ข่าว เซนเซอร์

เขียนวันที่ โดย Suthinee Kerdkaew - ไม่มีความเห็น บน HealthyPi 5 พร้อมเซนเซอร์วัดชีพจร, วัดอุณหภูมิร่างกาย, ECG, PPG, SpO₂ สามารถเชื่อมต่อ WiFi & BLE

HealthyPi 5 พร้อมเซนเซอร์วัดชีพจร, วัดอุณหภูมิร่างกาย, ECG, PPG, SpO₂ สามารถเชื่อมต่อ WiFi & BLE

Standalone Vital Sign Monitor

HealthyPi 5 เป็นแพลตฟอร์มเซนเซอร์แบบ open-source สำหรับใช้วัดชีพจรหรือข้อมูลทางชีวภาพอื่นๆ โดยใช้ไมโครคอนโทรลเลอร์ Raspberry Pi RP2040 และโมดูล WiFi & BLE ของ ESP32-C3 ที่ใช้ในการจับระบบชีพจร เช่น คลื่นไฟฟ้าหัวใจ (ECG), การหายใจ photoplethysmography (PPG), ความอิ่มตัวของออกซิเจนในเลือด (SpO₂) และวัดอุณหภูมิร่างกาย โดยมีการออกแบบใหม่ทั้งหมดของ HealthyPi v4 Raspberry Pi HAT พร้อมคุณสมบัติหลายอย่างที่เหมือนกัน, ส่วน HealthyPi 5 ยังใช้ form factor ของ Raspberry Pi HAT และสามารถเชื่อมต่อกับ Raspberry Pi SBC เพื่อวิเคราะห์ข้อมูล โดยที่การประมวลผลจะถูกจัดการโดยไมโครคอนโทรลเลอร์ dual-core Cortex-M0+ ของ RP2040 และการเชื่อมต่อผ่านโมดูลสื่อสารไร้สาย ESP32-C3 และแสดงผลข้อมูลบนหน้าจอ SPI ขนาด 3.5 นิ้ว หรือสมาร์ทโฟนผ่าน […]

เขียนวันที่ โดย Suthinee Kerdkaew - ไม่มีความเห็น บน OpenEarable : open-source hardware earable ใช้โมดูลใน Arduino Nano 33 BLE Sense

OpenEarable : open-source hardware earable ใช้โมดูลใน Arduino Nano 33 BLE Sense

TECP Open Earable open source hardware device

OpenEarable เป็น open-source hardware earable หรือ hearable อุปกรณ์สวมใส่ไว้ที่หูและใช้โมดูล u-blox NINA-B306 เหมือนกับที่ใช้ในบอร์ด Arduino Nano 33 BLE Sense นอกจากโมดูล Bluetooth LE ของ Nordic Semi nRF52840 Arm Cortex-M4 แล้ว ดีไซน์ของ OpenEarable ยังมีลำโพงและไมโครโฟนแบบอัลตร้าโซนิค (Ultrasonic), 6-axis IMU และเซนเซอร์วัดแรงดัน รวมถึงวงจรสำหรับแบตเตอรี่, ไฟ LED 2 ดวง และปุ่มกด   สเปค OpenEarable: โมดูลสื่อสารไร้สาย – โมดูล U-blox NINA-B306 ใช้ไมโครคอนโทรลเลอร์ Nordic Semi nRF52840 Arm Cortex-M4F @ 64MHz พร้อมแฟลช 1MB, RAM 256KB, การเชื่อมต่อ Bluetooth 5.0 LE Audio – ลำโพงในตัวและไมโครโฟนแบบอัลตร้าโซนิค (Knowles SPH0641LU4H-1) เซนเซอร์ STMicro LPS22HBTR เซนเซอร์วัดความดันบรรยากาศและอุณหภูมิในอากาศ […]

