ML Business Card

ภาพรวมโปรเจค

ML Business Card เป็นนามบัตรอิเล็กทรอนิกส์ที่ออกแบบให้มีขนาดเท่ากับนามบัตรมาตรฐาน (85.6 × 53.98 mm) แต่บรรจุเทคโนโลยีขั้นสูงไว้ภายใน สามารถเสียบเข้า USB Port ของคอมพิวเตอร์และทำงานได้ทันที

🎯 จุดเด่นของโปรเจค

🤖 TinyML

รัน Machine Learning Model บนชิป RP2040 ด้วย TensorFlow Lite Micro สำหรับ Audio Classification

🎤 Audio Processing

มี MEMS Microphone สำหรับรับเสียงและประมวลผลแบบ Real-time

💡 LED Display

LED หลายดวงแสดงผลการทำงานของ ML Model อย่างสวยงาม

🔌 USB-C

เสียบเข้า USB-C Port ได้เลย ไม่ต้องใช้สายเพิ่ม พร้อม Flash Storage

💡 แนวคิดและแรงบันดาลใจ

แนวคิดของโปรเจคนี้มาจากการต้องการสร้างนามบัตรที่ไม่ธรรมดา แทนที่จะเป็นกระดาษที่มีแค่ชื่อและเบอร์โทร ทำไมไม่ทำให้มันเป็น "Interactive Demo" ที่แสดงความสามารถด้าน Embedded AI ได้เลย?

นามบัตรนี้สามารถ:

รับเสียง - ผ่าน MEMS Microphone
ประมวลผล - ด้วย Neural Network บน RP2040
แสดงผล - ผ่าน LED ที่สวยงาม
เชื่อมต่อ - เสียบ USB-C เข้าคอมพิวเตอร์ได้เลย

🔧 ข้อมูลทางเทคนิค

MCU: RP2040 (Dual-core ARM Cortex-M0+ @ 133 MHz)
Memory: 264 KB SRAM + 2 MB Flash
Microphone: MEMS Digital Microphone
LEDs: Multiple RGB/Single-color LEDs
Interface: USB-C (Data + Power)
Size: 85.6 × 53.98 mm (Business Card Standard)
ML Framework: TensorFlow Lite Micro

💡 ทำไมต้องใช้ RP2040?

RP2040 เป็นตัวเลือกที่ดีเยี่ยมสำหรับ TinyML เพราะ:

✅ มี Dual-core ทำงานได้เร็ว (133 MHz)
✅ RAM เยอะพอสำหรับ Neural Network (264 KB)
✅ ราคาถูก (~$1 ต่อชิป)
✅ มี USB Native Support
✅ Community และ Library เยอะ

นามบัตรพร้อม USB-C Connector ที่เสียบเข้าคอมพิวเตอร์ได้เลย

Hardware Design

การออกแบบฮาร์ดแวร์ของนามบัตรนี้ต้องคำนึงถึงหลายปัจจัย ทั้งขนาด, การใช้งาน และความสวยงาม

🧠 RP2040 - สมองหลัก

RP2040 เป็น Microcontroller ที่ออกแบบโดย Raspberry Pi Foundation มีคุณสมบัติที่เหมาะสำหรับ TinyML:

Dual-core ARM Cortex-M0+ - ทำงานได้ 133 MHz
264 KB SRAM - เพียงพอสำหรับ Neural Network ขนาดเล็ก
30 GPIO Pins - ต่อ Peripheral ได้เยอะ
USB 1.1 Controller - ไม่ต้องใช้ USB-to-Serial Chip เพิ่ม
PIO (Programmable I/O) - สร้าง Protocol แปลกๆ ได้

🎤 MEMS Microphone

ใช้ MEMS (Micro-Electro-Mechanical Systems) Microphone แบบ Digital Output เช่น:

PDM (Pulse Density Modulation) - Output แบบ Digital
I2S Interface - เชื่อมต่อกับ RP2040 ผ่าน I2S
ขนาดเล็ก - ประมาณ 3.5 × 2.6 mm
Sensitivity สูง - จับเสียงได้ดีในระยะใกล้

