Saltar al contenido principal

Integración con Python

Esta página proporciona ejemplos prácticos de Python para trabajar con el FGA Logger — leer datos serie en vivo, guardar en CSV y cargar datos para análisis.

Dependencias:

  • pyserial — comunicación por puerto serie
  • pandas — análisis de datos (opcional, para ejemplos de análisis)

Instale con:

pip install pyserial pandas

Lectura de datos serie en vivo​

Este ejemplo conecta al FGA Logger por USB e imprime cada fila CSV entrante:

import serial

# Cambie al puerto de su sistema:
#   Windows:   'COM3', 'COM4', etc.
#   Linux:     '/dev/ttyUSB0'
#   macOS:     '/dev/tty.usbserial-XXXX'
PORT = 'COM3'
BAUD = 115200  # Ajuste para coincidir con la configuración serie de su FGA Logger

def read_logger(port, baud):
    with serial.Serial(port, baud, timeout=2) as ser:
        print(f"Connected to {port} at {baud} baud")
        print("Waiting for data...\n")

        while True:
            line = ser.readline().decode('utf-8', errors='replace').strip()
            if line:
                print(line)

if __name__ == '__main__':
    read_logger(PORT, BAUD)

Guardar datos serie en CSV​

Este ejemplo lee del FGA Logger y guarda todas las filas entrantes en un archivo CSV local. La primera línea de encabezado recibida se escribe una vez; todas las filas de datos siguientes le siguen.

import serial
import csv
from datetime import datetime

PORT    = 'COM3'
BAUD    = 115200
OUTFILE = f"fga_log_{datetime.now().strftime('%Y%m%d_%H%M%S')}.csv"

# Encabezado CSV esperado del FGA Logger
EXPECTED_HEADER = [
    'Timestamp_ms', 'B1x_nT', 'B1y_nT', 'B1z_nT', 'B1v_nT',
    'B2x_nT', 'B2y_nT', 'B2z_nT', 'B2v_nT',
    'Lat_deg', 'Lon_deg', 'Alt_m', 'SIV', 'Fix', 'HDOP_m'
]

def save_to_csv(port, baud, outfile):
    header_written = False

    with serial.Serial(port, baud, timeout=5) as ser, \
         open(outfile, 'w', newline='') as f:

        writer = csv.writer(f)
        print(f"Logging to {outfile}")

        try:
            while True:
                line = ser.readline().decode('utf-8', errors='replace').strip()
                if not line:
                    continue

                fields = line.split(',')

                # Escribe el encabezado una vez (del dispositivo o nuestro encabezado esperado)
                if not header_written:
                    if fields[0] == 'Timestamp_ms':
                        writer.writerow(fields)   # Usa el encabezado del dispositivo
                    else:
                        writer.writerow(EXPECTED_HEADER)  # Usa el encabezado esperado
                        writer.writerow(fields)   # Escribe esta fila como datos
                    header_written = True
                    f.flush()
                    continue

                # Escribe filas de datos
                writer.writerow(fields)
                f.flush()
                print(f"  {line[:80]}")  # Imprime los primeros 80 caracteres para monitoreo

        except KeyboardInterrupt:
            print(f"\nLogging stopped. File saved: {outfile}")

if __name__ == '__main__':
    save_to_csv(PORT, BAUD, OUTFILE)

Cargar un archivo CSV con pandas​

Una vez que tiene un archivo CSV — ya sea de la tarjeta SD o guardado por serie — cárguelo con pandas para análisis:

import pandas as pd

CSV_FILE = 'fga_log_20240315_143022.csv'

# Carga el CSV
df = pd.read_csv(CSV_FILE)

print("Shape:", df.shape)
print("\nFirst rows:")
print(df.head())

print("\nColumn types:")
print(df.dtypes)

print("\nBasic statistics:")
print(df[['B1x_nT', 'B1y_nT', 'B1z_nT', 'B1v_nT']].describe())

Calcular el gradiente (modo gradiometría)​

En configuraciones de gradiometría con dos ensamblajes de sensores, calcule el gradiente por eje:

import pandas as pd

df = pd.read_csv('fga_log.csv')

# Calcula el gradiente (sensor 1 menos sensor 2) por eje
df['Grad_x_nT'] = df['B1x_nT'] - df['B2x_nT']
df['Grad_y_nT'] = df['B1y_nT'] - df['B2y_nT']
df['Grad_z_nT'] = df['B1z_nT'] - df['B2z_nT']

# Magnitud total del gradiente
df['Grad_v_nT'] = (
    df['Grad_x_nT']**2 +
    df['Grad_y_nT']**2 +
    df['Grad_z_nT']**2
) ** 0.5

print(df[['Timestamp_ms', 'Grad_x_nT', 'Grad_y_nT', 'Grad_z_nT', 'Grad_v_nT']].head(10))

Filtrar por calidad GPS​

Filtre las filas sin fijación GPS o con baja precisión antes del análisis:

import pandas as pd

df = pd.read_csv('fga_log.csv')

# Mantiene solo filas con fijación GPS 3D y HDOP inferior a 2.0
df_clean = df[
    (df['Fix'] == 3) &
    (df['HDOP_m'] < 2.0) &
    (df['SIV'] >= 4)
].copy()

print(f"Total rows:  {len(df)}")
print(f"Clean rows:  {len(df_clean)}")
print(f"Removed:     {len(df) - len(df_clean)}")

Graficar el campo total​

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('fga_log.csv')

plt.figure(figsize=(12, 4))
plt.plot(df['Timestamp_ms'] / 1000, df['B1v_nT'], linewidth=0.8)
plt.xlabel('Time (s)')
plt.ylabel('Total Field B1 (nT)')
plt.title('FGA Logger — Total Magnetic Field')
plt.tight_layout()
plt.savefig('field_plot.png', dpi=150)
plt.show()

Exportar la traza GPS a GeoJSON​

Exporte la traza GPS para usar en QGIS u otras herramientas GIS:

import pandas as pd
import json

df = pd.read_csv('fga_log.csv')

# Mantiene solo filas con fijación GPS válida
df_gps = df[df['Fix'] >= 2].dropna(subset=['Lat_deg', 'Lon_deg'])

# Construye GeoJSON FeatureCollection
features = []
for _, row in df_gps.iterrows():
    feature = {
        "type": "Feature",
        "geometry": {
            "type": "Point",
            "coordinates": [row['Lon_deg'], row['Lat_deg'], row['Alt_m']]
        },
        "properties": {
            "timestamp_ms": row['Timestamp_ms'],
            "B1v_nT": row['B1v_nT'],
            "B2v_nT": row['B2v_nT'],
        }
    }
    features.append(feature)

geojson = {"type": "FeatureCollection", "features": features}

with open('track.geojson', 'w') as f:
    json.dump(geojson, f, indent=2)

print(f"Exported {len(features)} points to track.geojson")