使用基于 ML 模型的 ESP32-DevKitC 监控冰箱温度

中国，上海
2021年2月26日

使用 Edge Impulse 平台，在基于 ESP32-DevKitC 的传感器上部署嵌入式机器学习 (ML) 模型，进行温度异常检测。

Edge Impulse 是领先的嵌入式机器学习 (ML) 开发平台，已服务支持超 1,000 家全球企业和 10,000 个机器学习项目。Edge Impulse 提供了一个易于使用的端到端平台，能够实现以下功能：

轻松地将传感器数据输入到嵌入式机器学习模型中；
高效创建基于内存大小和功耗优化的嵌入式机器学习模型；
使用 Edge Impulse SDK 和自选的开发环境轻松地在目标传感器上部署模型。

软件应用工程师 Zin Thein Kyaw 在最近的一篇博客中，以冷链监控应用为例，介绍了如何使用 Edge Impulse 进行嵌入式机器学习开发。他使用一个基于 ESP32-DevKitC 开发板、MAX31855 板和 K 型热电偶探针的异常检测模型，构建了一台冰箱温度监测器。

冰箱的温度监测对于确保在合适的温度下，对易腐食品进行冷藏存放十分重要。Zin Thein Kyaw 在此项目中使用了以下组件进行概念验证 (PoC) 演示：

ESP32-DevKitC 开发板
Adafruit MAX31855 热电偶板
K 型工业热电偶探针
使用 Arduino IDE 编译的嵌入式固件，包含 Edge Impulse SDK

用户可以轻松地将这个 PoC 演示的配置迁移至其他嵌入式设备上使用，也可以在 Edge Impuose Studio 上查看 Edge Impulse 项目的数据集，以及异常检测模型的训练方法。此项目已在 GitHub 上开放。

在打开或关闭冰箱门几分钟后，Edge Impulse 会基于传感器的温度变化曲线，创建异常检测嵌入式机器学习模型，从而检测出冰箱门的开关状态。同时，它也可以通过“异常评分”获取该状态持续的时间。

训练异常检测模型过程中，可以使用 “data forwarder” 工具来收集数据。“data forwarder” 是 Edge Impulse 命令行界面（或 CLI）的一部分，能够在主机 PC、传感器和 Edge Impulse 平台之间建立安全的网络连接，收集实时传感器数据，并将其用于训练嵌入式机器学习模型。

Edge Impulse Studio 中实现了“温度异常区域”临界温度范围的可视化。将其用于 Zin Thein Kyaw 的项目中，能够检测数据中的异常值并将其标记为“异常”，为采用 K 均值聚类算法的嵌入式机器学习模型提供了重要参考。