โปรเจกต์ การทำ Cricket Shot Recognition โดยใช้ Arduino UNO EK R4 Wi-Fi, ADXL345 และ Edge Impulse

Cricket Shot Recognition โดยใช้ Arduino UNO R4 Wi-Fi, ADXL345 และ Edge Impulse

เอกสารนี้แสดงขั้นตอนการทำงานทั้งหมดในการสร้างระบบจำแนกท่าทางการตีคริกเก็ต (Cricket shot recognition)

โดยใช้ Arduino UNO R4 Wi-Fi ร่วมกับ ADXL345 Accelerometer และ Edge Impulse Studio โปรเจกต์นี้ประกอบด้วยการเก็บข้อมูลจาก Accelerometer, การฝึกสอน Machine Learning model และ

การนำ Model ที่ฝึกเสร็จแล้วกลับมาติดตั้งบน Arduino เพื่อทำการจำแนกท่าทาง (Shot classification) แบบ Real-time

ท่าทางการตีคริกเก็ตที่ใช้ในโปรเจกต์นี้:

- Cover Drive

- Straight Drive

- Pull Shot

ขั้นตอนที่ 1: อุปกรณ์ Hardware ที่ต้องใช้

- Arduino UNO R4 WiFi

- ADXL345 Accelerometer (I2C)

- สาย Jumper

- Breadboard (ไม่บังคับ)

- สาย USB Type-C

ขั้นตอนที่ 2: ซอฟต์แวร์ที่ต้องใช้

- Arduino IDE (เวอร์ชันล่าสุด)

- บัญชี Edge Impulse Studio (สมัครฟรี)

- Edge Impulse CLI tools (ต้องติดตั้ง Node.js)

- Adafruit ADXL345 library

ขั้นตอนที่ 3: การต่อวงจร ADXL345

เชื่อมต่อ Sensor ADXL345 เข้ากับ Arduino UNO R4 WiFi ดังนี้:

VCC → 3.3V

GND → GND

SDA → SDA (A4)

SCL → SCL (A5)

CS → 3.3V (ไม่บังคับ สำหรับโหมด I2C)

SDO → ปล่อยว่าง หรือต่อ GND

ขั้นตอนที่ 4: เตรียม IDE ให้พร้อมสำหรับ Sensor

วิธีการติดตั้ง Sensor Libraries ใน Arduino IDE

เปิด Arduino IDE

ไปที่ Tools → Manage Libraries… และติดตั้ง: Adafruit ADXL345 Unified, Adafruit Unified

Sensor

(หากคุณใช้ LSM6DSO หรือ MPU6050 แทน ให้ติดตั้ง SparkFun LSM6DSO, Adafruit LSM6DS

หรือ MPU6050 ตามความเหมาะสม)

ขั้นตอนที่ 5: Arduino Sketch สำหรับการเก็บข้อมูล

อัปโหลด Sketch นี้ไปยัง Arduino UNO R4 Wi-Fi ของคุณ ซึ่งจะส่งข้อมูล Accelerometer ในรูปแบบ CSV

(x,y,z) ที่ความถี่ประมาณ 18 Hz สำหรับ Edge Impulse

#include <Wire.h>

#include <Adafruit_ADXL345_U.h>

Adafruit_ADXL345_Unified accel =

Adafruit_ADXL345_Unified(12345);

void setup() {

Serial.begin(115200);

if (!accel.begin()) {

Serial.println("No ADXL345 detected");

while (1);

}

accel.setRange(ADXL345_RANGE_4_G);

}

void loop() {

sensors_event_t e;

accel.getEvent(&e);

Serial.print(e.acceleration.x);

Serial.print(",");

Serial.print(e.acceleration.y);

Serial.print(",");

Serial.println(e.acceleration.z);

delay(55); // ~18 Hz

}

1. ตั้งค่า Edge Impulse

ขั้นตอนที่ 6: การเชื่อมต่อกับ Edge Impulse

1. ปิด Arduino Serial Monitor

2. รันคำสั่ง:

edge-impulse-data-forwarder --frequency 18

3. ใส่ชื่อแกน (axis): accX, accY, accZ

4. ตั้งชื่ออุปกรณ์: Arduino-Cricket-Board

5. ยืนยันการเชื่อมต่อใน Edge Impulse Studio ภายใต้เมนู 'Devices'

ขั้นตอนที่ 7: การเก็บข้อมูล (Data Collection)

ใน Edge Impulse Studio → Data acquisition:

- Device: Arduino-Cricket-Board

- Sensor: Accelerometer (3 axes)

- Sample length: 2000 ms (2 วินาที)

- Frequency: 18 Hz

บันทึกตัวอย่างอย่างน้อย 40 ตัวอย่างต่อหนึ่งหมวดหมู่ (Class):

- Cover Drive

- Straight Drive

- Pull Shot

ตัวอย่างการเก็บข้อมูล

Cover Drive

Device: Arduino-Cricket-Board

Label: Cover Drive

Sensor: Sensor with 3 axes (accX, accY, accZ)

Sample length: 10000ms

Frequency: 18 Hz

ตัวอย่างข้อมูลดิบ (Raw Data):

accX -0.32

accY 9.61

accZ -0.12

Straight Drive

Device: Arduino-Cricket-Board

Label: Straight Drive

Sensor: Sensor with 3 axes (accX, accY, accZ)

Sample length: 10000ms

Frequency: 18 Hz

ตัวอย่างข้อมูลดิบ (Raw Data):

accX 1.24

accY 8.93

accZ -0.42

Pull Shot

Device: Arduino-Cricket-Board

Label: Pull Shot

Sensor: Sensor with 3 axes (accX, accY, accZ)

