토리알 코딩에서 PaintPot 으로 알려져 있다. Projects⤍Start new project screen1의 속성창에서 프로젝트 명칭을 Text 박스에서 Mypaint 로 입력하자. 수평 박스, 버튼 배치 이 그림판의 구조는 3개의 RGB 버튼을 수평박스에 배치함으로 시작한다. 즉 Layout

다음 동영상은 Processing의 Convolution 예제로 들어 있는 컬러 이미지에 대한 Convolution 작업을 통한 Edge Detection 과정을 보여 준다. 1981년 노벨 의학상을 수상하게 된 후벨(Hubel)의 핵심 연구인 1959년의 고양이 시각피질의 반응 연구에서 그는 뇌의 edge detection 현상을 관찰하였다. 고양이 시각

XOR 로직을 처리하기 위해 구성되는 다음의 가장 기본 적인 형태의 NN을 가지고 사용자가 원하는 규모의 은닉층을 넣어서 처리해 보도록 하자. 은닉층의 자유도를 10개 정도면 충분할 것이다. 아울러 중간에 위치시킬 은닉 층수를 이미 다루어 보았던 4에서 순차적으로 10까지 증가시켜 보자. 코드에서 레이어 하나씩 증가시키기란 그다지 어렵지 않다. 은닉층 수를

무더웠던 여름 끝 무렵에 처음 골판지 차체로 밸런싱 로봇을 제작한지 벌써 두어달을 넘기면서 수차례 폐차했다가 다시 부활시켜 동영상에서 마지막 유년기(?)의 모습을 보여 주고 있다. 이미 건물 창밖에는 새빨갛게 물든 단풍이 짱짱 얼어붙을지도 모를 초겨울의 전조를 알리고 있다. Broking 의 오픈소스로부터 시작했던 밸런싱 로봇도 성능이 많이 업그레이드 되어

위 그림은 고양이에게 안경을 맞춰주는 사진이 아니에요! 시각 이미지 인식을 위한 CNN(Convolutionary Neural Network) 방식 머신 러닝의 기원을 찾아가 보자. 1981년도 노벨 의학상을 수상하게 되었던 후벨의 1959년도 고양이 시각피질(visual cortex) 반응에 대한 연구를 살펴보기로 한다. 고양이 뇌의 시각피질에 전극을 꽂은

라즈베리 파이 보드에서 파이선 코딩에 의해 LED를 디지탈하게 ON 또는 OFF 가 가능하다. 더 나아가서 아날로그적으로 완전히 꺼진 상태에서 최대 밝기까지 연속적으로 LED를 ON했다가 다시 서서히 완전히 꺼질때까지 OFF 해 보도록 하자. LED 의 밝기를 연속적으로 변화시키는 것을 Dimmering 또는 Fading 이라고 한다. 아두이노 편집기 예제

DHT11 센서 Raspberry Pi 보드 배선 라즈베리 파이3에서 Adafruit 사의 온습도 센서 DHT11을 사용하여 온습도를 측정해 보자. 다음은 PCB에 설치되어 있는 DHT11 온습도계를 사용하는 배선도이다. DHT11 온습도계를 직접 배선하기 위해서는 별도의 전류제한 저항이 필요하므로 인해서 PCB 와 납땜 작업이 수반되므로 아예 DHT11 센서

아두이노와 라즈베리 파이에서는 와이파이(WiFi) IOT 코딩에 의해 원격의 웹브라우저에서 ON OFF 버튼을 만들어 클릭하면 LED를 ON OFF 할 수 있었다. 반면에 라즈베리 파이 파이선 3 코딩에서는 GUI(graphical User Interface)를 지원하는 tkinter 모듈에 의해서 그래픽 화면 정의와 아울러 LED ON OFF 및 EXIT를