Aller au contenu principal

Intégration Python

Cette page fournit des exemples Python pratiques pour travailler avec le FGA Logger — lire des données série en direct, enregistrer en CSV et charger des données pour analyse.

Dépendances :

  • pyserial — communication port série
  • pandas — analyse de données (optionnel, pour les exemples d'analyse)

Installer avec :

pip install pyserial pandas

Lire des données série en direct​

Cet exemple se connecte au FGA Logger via USB et affiche chaque ligne CSV entrante :

import serial

# Changer pour votre port :
#   Windows :  'COM3', 'COM4', etc.
#   Linux :    '/dev/ttyUSB0'
#   macOS :    '/dev/tty.usbserial-XXXX'
PORT = 'COM3'
BAUD = 115200  # Ajuster selon vos paramètres série du FGA Logger

def read_logger(port, baud):
    with serial.Serial(port, baud, timeout=2) as ser:
        print(f"Connecté à {port} à {baud} bauds")
        print("En attente de données...\n")

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

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

Enregistrer les données série en CSV​

Cet exemple lit depuis le FGA Logger et enregistre toutes les lignes entrantes dans un fichier CSV local. La première ligne d'en-tête reçue est écrite une seule fois ; toutes les lignes de données suivantes sont ensuite ajoutées.

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"

# En-tête CSV attendu du 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"Journalisation dans {outfile}")

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

                fields = line.split(',')

                # Écrire l'en-tête une fois (depuis le dispositif ou notre en-tête attendu)
                if not header_written:
                    if fields[0] == 'Timestamp_ms':
                        writer.writerow(fields)   # Utiliser l'en-tête du dispositif
                    else:
                        writer.writerow(EXPECTED_HEADER)  # Utiliser l'en-tête attendu
                        writer.writerow(fields)   # Écrire cette ligne comme données
                    header_written = True
                    f.flush()
                    continue

                # Écrire les lignes de données
                writer.writerow(fields)
                f.flush()
                print(f"  {line[:80]}")  # Afficher les 80 premiers caractères

        except KeyboardInterrupt:
            print(f"\nJournalisation arrêtée. Fichier sauvegardé : {outfile}")

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

Charger un fichier CSV avec pandas​

Une fois que vous avez un fichier CSV — soit depuis la carte SD, soit sauvegardé via série — chargez-le avec pandas pour analyse :

import pandas as pd

CSV_FILE = 'fga_log_20240315_143022.csv'

# Charger le CSV
df = pd.read_csv(CSV_FILE)

print("Forme :", df.shape)
print("\nPremières lignes :")
print(df.head())

print("\nTypes de colonnes :")
print(df.dtypes)

print("\nStatistiques de base :")
print(df[['B1x_nT', 'B1y_nT', 'B1z_nT', 'B1v_nT']].describe())

Calculer le gradient (mode gradiomètre)​

Dans les configurations gradiomètre avec deux assemblages de capteurs, calculer le gradient par axe :

import pandas as pd

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

# Calculer le gradient (capteur 1 moins capteur 2) par axe
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']

# Magnitude totale du gradient
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))

Filtrer par qualité GPS​

Filtrer les lignes sans fix GPS ou de faible précision avant l'analyse :

import pandas as pd

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

# Garder uniquement les lignes avec fix GPS 3D et HDOP inférieur à 2.0
df_clean = df[
    (df['Fix'] == 3) &
    (df['HDOP_m'] < 2.0) &
    (df['SIV'] >= 4)
].copy()

print(f"Total lignes :    {len(df)}")
print(f"Lignes propres :  {len(df_clean)}")
print(f"Supprimées :      {len(df) - len(df_clean)}")

Tracer le champ 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('Temps (s)')
plt.ylabel('Champ total B1 (nT)')
plt.title('FGA Logger — Champ magnétique total')
plt.tight_layout()
plt.savefig('field_plot.png', dpi=150)
plt.show()

Exporter la trace GPS en GeoJSON​

Exporter la trace GPS pour utilisation dans QGIS ou autres outils SIG :

import pandas as pd
import json

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

# Garder uniquement les lignes avec fix GPS valide
df_gps = df[df['Fix'] >= 2].dropna(subset=['Lat_deg', 'Lon_deg'])

# Construire une FeatureCollection GeoJSON
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"{len(features)} points exportés dans track.geojson")