เขียนวันที่ โดย Kajornsak Janjam - ไม่มีความเห็น บน รีวิว : ชุดหุ่นยนต์เพื่อการศึกษา Makeblock Ultimate 2.0

รีวิว : ชุดหุ่นยนต์เพื่อการศึกษา Makeblock Ultimate 2.0

ชุดหุ่นยนต์เพื่อการศึกษา Ultimate 2.0 เป็นผลิตภัณฑ์ของบริษัท Makeblock ที่สามารถสร้างหุ่นยนต์ในรูปแบบต่างๆได้ถึง 10 แบบในชุดเดียว ใช้แพลตฟอร์ม Arduino Mega  เป็นบอร์ดสมองกลในการควบคุมชุดหุ่นยนต์ชุดนี้ มีชิ้นส่วนการสร้างกลไกต่างๆ มากถึง 550 ชิ้น และโมดูลอิเล็กทรอนิกส์อีกกว่า 12 ชนิด สามารถขับเคลื่อนมอเตอร์แบบ Encoder และ Stepping ได้ถึง 4 ตัว  อีกทั้งยังสามารถควบคุมเซอร์โวมอเตอร์ได้ 10 ตัวให้ทำงานพร้อมกันได้ อีกทั้งยังสามารถเชื่อมต่อกับบอร์ด Arduino และ Raspberry Pi ได้อีกด้วย จึงทำให้สร้างสรรค์ผลงานได้ตั้งแต่เริ่มต้นไปจนสร้างการออกแบบที่ซับซ้อนได้หลากหลาย ส่วนประกอบในชุด Makeblock Ultimate 2.0 ชิ้นส่วนโครงสร้างของชุดหุ่นยนต์ Ultimate 2.0 ทำจากอะลูมิเนียมอัลลอยด์ที่มีความแข็งแรงสูง ทำให้วัสดุมีน้ำหนักเบา แข็งแรง […]

เขียนวันที่ โดย Suthinee Kerdkaew - ไม่มีความเห็น บน รีวิว Cytron CM4 Maker Board – Part 2 : ทดสอบ NVMe SSD, RTC, Buzzer, Grove modules, ChatGPT…

รีวิว Cytron CM4 Maker Board – Part 2 : ทดสอบ NVMe SSD, RTC, Buzzer, Grove modules, ChatGPT…

Cytron CM4 Maker board Review

ใน Part 1 ได้ตรวจสอบ CM4 Maker Board สำหรับ Raspberry Pi CM4 และบูตด้วยการใส่ “MAKERDISK” microSD card Class A1 ขนาด 32GB ที่มี Raspberry Pi OS ติดตั้งอยู่ล่วงหน้า, สำหรับ Part 2 ของการรีวิว CM4 Maker เราจะใช้ NVMe SSD ขนาด 128GB ของบริษัทที่ให้มา และทดสอบคุณสมบัติอื่น ๆ ของบอร์ดรวมถึง RTC, Buzzer, โมดูล Grove จาก Seeed Studio และเข้า ChatGPT ให้ช่วยเขียนโปรแกรม Python เพื่อนำมาใช้งาน การบูต Cytron CM4 Maker Board ด้วย “MAKERDISK” NVMe SSD เริ่มจากเชื่อมต่อโมดูล Grove หลายตัวด้วยอินเทอร์เฟซ GPIO และ I2C, Raspberry Pi Camera Module 3, สาย Ethernet, RF dongle 2 ตัวสำหรับคีย์บอร์ดและเมาส์ไร้สาย, สาย HDMI เข้ากับจอภาพ และจอมอนิเตอร์ และเสียบปลั๊กอะแดปเตอร์ USB-C 5V/3.5A ที่ให้มา MAKERDISK SSD มาพร้อมกับ Raspberry P […]

เขียนวันที่ โดย Suthinee Kerdkaew - ไม่มีความเห็น บน RASynBoard บอร์ดขนาดจิ๋วใช้ชิป Renesas RA6M4 MCU พร้อม Syntiant NDP120 ML accelerator, โมดูล WiFi และ BLE, เซนเซอร์