วงจร MEMS Microphone ใน KiCad

💡 LED System

LED ใช้แสดงผลการทำงานของ ML Model แบบ Real-time:

RGB LEDs - แสดงสีต่างๆ ตามผลการจำแนก
Single-color LEDs - แสดงสถานะการทำงาน
PWM Control - ปรับความสว่างได้
Pattern Animation - สร้าง Effect สวยงาม

วงจร LED ชุดที่ 1

วงจร LED ชุดที่ 2

🔌 USB-C Interface

USB-C Connector ออกแบบให้เสียบเข้า USB Port ได้โดยตรง:

USB 2.0 Data Lines - D+ และ D- เชื่อมต่อกับ RP2040
Power (5V) - รับไฟจาก USB Host
CC Pins - ใช้ Resistor ตั้งค่าเป็น USB Device
ESD Protection - ป้องกันไฟฟ้าสถิต

วงจร USB-C Interface ใน KiCad

💾 Flash Memory

ใช้ External Flash สำหรับเก็บ:

Firmware - โปรแกรมหลัก
ML Model - Neural Network Weights
Audio Samples - ข้อมูลเสียงสำหรับทดสอบ

วงจร Flash Memory ใน KiCad

⚠️ ข้อควรระวังในการออกแบบ:

ขนาด PCB ต้องไม่เกิน 85.6 × 53.98 mm (มาตรฐานนามบัตร)
USB-C Connector ต้องอยู่ขอบ PCB เพื่อเสียบได้
Component ต้องเป็น SMD ขนาดเล็ก (0402, 0603)
ต้องมี Decoupling Capacitor ใกล้ๆ RP2040
USB Data Lines ต้อง Match Impedance (90Ω Differential)

PCB Design Process

การออกแบบ PCB สำหรับนามบัตรนี้ใช้ KiCad ซึ่งเป็น Open-source PCB Design Software

📐 Schematic Design

Schematic ทั้งหมดของ ML Business Card ใน KiCad

Schematic แบ่งออกเป็นส่วนหลักๆ:

Power Supply - รับ 5V จาก USB แปลงเป็น 3.3V ด้วย LDO
RP2040 Core - MCU พร้อม Crystal และ Decoupling Caps
USB Interface - USB-C Connector พร้อม ESD Protection
Flash Memory - QSPI Flash สำหรับเก็บโปรแกรม
Microphone - MEMS Mic พร้อม I2S Interface
LEDs - RGB และ Single-color LEDs
Programming Interface - SWD Pads สำหรับ Debug

🎨 PCB Layout

PCB Layout ใน KiCad - แสดง Component Placement

การวาง Component บน PCB:

USB-C Connector - อยู่ขอบด้านบนเพื่อเสียบได้
RP2040 - อยู่ตรงกลาง PCB
Flash - ใกล้ๆ RP2040 เพื่อลด Trace Length
Microphone - อยู่ด้านหน้า PCB เพื่อรับเสียงได้ดี
LEDs - กระจายรอบๆ PCB เพื่อความสวยงาม

✂️ PCB Cutout

PCB พร้อม Cutout สำหรับ USB-C Connector

มี Cutout (ช่องว่าง) ที่ขอบ PCB เพื่อให้ USB-C Connector เสียบเข้า USB Port ได้ลึกพอ

🎨 Silkscreen Design

Silkscreen (ตัวอักษรบน PCB) ออกแบบให้สวยงามและมีข้อมูล:

ชื่อ-นามสกุล - ข้อมูลส่วนตัว
ตำแหน่งงาน - เช่น "Embedded AI Engineer"
ข้อมูลติดต่อ - Email, Website, GitHub
Logo - โลโก้ส่วนตัวหรือบริษัท
QR Code - ลิงก์ไปยัง Portfolio

