Detekcja zmian parametrów obiektu w ruchu z wykorzystaniem czujników inercyjnych

Celem niniejszej pracy było przeprowadzenie badań na temat możliwości detekcji zmian parametrów obiektów w ruchu z wykorzystaniem czujników inercyjnych. Przeprowadzone badania zostały wykonane z użyciem przygotowanych plików tekstowych zawierających dane pomiarowe z sensora inercyjnego. W tym celu zostało opracowane urządzenie rejestrujące zapisujące dane z akcelerometru na karcie pamięci typu FLASH.
Opracowano odpowiedni schemat postępowania z odczytanymi danymi, na który składała się filtracja danych przy wykorzystaniu filtru Kalmana oraz pozyskiwanie kluczowych parametrów takich jak wartość średnia próbek, ich odchylenie standardowe, energia czy korelacja. Jako klasyfikatorów użyto algorytmy uczenia maszynowego dostępne jako dołączane biblioteki w języku programowania Python. Przetestowano łącznie sześć algorytmów klasyfikujących o różnym sposobie działania i stopniu zaawansowania.
Przygotowano szereg scenariuszy testowych, które miały odzwierciedlać możliwe uszkodzenia i aktywności jakim poddawany jest obiekt, w tym wypadku przesyłka podczas transportu. W wyniku badań wysunięto obserwacje na temat możliwości wykorzystania algorytmów drzewa decyzyjnego oraz naiwnego algorytmu Bayes ‘a w warunkach rzeczywistych. Charakteryzowały się one bowiem największą poprawnością klasyfikacji a także największą stabilnością otrzymywanych wyników niezależnie od scenariusza testowego.

Słowa kluczowe

Uczenie maszynowe, klasyfikacja, obiekt, przesyłka, uszkodzenie.

The aim of this study was to investigate the possibility of detecting changes in the parameters of moving objects using inertial sensors. The research was conducted using prepared text files containing measurement data from an inertial sensor. For this purpose, a recording device was developed to save accelerometer data on a FLASH memory card.
An appropriate procedure for handling the read data was developed, which included data filtering using a Kalman filter and extracting key parameters such as the mean value of samples, their standard deviation, energy, and correlation. Machine learning algorithms, available as libraries in the Python programming language, were used as classifiers. A total of six classification algorithms of varying mechanisms and complexity levels were tested.
A series of test scenarios were prepared to reflect possible damages and activities that the object, in this case, a shipment during transport, might sustain. As a result of the research, observations were made regarding the possibility of using decision tree algorithms and the naive Bayes algorithm in real-world conditions. These algorithms demonstrated the highest classification accuracy and the greatest stability of the obtained results, regardless of the test scenario.

Key words

Machine learning, classification, object, parcel, damage.