[ESP32 + Edge Impulse Platform] Ejecute un algoritmo de IA para simular la fusión de datos de múltiples sensores para lograr la detección de anomalías

Esta publicación de blog toma principalmente como ejemplo el sensor de gas ESP32 + MQ Sensor. Al conectarse a la plataforma Edge Impulse, se logra la capacitación y la recopilación de datos en tiempo real, lo que permite la implementación del aprendizaje automático ML en dispositivos integrados. Este tutorial describe cómo usar Edge Impulse y el aprendizaje automático para implementar un sistema de detección de anomalías ESP32 . El sistema utiliza un modelo de aprendizaje automático para detectar cuándo ocurren anomalías de gas.

Si está interesado en este artículo, haga clic en tres enlaces + envíeme un mensaje privado para recibir la publicación original del blog de forma gratuita.

Declaración de derechos de autor: este artículo es un artículo original del blogger y sigue el acuerdo de derechos de autor CC 4.0 BY-SA. Adjunte el enlace de la fuente original y esta declaración al reimprimir.
Enlace a este artículo: https://blog.csdn.net/qq_39217004/article/details/133348184

1. Introducción a la plataforma Edge Impulse

Edge Impulse proporciona una plataforma de extremo a extremo fácil de usar para:

• · Obtenga fácilmente datos de sensores como entrada para modelos integrados de aprendizaje automático
• Cree de manera eficiente modelos integrados de aprendizaje automático optimizados para el tamaño de la memoria y el consumo de energía (duración de la batería)
• · Implemente fácilmente modelos para apuntar a sensores usando el SDK de Edge Impulse y el entorno de desarrollo de su elección.

Edge Impulse resuelve estos desafíos al proporcionar una plataforma de extremo a extremo para implementar aprendizaje automático inteligente integrado en sensores de temperatura de bajo consumo. Le permitimos devolver la inteligencia (o la lógica de reglas) a la fuente de datos para que los dispositivos puedan tomar decisiones en tiempo real, reducir la latencia de ida y vuelta causada por las interacciones entre el sensor y la nube y enviar solo lo necesario para activar una respuesta del propietario del sistema, por ejemplo, cuando la puerta del frigorífico se deja abierta durante demasiado tiempo.

1.1 Reenviador de datos

Recopile conjuntos de datos para el entrenamiento, utilice la data forwarderherramienta de transpondedor de datos de la plataforma y establezca una conexión entre los datos del sensor a través del puerto serie de la PC y la web de la plataforma. La web de la plataforma puede obtener datos del sensor en tiempo real a través del puerto serie de la PC para el entrenamiento. Construimos nuestro modelo de ML integrado mediante K-Meansagrupación y detectamos valores atípicos en los datos, que etiquetamos como "anomalías".

1.2 Plataforma Edge Impuls + ESP32

Seleccione dispositivos de hardware compatibles con la plataforma

Edge Impulse admite el procesamiento de varios datos de sensores en ESP32;

Espressif ESP-EYE (ESP32)

2. Entorno de software y hardware

• Placa de desarrollo ESP32 DevKitC
• sensor de gas sensor mq
• IDE de Arduino
• Cuenta de plataforma Edge Impulse

3. La plataforma ESP32 + MQ Sensor + Edge Impuls integra IA para lograr la detección de anomalías

Para implementar el sistema de detección de anomalías ESP32, es necesario dividirlo en dos pasos diferentes:

• Obtenga el valor normal de la salida del sensor de gas.
• Cree un modelo de aprendizaje automático y utilícelo con ESP32 para detectar anomalías

3.1 ESP32 conduce el sensor MQ Sensor

Esta parte se refiere directamente a la publicación del blog: ESP32 conecta el sensor MQ para implementar la respuesta olfativa

Nota: El valor emitido por el sensor de gas cambia en circunstancias normales y cuando se sopla aire hacia el sensor.

Ingrese el siguiente código en la placa de desarrollo ESP32 para obtener el valor de salida del sensor en tiempo real. Configúrelo con anticipación. ardunio IDE + E