Sample length: 10000 ms

Frequency: 18 Hz

ตัวอย่างข้อมูลดิบ (Raw Data):

accX 2.01

accY 7.84

accZ -0.63

ขั้นตอนที่ 8: การออกแบบ Impulse

ไปที่ Create impulse:

Input block: Time series data (3 axes)

Window size: 1000 ms, Window increase (stride): 200 ms, เปิดการใช้งาน: Axes, Magnitude

(ไม่บังคับ), frequency 18

Processing block: Spectral analysis (สำหรับ Spectral Features ของการเคลื่อนที่), Window size: 1000

ms, Window increase (stride): 200 ms, เปิดการใช้งาน: Axes, Magnitude (ไม่บังคับ), ใช้ค่าเริ่มต้นทั้งหมดในตอนแรก

Learning block: Classification (Keras)

คลิก Save impulse

การสร้าง Feature (Generate features):

ไปที่ Spectral analysis คลิก Save parameters จากนั้นคลิก Generate features สำหรับชุดข้อมูลฝึกสอน (Training set)

ฝึกสอน Model ขนาดเล็ก

ไปที่ Classifier (Keras) และใช้การตั้งค่าแบบประหยัดพื้นที่ เช่น:

Neural network: 1–2 dense layers (เช่น 60 → 30), ReLU

Epochs: 40–60

Learning rate: 0.001–0.005

Batch size: 32

Data split: 80/20 (train/test)

บันทึกและทำการฝึกสอนข้อมูล (Save and train)

ประเมินและตรวจสอบ Model testing ด้วยชุดข้อมูลที่แยกไว้ (Holdout set)

ตรวจสอบ Confusion matrix; หากข้อมูลแต่ละท่าทางทับซ้อนกัน ให้เก็บข้อมูลที่หลากหลายขึ้น หรือปรับ

Spectral parameters (เช่น window size / noise floor)

ขั้นตอนที่ 9: การนำไปใช้ (Deployment) บน Arduino

ไปที่ Deployment:

เลือก Arduino library (C++ library ก็สามารถใช้ได้เช่นกัน)

เปิดใช้งาน EON Compiler (ถ้ามี) เพื่อลดขนาดของ Model

ดาวน์โหลดไฟล์ .zip จากนั้นใน Arduino IDE ไปที่: Sketch → Include Library → Add .ZIP Library… วิธีนี้จะ

เพิ่มตัวอย่างเช่น Static buffer และ Continuous ภายใต้ File → Examples →

YourProjectName – Edge Impulse. Inference sketch สำหรับ Arduino UNO R4 WiFi +

ADXL345

ขั้นตอนที่ 10: Arduino Inference Sketch

#include <Wire.h>

#include <Adafruit_ADXL345_Unified.h>

#include <your_project_inference.h> // แทนที่ด้วยชื่อ Edge Impulse

header ของคุณ

Adafruit_ADXL345_Unified accel =

Adafruit_ADXL345_Unified(12345);

static bool debug_nn = false;

void setup() {

Serial.begin(115200);

while (!Serial) {}

if (!accel.begin()) {

Serial.println("ERROR: ADXL345 not detected");

while (1);

}

accel.setRange(ADXL345_RANGE_4_G);

}

void loop() {

float buffer[EI_CLASSIFIER_DSP_INPUT_FRAME_SIZE] = {0};

for (size_t ix = 0; ix < EI_CLASSIFIER_DSP_INPUT_FRAME_SIZE; ix +=

3) {

uint64_t next_tick = micros() + (EI_CLASSIFIER_INTERVAL_MS *

1000);

sensors_event_t e;

accel.getEvent(&e);

buffer[ix + 0] = e.acceleration.x;

buffer[ix + 1] = e.acceleration.y;

buffer[ix + 2] = e.acceleration.z;

int32_t wait = (int32_t)(next_tick - micros());

if (wait > 0) delayMicroseconds(wait);

}

signal_t signal;

int err = numpy::signal_from_buffer(buffer,

EI_CLASSIFIER_DSP_INPUT_FRAME_SIZE, &signal);

if (err != 0) return;

ei_impulse_result_t result = {0};

EI_IMPULSE_ERROR res = run_classifier(&signal, &result,

debug_nn);

if (res != EI_IMPULSE_OK) return;

for (size_t ix = 0; ix < EI_CLASSIFIER_LABEL_COUNT; ix++) {

ei_printf("%s: %.3f ", result.classification[ix].label,

result.classification[ix].value);

}

#if EI_CLASSIFIER_HAS_ANOMALY == 1

ei_printf("anomaly: %.3f", result.anomaly);

#endif

ei_printf("\n");

}

คำแนะนำ (Tips):

ตั้งค่า EI_CLASSIFIER_INTERVAL_MS ให้สัมพันธ์กับความถี่ของ Data forwarder ของคุณ

(เช่น 100 Hz → 10 ms). โดย Edge Impulse library จะกำหนดค่าคงที่นี้ให้โดยอัตโนมัติจาก

Impulse ของคุณ

หากคุณต้องการการตรวจจับแบบต่อเนื่อง (Sliding window) ให้เริ่มจากตัวอย่าง Continuous

ที่รวมอยู่ในไลบรารีของ EI และเปลี่ยนส่วนการอ่านค่าจาก ADXL345 เข้าไปแทน

เราจะเพิ่มวิดีโอสอนเร็วๆ นี้;

ระหว่างนี้ สามารถติดตามได้ที่ - https://www.youtube.com/@RobuInlabs

และหากคุณยังมีข้อสงสัย คุณสามารถรับชมวิดีโอนี้จาก Edge Impulse:

https://www.youtube.com/watch?v=FseGCn-oBA0&t=46