RASynBoard บอร์ดขนาดจิ๋วใช้ชิป Renesas RA6M4 MCU พร้อม Syntiant NDP120 ML accelerator, โมดูล WiFi และ BLE, เซนเซอร์

RASynBoard

Avnet RASynBoard เป็นบอร์ดขนาดจิ๋วที่มาพร้อมคุณสมบัติมากมาย มี from factor ขนาด 30×25 มม. ใช้ชิปไมโครคอนโทรลเลอร์ Renesas RA6M4 Cortex-M33, โปรเซสเซอร์ Syntiant NDP120 Neural Decision Processor, โมดูล Wi-Fi 4 และ Bluetooth 5.1 ของ Renesas (ก่อนหน้านี้เป็น Dialog Semi) DA16600, มีเซนเซอร์ 6-axis IMU (Inertial measurement unit เป็นตัววัดความเร่ง)  และไมโครโฟนดิจิตอลของ TDK ด้วย RASynBoard มีการเสนอให้เป็นส่วนหนึ่งของ EVK (Evaluation Kit) ที่มี Core Board ที่อธิบายไว้ข้างต้น บวกกับบอร์ด IO ที่มี headers, คอนเนกเตอร์ Pmod, Header ของ MikroE Shuttle Click, microSD card slot สำหรับจัดเก็บข้อมูล และ Built-in Debugger, มีสองปุ่ม และ ไฟ LED RGB สเปค RASynBoard: ไมโครคอนโทรลเลอร์หลัก – ชิปไมโครคอนโทรลเลอร์ Renesas R […]

เขียนวันที่ โดย Suthinee Kerdkaew - ไม่มีความเห็น บน Renesas เปิดตัว MCU Arm Cortex-M33 รุ่น RA4E2 ความเร็ว 100 MHz และ RA6E2 ความเร็ว 200 MHz สำหรับอุปกรณ์สวมใส่ เซ็นเซอร์ และเครื่องใช้ไฟฟ้าในบ้าน

Renesas เปิดตัว MCU Arm Cortex-M33 รุ่น RA4E2 ความเร็ว 100 MHz และ RA6E2 ความเร็ว 200 MHz สำหรับอุปกรณ์สวมใส่ เซ็นเซอร์ และเครื่องใช้ไฟฟ้าในบ้าน

Renesas RA4E2 RA6E2

Renesas Electronics ได้เพิ่มกลุ่ม MCU ใหม่สองรุ่นลงในตระกูล RA ไมโครคอนโทรลเลอร์ (MCU) 32 บิต ด้วย RA4E2 ความเร็ว 100 MHz และ RA6E2 ความเร็ว 200 MHz Arm Cortex-M33 microcontrollers ที่ออกแบบมาสำหรับ “แอปพลิเคชันที่มีประสิทธิภาพสูง” ในแพ็คเกจขนาดเล็ก เช่น เซนเซอร์, เกมมิ่ง, อุปกรณ์สวมใส่ และเครื่องใช้ไฟฟ้าในบ้าน ไมโครคอนโทรลเลอร์ใหม่นี้มี SRAM 40 KB, flash 128 KB หรือ 256 KB และรวมอินเตอร์เฟสต่างๆ บนชิป เช่น CAN FD, USB, QSPI, SSI, และ I3C interfaces เพื่อให้เป็นทางเลือกที่ง่ายต่อการอัพเกรดสำหรับผลิตภัณฑ์ที่อ้างอิงจากสมาชิกรายอื่นๆ ของตระกูล Renesas RA รุ่น Renesas RA4E2 MCU RA4E2 และ RA6E2 เป็นกลุ่มไมโครคอนโทรลเลอร์ที่มีราคาถูกที่สุดในตระกูล RA พร้อมกับฟังก์ชั่น CAN FD ในชิป ซึ่งรุ่น RA4E2 เหมาะสำหร […]