🔧 PCB Specifications

Layers: 4 Layers (Top, GND, Power, Bottom)
Thickness: 1.6 mm
Copper Weight: 1 oz (35 µm)
Min Trace Width: 0.15 mm
Min Clearance: 0.15 mm
Via Size: 0.3 mm drill, 0.6 mm pad
Surface Finish: ENIG (Gold) หรือ HASL
Solder Mask: สีดำหรือสีเขียว

💡 Tips สำหรับ PCB Design:

✅ ใช้ Ground Plane เต็มพื้นที่เพื่อลด Noise
✅ USB Data Lines ต้อง Match Length และ Impedance
✅ Decoupling Caps ต้องใกล้ๆ Power Pins
✅ High-speed Signals (QSPI) ต้องสั้นและ Match Length
✅ ใช้ Via Stitching รอบๆ High-speed Signals
✅ Microphone ต้องมี Acoustic Port (รูบน PCB)

Machine Learning

หัวใจสำคัญของโปรเจคนี้คือการรัน Machine Learning Model บนนามบัตร ใช้ TensorFlow Lite Micro

🧠 TinyML คืออะไร?

TinyML (Tiny Machine Learning) คือการรัน Machine Learning บนอุปกรณ์ขนาดเล็กที่มีทรัพยากรจำกัด เช่น Microcontroller

ข้อดีของ TinyML:

✅ Low Latency - ประมวลผลแบบ Real-time ไม่ต้องส่งข้อมูลไป Cloud
✅ Privacy - ข้อมูลไม่ออกจากอุปกรณ์
✅ Low Power - ใช้ไฟน้อย เหมาะกับ Battery-powered
✅ No Internet - ทำงานได้โดยไม่ต้องต่อ Internet

🎯 Audio Classification Task

โปรเจคนี้ใช้ ML สำหรับ Audio Classification - จำแนกเสียงที่ได้ยินว่าเป็นเสียงอะไร เช่น:

🗣️ Speech - เสียงพูด
👏 Clap - เสียงปรบมือ
🎵 Music - เสียงดนตรี
🔇 Silence - เงียบ

📊 Model Architecture

ใช้ Neural Network แบบ Convolutional Neural Network (CNN) ขนาดเล็ก:

        Model Architecture: Input: Spectrogram (32x32 pixels) ↓ Conv2D (16 filters, 3x3) + ReLU ↓ MaxPooling (2x2) ↓ Conv2D (32 filters, 3x3) + ReLU ↓ MaxPooling (2x2) ↓ Flatten ↓ Dense (64 units) + ReLU ↓ Dense (4 units) + Softmax ↓ Output: [Speech, Clap, Music, Silence] Total Parameters: ~50,000 Model Size: ~200 KB
       

🔄 Audio Processing Pipeline

ขั้นตอนการประมวลผลเสียง:

Audio Capture - รับเสียงจาก MEMS Mic ผ่าน I2S (16 kHz, 16-bit)
Windowing - แบ่งเสียงเป็น Frame ขนาด 1 วินาที
FFT - แปลงเป็น Frequency Domain
Mel Spectrogram - สร้าง Spectrogram แบบ Mel Scale
Normalization - ปรับค่าให้อยู่ในช่วง 0-1
Inference - ป้อนเข้า Neural Network
Post-processing - เลือก Class ที่มี Confidence สูงสุด

💻 TensorFlow Lite Micro

TensorFlow Lite Micro เป็น Framework สำหรับรัน TensorFlow Model บน Microcontroller:

