基于TinyML和LoRaWAN技术的AIoT森林传感器，用于监测蘑菇生长环境并检测人体存在

采蘑菇是一项受欢迎的户外活动，尤其在斯洛文尼亚这里十分流行。但每位采菇者都知道其中的烦恼——你驱车前往最爱的采蘑菇地点，穿过森林，结果却一无所获。要么是因为天气条件不适合，要么是别人早就在你到达之前把所有蘑菇都采完了。

问题是，蘑菇只有在温度和湿度达到合适水平时才会生长，而这个适宜的窗口期非常短暂。普通的天气预报其实不太有帮助，因为它们覆盖的范围很大，无法针对森林深处的具体位置进行准确预测。

我们希望打造一个能解决两个问题的东西——告诉你当前天气状况如何，以及是否有人已经访问过你的地点。PoGobeobe 就是由此诞生的。

我们的解决方案

PoGobe 是一种智能传感器，隐藏在3D打印的蘑菇内部，安装在树上。它有两个功能：监测温度和湿度，并利用人工智能监听人类的脚步声。

这是它的运作方式：

在正常模式下，它每天仅测量一次温度和湿度，并保存最近的10次读数。当这些读数超过某个阈值(即环境适合蘑菇生长)时，系统将切换至AI模式。此时麦克风会开启，TinyML模型开始监听。如果检测到连续两次有人的脚步且置信度超过70%，系统便会通过LoRaWAN发送警报。

10天后，整个过程会重新开始，因为蘑菇通常在良好条件下的2到3天内就会出现，并且可以食用大约一周。

万物如何相连

整个数据流水线如下所示：

传感器(NatureGuard物联网板 + DHT11)采集数据，并通过LoRaWAN发送至The Things网络。随后，一个Webhook会触发Make.com的场景，将数据路由到我们的Firebase实时数据库。我们有两种类型的事件：一种是蘑菇生长条件(包含温度和湿度值)，另一种是人体检测警报(包含置信度百分比)。最后，一个网页仪表盘从Firebase获取数据，并以清晰的概览形式展示所有信息。

AI模型

在AI部分，我们使用了Edge Impulse和FSC22数据集——该数据集专为森林声音分类而设计，包含27种不同的声音类别。我们将数据集缩小为仅两类：人类声音和非人类声音。

该模型直接在微控制器(Edge AI)上运行，无需云端处理，从而保持低功耗和快速响应。

我们在验证集上的结果：

•准确率：83.8%

•人体检测：72.8%(F1：0.79)

•非人类声音：91.5%(F1：0.87)

该模型已量化为int8，可适配NatureGuard物联网板。虽然并非完美，但足以作为概念验证——它能明显区分有人经过和普通的森林声音。

硬件

我们用3D打印了一个蘑菇形状的外壳，使传感器与森林融为一体。底部设有用于麦克风和湿度传感器的通风孔，盖子可旋紧固定。

内部包含：

•NatureGuard物联网板(Seeed XIAO nRF52840 Sense)，内置PDM麦克风和加速度计

•DHT111 温湿度传感器

•用于远距离通信的LoRa模块

•CR2032纽扣电池

整个装置相当紧凑，可以很好地放在树枝或树干上。

仪表盘

我们搭建了一个简单的网页仪表盘，用于显示来自传感器的所有数据。你可以查看温度和湿度读数，在蘑菇生长条件适宜时收到提醒，并在有人靠近你的监测区域时发出警告。

它使用纯HTML、CSS和JavaScript构建，可实时从Firebase读取数据。支持多个传感器位置，并且可以切换斯洛文尼亚语和英语。

本文编译自hackster.io