[ESP32 + Edge Impulse Platform] Exécutez un algorithme d'IA pour simuler la fusion de données multi-capteurs afin de détecter les anomalies

Cet article de blog prend principalement comme exemple le capteur de gaz ESP32+MQ Sensor. En se connectant à la plateforme Edge Impulse, la collecte de données et la formation en temps réel sont réalisées, permettant ainsi le déploiement de l'apprentissage automatique ML sur les appareils embarqués. Ce didacticiel décrit comment utiliser Edge Impulse et l'apprentissage automatique pour mettre en œuvre un système de détection d'anomalies ESP32 . Le système utilise un modèle d'apprentissage automatique pour détecter les anomalies de gaz.

Si cet article vous intéresse, veuillez cliquer sur trois liens + envoyez-moi un message privé pour obtenir gratuitement l'article de blog original.

Déclaration de droits d'auteur : cet article est un article original du blogueur et suit l'accord de droits d'auteur CC 4.0 BY-SA. Veuillez joindre le lien source original et cette déclaration lors de la réimpression.
Lien vers cet article : https://blog.csdn.net/qq_39217004/article/details/133348184

1. Introduction à la plateforme Edge Impulse

Edge Impulse fournit une plateforme de bout en bout facile à utiliser pour :

• · Obtenez facilement les données des capteurs en entrée des modèles d'apprentissage automatique intégrés
• Créez efficacement des modèles d'apprentissage automatique intégrés optimisés pour la taille de la mémoire et la consommation d'énergie (durée de vie de la batterie)
• · Déployez facilement des modèles pour cibler des capteurs à l'aide du SDK Edge Impulse et de l'environnement de développement de votre choix.

Edge Impulse résout ces défis en fournissant une plate-forme de bout en bout pour déployer un apprentissage automatique intelligent intégré sur des capteurs de température basse consommation. Nous vous permettons de remettre l'intelligence (ou la logique des règles) à la source des données afin que les appareils puissent prendre des décisions en temps réel, réduire la latence aller-retour causée par les interactions capteur-cloud et envoyer uniquement ce qui est nécessaire pour déclencher. une réponse du propriétaire du système, par exemple lorsque la porte du réfrigérateur reste ouverte trop longtemps.

1.1. Transitaire de données

Collectez des ensembles de données pour la formation, utilisez l' data forwarderoutil de transfert de données de la plate-forme et établissez une connexion entre les données du capteur via le port série du PC et le Web de la plate-forme. Le Web de la plate-forme peut obtenir des données de capteur en temps réel via le port série du PC pour la formation. Nous construisons notre modèle ML intégré à l'aide K-Meansdu clustering et détectons les valeurs aberrantes dans les données, que nous qualifions d'« anomalies ».

Plateforme Edge Impuls 1.2 + ESP32

Sélectionnez les périphériques matériels pris en charge par la plateforme

Edge Impulse prend en charge le traitement de diverses données de capteurs sur ESP32 ;

Expressif ESP-EYE (ESP32)

2. Environnement logiciel et matériel

• Carte de développement ESP32 DevKitC
• Capteur de gaz capteur MQ
• EDI Arduino
• Compte de la plateforme Edge Impulse

3. La plateforme ESP32 + MQ Sensor + Edge Impuls intègre l'IA pour réaliser la détection des anomalies

Pour mettre en œuvre le système de détection d'anomalies ESP32, il doit être divisé en deux étapes différentes :

• Obtenez la valeur normale de la sortie du capteur de gaz
• Créez un modèle d'apprentissage automatique et utilisez-le avec ESP32 pour détecter les anomalies

3.1 ESP32 pilote le capteur MQ Sensor

Cette partie fait directement référence au billet de blog : ESP32 connecte le capteur MQ pour implémenter la réponse aux odeurs

Remarque : La valeur émise par le capteur de gaz change dans des circonstances normales et lorsque de l'air est soufflé vers le capteur.

Entrez le code suivant dans la carte de développement ESP32 pour obtenir la valeur de sortie du capteur en temps réel. Veuillez le configurer à l'avance. ardunio IDE + E