        #include "tensorflow/lite/micro/micro_interpreter.h" #include "tensorflow/lite/micro/micro_mutable_op_resolver.h" #include "model_data.h" // Converted model // สร้าง Interpreter tflite::MicroInterpreter* interpreter; TfLiteTensor* input; TfLiteTensor* output; // Tensor Arena (Memory สำหรับ Inference) constexpr int kTensorArenaSize = 60 * 1024; // 60 KB uint8_t tensor_arena[kTensorArenaSize]; void setup_ml() { // Load Model const tflite::Model* model = tflite::GetModel(g_model_data); // สร้าง Op Resolver static tflite::MicroMutableOpResolver<5> resolver; resolver.AddConv2D(); resolver.AddMaxPool2D(); resolver.AddFullyConnected(); resolver.AddReshape(); resolver.AddSoftmax(); // สร้าง Interpreter static tflite::MicroInterpreter static_interpreter( model, resolver, tensor_arena, kTensorArenaSize); interpreter = &static_interpreter; // Allocate Memory interpreter->AllocateTensors(); // Get Input/Output Tensors input = interpreter->input(0); output = interpreter->output(0); } int classify_audio(float* spectrogram) { // Copy Input for (int i = 0; i < 32*32; i++) { input->data.f[i] = spectrogram[i]; } // Run Inference TfLiteStatus invoke_status = interpreter->Invoke(); if (invoke_status != kTfLiteOk) { return -1; } // Get Output float max_score = 0; int max_index = 0; for (int i = 0; i < 4; i++) { if (output->data.f[i] > max_score) { max_score = output->data.f[i]; max_index = i; } } return max_index; // 0=Speech, 1=Clap, 2=Music, 3=Silence }
       

🎓 Model Training Process:

Data Collection - รวบรวมเสียงตัวอย่าง (Dataset)
Preprocessing - แปลงเป็น Spectrogram
Training - Train Model ด้วย TensorFlow/Keras
Quantization - แปลงเป็น INT8 เพื่อลดขนาด
Conversion - แปลงเป็น TFLite Micro Format
Deployment - Flash ลง RP2040

⚡ Performance

Inference Time: ~100 ms ต่อ Frame
Accuracy: ~85-90% (ขึ้นกับ Dataset)
Memory Usage: ~60 KB RAM, ~200 KB Flash
Power Consumption: ~50 mA @ 3.3V
Latency: < 200 ms (Real-time)

Assembly & Soldering

หลังจากได้ PCB มาแล้ว ต้องประกอบ Component ทั้งหมด ซึ่งเป็น SMD ขนาดเล็ก

🛠️ อุปกรณ์ที่ต้องใช้

Soldering Iron - หัวแร้งขนาดเล็ก (0.5-1 mm tip)
Solder Wire - ตะกั่วขนาด 0.5 mm
Flux - ช่วยให้ตะกั่วไหลดีขึ้น
Tweezers - หยิบ Component ขนาดเล็ก
Magnifying Glass - แว่นขยายหรือกล้อง
Multimeter - ตรวจสอบวงจร
Hot Air Station - (Optional) สำหรับ Reflow

📋 ขั้นตอนการประกอบ

เตรียม PCB - ทำความสะอาด PCB ด้วย Isopropyl Alcohol
Apply Solder Paste - (ถ้าใช้ Reflow) ทา Solder Paste บน Pads
Place Components - วาง Component ตามตำแหน่ง เริ่มจากตัวเล็กสุด (0402)
Solder RP2040 - บัดกรี RP2040 (QFN Package) ด้วย Hot Air หรือ Reflow Oven
Solder Passives - บัดกรี Resistor, Capacitor ทั้งหมด
Solder ICs - บัดกรี Flash, LDO และ IC อื่นๆ
Solder Connectors - บัดกรี USB-C Connector
Solder LEDs - บัดกรี LED ทั้งหมด
Inspection - ตรวจสอบด้วยแว่นขยาย หา Short Circuit
Testing - ทดสอบวงจรด้วย Multimeter

ขั้นตอนการบัดกรี Component บน PCB

⚠️ ข้อควรระวังในการบัดกรี:

RP2040 เป็น QFN Package มี Thermal Pad ใต้ชิป ต้องใช้ Hot Air หรือ Reflow
USB-C Connector มี Pin เยอะและใกล้กัน ระวัง Short Circuit
Component ขนาด 0402 เล็กมาก ต้องใช้ Tweezers และแว่นขยาย
ใช้ Flux ช่วยให้ตะกั่วไหลดีขึ้น
อย่าให้ความร้อนนานเกินไป Component อาจเสียหาย
ตรวจสอบ Polarity ของ LED และ Capacitor

