![\"\"](\"https:\/\/hub.imt-atlantique.fr\/fablab\/wp-content\/uploads\/archives\/2020\/12\/photo1.png\")
<\/a><\/p>\n<\/p>\n
Pour le moment, notre premier prototype consiste en la partie stylo et traitement des donn\u00e9es. Nous allons d\u00e9sormais d\u00e9crire ce prototype : pour ce faire, nous verrons dans un premier temps la partie Hardware plus en d\u00e9tail, puis nous nous attarderons sur la partie Software.<\/p>\n
Le Hardware en d\u00e9tail<\/h3>\n
Pour notre prototype, nous avons imprimer en 3D un support de bague pour le stylo, sur lequel nous positionnons le capteur IMU : une photo de ce support est pr\u00e9sente ci-dessous.<\/p>\n
Ce capteur IMU MPU-9250\u00a0est reli\u00e9 \u00e0 une carte Arduino UNO. Cette derni\u00e8re est aliment\u00e9e par une pile et est connect\u00e9e \u00e0 un module de transmission Bluetooth HC-05 BT qui permet de transmettre par Bluetooth les donn\u00e9es r\u00e9colt\u00e9es \u00e0 l\u2019ordinateur. Le montage est sch\u00e9matis\u00e9 ci-dessous.<\/p>\n <\/p>\n Pour ce prototype, nous avons choisi de traiter les donn\u00e9es selon la m\u00eame logique que le traitement de la reconnaissance des caract\u00e8res, aujourd\u2019hui bien document\u00e9e et pr\u00e9sentant des bases de donn\u00e9es tr\u00e8s compl\u00e8tes. Pour ce faire il nous faut obtenir les positions occup\u00e9es par le stylo au cours du mouvement de mani\u00e8re tr\u00e8s pr\u00e9cise, afin de pouvoir recr\u00e9er une image virtuelle de trac\u00e9 de l\u2019utilisateur. Cela n\u00e9cessite un pr\u00e9-traitement des donn\u00e9es afin de limiter le bruit pr\u00e9sents pour chaque mesure de capteurs. Une fois cette image obtenue, il faut alors entra\u00eener un r\u00e9seau de neurones de la m\u00eame mani\u00e8re que pour le traitement d\u2019images, afin de restituer les caract\u00e8res comme souhait\u00e9s. Le graphique ci-dessous d\u00e9crit de mani\u00e8re d\u00e9taill\u00e9e le processus de traitement des donn\u00e9es.<\/p>\n <\/p>\n Pour notre prototype, nous avons d\u00e9velopp\u00e9 un code qui permet d\u2019effectuer toutes les \u00e9tapes de ce traitement \u00e0 l\u2019exception du bloc \u201cConversion ASCII\u201d. Le code de cette solution est disponible sur le repository GitHub suivant : https:\/\/github.com\/sean-bnms\/CoOCPen.git<\/u><\/a><\/p>\n En appliquant cette solution, nous avons pu reconstituer un trait vertical et un trait horizontal. Cependant, d\u00e8s lors d\u00e8s qu\u2019il a s\u2019agit de formes plus complexe, telle qu\u2019un carr\u00e9 ou un cercle, l\u2019image reconstitu\u00e9e n\u2019\u00e9tait pas satisfaisante, ce qui s\u2019explique notamment par les impr\u00e9cisions des m\u00e9thodes de double int\u00e9gration de l\u2019acc\u00e9l\u00e9ration notamment utilis\u00e9es pour obtenir la position de la mine.<\/p>\n 2 possibilit\u00e9s sont d\u00e9sormais possibles : soit am\u00e9liorer la pr\u00e9cision de ce processus de double int\u00e9gration, soit se tourner vers une solution impliquant de l\u2019apprentissage profond directement en sortie des capteurs par le biais d\u2019un r\u00e9seau de neurones. Nous pensons que cette deuxi\u00e8me option est la plus prometteuse. Nous avons donc commenc\u00e9 \u00e0 entra\u00eener un r\u00e9seau de neurones sur la reconnaissance des chiffres 0, 1 et 2. L\u2019id\u00e9e est d\u2019impl\u00e9menter par la suite ce r\u00e9seau entra\u00een\u00e9 directement sur une carte Arduino Nano 33 BLE, ce qui permettrait d\u2019obtenir une r\u00e9ponse plus rapide sans passer par un appel \u00e0 un API : nous estimons que cela permettrait une exp\u00e9rience utilisateur plus fluide. Pour le moment, cette solution n\u2019a pas pu \u00eatre assez pouss\u00e9e pour obtenir des r\u00e9sultats convaincants, faute de temps. Ci-dessous une photo du montage utilis\u00e9 pour obtenir les premiers \u00e9chantillons utilis\u00e9s pour entra\u00eener le r\u00e9seau de neurones.<\/p>\n<\/a><\/p>\n<\/a><\/p>\nLe software en d\u00e9tail<\/h3>\n
<\/a><\/p>\nConstats & Perspectives<\/h3>\n