基于AIot和TinyML技术的多传感器多环境监测方法与流程

基于aiot和tinyml技术的多传感器多环境监测方法
技术领域
1.本发明涉及一种智能开关系统，具体涉及一种基于aiot和tinyml技术的多传感器多环境监测方法，属于智能控制领域。


背景技术：

2.环境监测,是指环境监测机构对环境质量状况进行监视和测定的活动。环境监测是通过对反映环境质量的指标进行监视和测定，以确定环境污染状况和环境质量的高低。尤其是水环境监测尤为重要。
3.传统的水环境监测与预报是通过人工与监测点及断面相结合的方法。传统的监测方法有三个重大缺陷，首先人工采样受地形及天气条件限制大，人工不易到达地区易出现监测死点、天气恶劣或者突发性事件人工到达困难，人工采样实验室分析时间周期长；其次，人工来回采样与运输成本高，需要大量的人力、交通及经费；最后人工来回采样与实验室分析的时间周期长，容易造成水样水质参数发生变化，造成数据误差。
4.为能够解决这些具体问题，人们尝试利用物联网技术开展水环境参数的动态监测与预警系统开发建设，克服传统方法的缺陷，进行水环境保护与动态监测。但目前的设备不仅仅结构复杂，而且功能较为单一。
5.人工智能（ai）和物联网（iot）是计算机科学中的流行领域。 aiot将ai和iot融合在一起，从而将ai应用于iot，当这些物联网系统能够在无需人工干预的情况下分析数据并具有决策潜力时，就可以实现aiot（人工智能物联网）。
6.tinyml 是机器学习和嵌入式 iot 设备的交叉领域，是一门新兴的工程学科，具有革新许多行业的潜力。有必要将人工智能物联网和轻量化机器学习结合应用到环境监测。


技术实现要素：

7.本发明提供了一种基于aiot和tinyml技术的多传感器多环境监测方法，实现轻量级的mcu+传感器的设备进行人工智能的相关推理，并对环境进行监测和维持其稳定。
8.本发明为实现上述目的，通过以下技术方案实现：一种基于aiot和tinyml技术的多传感器多环境监测方法，包括以下步骤：s1.在不同环境中通过从传感器获取的数据进行分类收集；s2.将传感器收集到的数据进行统计特征分析，在场景环境下进行不同特征对环境的影响系数；s3. 将有相关性的特征利用深度学习框架进行模型的训练；s4. 得到的模型文件进行tf lite格式的转换，然后再将tf lite格式的模型进行二进制格式的模型固化，转换为.cpp的二进制模型文件和.h的模型头文件；s5.根据不同的端设备的mcu开发板进行模型的部署和推理；s6.根据不同传感器输入的数据进行推理，然后进行下一步的调节，去维持环境的
稳定；s7.不同传感器收集到的数据将会通过网络传输到云端。
9.上述基于aiot和tinyml技术的多传感器多环境监测方法基础上，利用皮尔森系数表达不同配对特征的相关度，公式为，其中x和y分别为不同特征的数据，n为总特征数量，r为皮尔森系数。
10.上述基于aiot和tinyml技术的多传感器多环境监测方法基础上，利用ann或者grnn模型进行训练，通过mse进行模型的验证，最后得到模型文件。
11.上述基于aiot和tinyml技术的多传感器多环境监测方法基础上， arduino的nano33 ble sense进行模型的部署和推理，其中，利用arduino的ide将tflite的计算库进行引入，然后将得到的.cc文件作为推理模型部署到开发的应用里面。
12.本发明的优点在于：不同类型的传感器对于不同环境的不同类型的历史数据进行收集，基于收集到的数据进行特征的分析，然后对于相关特征进行机器学习或者深度学习的模型训练，然后将aiot和tinyml技术相结合，实现轻量级的mcu+传感器的设备进行人工智能的相关推理，，并对环境进行监测和维持其稳定。
附图说明
13.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
14.图1为本发明实施例的结构框图。
15.图2为本发明实施例的可视化示意图。
具体实施方式
16.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
17.一种基于aiot和tinyml技术的多传感器多环境检测的方法。主要由数据的收集、数据的分析、深度学习模型训练、模型轻量化、模型部署和推理等模块组成，具体模块内容和步骤如下：s1：传感器收集数据：在不同环境中通过从传感器获取的数据进行分类收集，本实施例中利用化学传感器探测水里物质的成分；s2：数据特征分析：将传感器收集到的数据进行统计特征分析，在场景环境下进行不同特征对环境的影响系数，即利用传感器收集到的水质成分信息，进行不同物质之间对水质影响的程度大小；在此利用皮尔森系数表达不同配对特征的相关度即不同物质与水质之间相关关
系，公式为，其中x代表水里的物质，y代表水质的优劣，n为总特征数量，r为皮尔森系数，取值范围为0
‑
1，其中r越大代表不同物质与水质之间相关性越强；s3：模型的训练：将物质与水质相关性强的特征利用深度学习框架（tensorflow）进行模型的训练，可以利用ann（artificial neural network）或者grnn（general regression neural network）模型进行训练，需要先将物质进行标签，然后将不同标签的物质和所对应的水质进行一一对应，然后利用深度学习框架进行回归训练，最后会得到一个错误率，然后通过错误率计算mse，通过mse（mean square error）进行模型的验证使模型达到最优化，最后得到模型文件；s4：模型文件转换：得到的模型文件进行tf lite格式的转换，然后再将tf lite格式的模型进行二进制格式的模型固化，转换为.cpp的二进制模型文件和.h的模型头文件。在此过程中，可以利用xxd
ꢀ‑
i 模型.tflite > person_detect_model_data.cc的指令进行转换；s5：mcu端模型部署：根据不同的端设备的mcu开发板，例如arduino的nano33 ble sense进行模型的部署和推理，其中，利用arduino的ide将tflite的计算库进行引入，然后将得到的.cc文件作为推理模型部署到开发的应用里面；步骤6：mcu处理传感器数据进行推理：根据不同传感器输入的数据进行推理，在此示例中传感器会对水质进行持续的监测，同时，部署的模型也会对输入的数据进行推理，一旦发现水质超出正常值，然后就会进行下一步的调节，去维持水质的稳定；步骤7：mcu控制设备维持环境温度不同传感器收集到的数据将会通过网络（wifi或者5g）传输到云端，进行数据的可视化，以便于工作人员进行实时监控，以达到双保险的效果。
18.本发明工作原理：通过对于选定环境的确定，进行不同传感器的数据收集，然后利用人工智能的机器学习或者深度学习模型进行模型的训练，然后进行模型的轻量化，以便于可以部署到轻量化的mcu+传感器的设备上，最后通过传感器数据的输入去进行推理，利用mcu控制不同的设备去维持环境的稳定。同时，传感器的数据可以通过网络传输到云端，进行数据的可视化。
19.最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。