🔍 Testing & Debugging

หลังจากบัดกรีเสร็จ ต้องทดสอบวงจร:

Visual Inspection - ดูด้วยตาว่ามี Short หรือ Cold Joint หรือไม่
Continuity Test - ใช้ Multimeter ตรวจสอบ Short Circuit
Power Test - เสียบ USB ดูว่า 3.3V ออกมาหรือไม่
LED Test - ทดสอบ LED ทีละดวง
Programming Test - ลอง Flash Firmware ดู

นามบัตรเสียบเข้า USB Port พร้อมใช้งาน

Programming & Demo

หลังจากประกอบเสร็จ ต้อง Flash Firmware ลงไปใน RP2040

💻 Development Environment

ใช้ Pico SDK สำหรับเขียนโปรแกรม:

Pico SDK - Official SDK จาก Raspberry Pi
CMake - Build System
GCC ARM - Compiler
TensorFlow Lite Micro - ML Framework
VS Code - IDE

📝 Main Program Structure

        #include "pico/stdlib.h" #include "hardware/i2s.h" #include "hardware/pwm.h" #include "ml_inference.h" // Audio Buffer #define SAMPLE_RATE 16000 #define FRAME_SIZE 16000 // 1 second int16_t audio_buffer[FRAME_SIZE]; // LED Pins const uint LED_PINS[] = {2, 3, 4, 5, 6, 7}; const int NUM_LEDS = 6; void setup_leds() { for (int i = 0; i < NUM_LEDS; i++) { gpio_init(LED_PINS[i]); gpio_set_dir(LED_PINS[i], GPIO_OUT); } } void show_classification(int class_id) { // แสดงผลบน LED ตาม Class for (int i = 0; i < NUM_LEDS; i++) { gpio_put(LED_PINS[i], i == class_id); } } void setup_audio() { // ตั้งค่า I2S สำหรับ Microphone i2s_config_t config = { .sample_rate = SAMPLE_RATE, .bits_per_sample = 16, .channel_format = I2S_CHANNEL_FMT_ONLY_LEFT }; i2s_driver_install(I2S_NUM_0, &config); } int main() { stdio_init_all(); setup_leds(); setup_audio(); setup_ml(); // จาก ml_inference.h printf("ML Business Card Ready!\n"); while (1) { // 1. Capture Audio capture_audio(audio_buffer, FRAME_SIZE); // 2. Preprocess (FFT + Mel Spectrogram) float spectrogram[32*32]; compute_spectrogram(audio_buffer, spectrogram); // 3. Run ML Inference int class_id = classify_audio(spectrogram); // 4. Show Result const char* labels[] = { "Speech", "Clap", "Music", "Silence" }; printf("Detected: %s\n", labels[class_id]); show_classification(class_id); sleep_ms(100); } return 0; }
       

🎬 Demo Scenarios

ตัวอย่างการใช้งาน:

🗣️ Speech Detection

พูดเข้าไปที่นามบัตร LED จะสว่างแสดงว่าตรวจจับเสียงพูดได้

👏 Clap Detection

ปรบมือ LED จะกระพริบแสดงว่าตรวจจับเสียงปรบมือได้

🎵 Music Detection

เปิดเพลง LED จะเต้นตามจังหวะเพลง

🔇 Silence Detection

เงียบ LED จะดับหรือสว่างเบาๆ

🔧 Flashing Firmware

วิธี Flash Firmware ลง RP2040:

Build Firmware - Compile โปรแกรมเป็นไฟล์ .uf2
Enter Bootloader Mode - กด BOOTSEL Button แล้วเสียบ USB
Copy UF2 File - Copy ไฟล์ .uf2 ไปยัง RPI-RP2 Drive
Auto Reboot - RP2040 จะ Reboot และรันโปรแกรมอัตโนมัติ

        # Build Commands mkdir build cd build cmake .. make # Output: ml_business_card.uf2 # Copy to RPI-RP2 drive
       

💡 Tips สำหรับ Demo:

