构建一个边缘人工智能系统：环境上下文检测

边缘人工智能融合气体、颗粒和气候数据，在本地对现实环境进行分类，将原始空气信号转化为可操作的环境。

今天的空气质量系统侧重于孤立的测量- pm水平，VOC浓度或温度阈值-但实际环境要复杂得多。根据不同的环境，相同的传感器读数可能意味着截然不同的东西：烹饪、交通污染、人类居住或早期燃烧都会产生重叠的信号，而传统的基于规则的系统无法正确解读这些信号。

我决定建立EnviroFusion-Q，超越原始的空气质量数据，而是教会一个设备了解它所经历的环境。这个项目背后的动机很简单：只有当多个异构传感器直接在边缘融合和解释在一起时，才会出现有意义的环境智能。

EnviroFusion-Q结合了ENS160的气体和VOC数据，GP2Y1014AU0F粉尘传感器的颗粒物动态，以及AHT21的热湿度环境。这些信号被同步采样，并在短时间内进行分析。该系统不是独立评估每个传感器，而是提取时间模式和跨传感器关系，形成独特的“环境指纹”。

使用Edge Impulse，这些融合的特征被用来训练一个紧凑的神经网络，该网络完全在Arduino Uno q上运行。该模型实时对复杂的现实环境进行分类，如清洁的室内空间、烹饪活动、交通污染、烟雾事件或异常燃烧，而不依赖于云连接。

结果是一个完全独立的边缘人工智能系统，将原始传感器数据转换为可操作的环境上下文，展示了真正的传感器融合如何在微控制器级硬件上实现更智能、更可靠的决策。

代码

本文编译自hackster.io