เขียนวันที่ โดย Suthinee Kerdkaew - ไม่มีความเห็น บน Aspinity AB2 AML100 : บอร์ด Arduino Shield รองรับ Analog Machine Learning ใช้พลังงานต่ำมาก

Aspinity AB2 AML100 : บอร์ด Arduino Shield รองรับ Analog Machine Learning ใช้พลังงานต่ำมาก

Aspinity AB2 AML100 analog machine learning Arduino Shield

Aspinity AB2 AML100 เป็นบอร์ด Arduino Shield ที่ใช้ AML100 analog machine learning processor ของบริษัทฯ, เมื่อเทียบกับ digital ML processors ลดการใช้พลังงานลงถึง 95 เปอร์เซ็นต์ และบอร์ด Shield นี้สามารถใช้งานกับ Renesas Quick-Connect IoT platform หรือแพลตฟอร์มการพัฒนาอื่น ๆ ที่มี Arduino Uno Rev3 headers ได้ บริษัทฯ ได้กล่าวว่าตัวประมวลผล AML100 analog machine learning processor ใช้พลังงานเพียง 15µA สำหรับการเชื่อมต่อเซนเซอร์, การประมวลผลสัญญาณและการตัดสินใจ และการทำงานของตัวประมวลผลนี้จะเกิดขึ้นภายในโดเมนแอนะล็อกเพื่อลดภาระของด้านไมโครคอนโทรลเลอร์ ซึ่งทำให้ไมโครคอนโทรลเลอร์สามารถอยู่ในสถานะพลังงานต่ำสุดได้จนกว่าจะมีเหตุการณ์/ภาวะผิดปกติเกิดขึ้น สเปคของ Aspinity AB2 AML100 Arduino Shield : ชิป ML – ชิป Aspinity […]

เขียนวันที่ โดย Suthinee Kerdkaew - ไม่มีความเห็น บน Arduino Nano 33 BLE Sense Rev2 เปลี่ยนเซนเซอร์ IMU เป็นชิป BMI270 และ BMM150, เซนเซอร์ HS3003 อุณหภูมิและความชื้น

Arduino Nano 33 BLE Sense Rev2 เปลี่ยนเซนเซอร์ IMU เป็นชิป BMI270 และ BMM150, เซนเซอร์ HS3003 อุณหภูมิและความชื้น

Arduino Nano 33 BLE Sense Rev2

Arduino Nano 33 BLE Sense Rev2 รุ่นใหม่เป็นการปรับปรุงของ Arduino Nano 33 BLE Sense บอร์ด Machine learning โดยมีฟังก์ชันพื้นฐานเดียวกันแต่มีการเปลี่ยนแปลงเซนเซอร์บางอย่างรวมถึงการปรับปรุงเพิ่มเติมเพื่อเพิ่มประสิทธิภาพในการใช้งานของผู้ใช้งาน การเปลี่ยนแปลงหลักคือ เซนเซอร์ IMU 9 แกนของ STMicro LSM9DS1 ถูกแทนที่ด้วย IMU 2 เซนเซอร์จาก Bosch SensorTech ได้แก่ชิป BMI270 6-axis accelerometer และ gyroscope, และชิป BMM150 3-axis magnetometer, เซนเซอร์อุณหภูมิและความชื้น STMicro HTS221 แทนที่ด้วย Renesas HS3003  และไมโครโฟน MP34DT05 แทนที่ด้วย MP34DT06JTR ชิ้นส่วนเซนเซอร์ที่ถูกแทนที่ทั้งหมดเป็นของ STMicro ดังนั้นจึงค่อนข้างเป็นไปได้ที่การปรับปรุงบอร์ดครั้งที่สองนั้นส่วนใหญ่จะเป็นไปเพื่อแก้ไขปัญหาาการจัดหาวัสดุในการผลิต ส […]

Exit mobile version