✅ ทดสอบในที่เงียบก่อน เพื่อให้ Model ทำงานได้ดี
✅ ใช้ LED Pattern ที่สวยงามและเข้าใจง่าย
✅ เพิ่ม Serial Output เพื่อ Debug
✅ ทำ Calibration สำหรับ Microphone Gain
✅ เพิ่ม Smoothing เพื่อลด Jitter ของผลลัพธ์

Applications และการประยุกต์ใช้

นอกจากใช้เป็นนามบัตรแล้ว ยังสามารถประยุกต์ใช้ในหลายด้าน:

💼 Professional Use

Portfolio Demo - แสดงความสามารถด้าน Embedded AI
Job Interview - นำไปสัมภาษณ์งานเป็น Portfolio
Conference Badge - ใช้ในงาน Conference แทนนามบัตรธรรมดา
Tech Demo - Demo ให้ลูกค้าหรือนักลงทุน

🎓 Education

TinyML Workshop - สอน Machine Learning บน Microcontroller
PCB Design Course - สอนการออกแบบ PCB
Embedded Systems - โปรเจคสำหรับนักศึกษา
Audio Processing - สอน DSP และ Audio Classification

🔬 Research

Edge AI Research - วิจัย ML บนอุปกรณ์ขนาดเล็ก
Audio Analysis - วิจัยการวิเคราะห์เสียง
Low-power ML - วิจัย ML ที่ประหยัดพลังงาน
Sensor Fusion - รวม Audio กับ Sensor อื่นๆ

🎨 Creative Projects

Interactive Art - ศิลปะที่ตอบสนองต่อเสียง
Music Visualizer - แสดงผล LED ตามเพลง
Sound-reactive Wearable - อุปกรณ์สวมใส่ที่ตอบสนองเสียง
Smart Badge - Badge อัจฉริยะสำหรับงานอีเวนต์

🚀 โปรเจคต่อยอด

🎙️ Voice Command

เพิ่ม Keyword Spotting เพื่อรับคำสั่งเสียง เช่น "Hey Card"

📱 Bluetooth

เพิ่ม BLE เชื่อมต่อกับมือถือ ส่งข้อมูลแบบ Wireless

🔋 Battery Powered

เพิ่มแบตเตอรี่ขนาดเล็ก ทำงานได้โดยไม่ต้องเสียบ USB

📊 Data Logging

บันทึกข้อมูลเสียงลง Flash เพื่อวิเคราะห์ภายหลัง

🌐 IoT Integration

เชื่อมต่อกับ IoT Platform ส่งข้อมูลไป Cloud

🎮 Game Controller

ใช้เสียงควบคุมเกม เช่น เป่าเพื่อกระโดด

🎯 ทำไมต้องทำโปรเจคนี้?

✅ Unique - นามบัตรที่ไม่เหมือนใคร
✅ Impressive - สร้างความประทับใจได้ทันที
✅ Educational - เรียนรู้ได้หลายอย่าง (PCB, ML, Embedded)
✅ Portfolio - เป็น Portfolio ที่แข็งแกร่ง
✅ Conversation Starter - เป็นหัวข้อคุยที่น่าสนใจ

💰 ประมาณการค่าใช้จ่าย

PCB Manufacturing: ~$50-100 (10 pieces)
Components: ~$10-15 per card
Assembly: DIY หรือ ~$20-30 per card
Total per card: ~$15-25 (DIY) หรือ ~$35-45 (Assembly Service)

* ราคาถูกลงถ้าสั่งจำนวนมาก

Official Raspberry Pi 5 | บอร์ดคอมพิวเตอร์ขนาดเล็กรุ่นใหม่ล่าสุด

Official Raspberry Pi 5 Set

Official Raspberry Pi 4 4GB Set

Raspberry Pi 4 Model B ขายบอร์ดคอมพิวเตอร์ของแท้ คุณภาพดี

ML Business Card — นามบัตรที่รัน Machine Learning ได้จริง!