邊緣人工智能融合氣體、顆粒和氣候數據，在本地對現(xiàn)實環(huán)境進行分類，將原始空氣信號轉化為可操作的環(huán)境。

今天的空氣質量系統(tǒng)側重于孤立的測量- pm水平，VOC濃度或溫度閾值-但實際環(huán)境要復雜得多。根據不同的環(huán)境，相同的傳感器讀數可能意味著截然不同的東西：烹飪、交通污染、人類居住或早期燃燒都會產生重疊的信號，而傳統(tǒng)的基于規(guī)則的系統(tǒng)無法正確解讀這些信號。

我決定建立EnviroFusion-Q，超越原始的空氣質量數據，而是教會一個設備了解它所經歷的環(huán)境。這個項目背后的動機很簡單：只有當多個異構傳感器直接在邊緣融合和解釋在一起時，才會出現(xiàn)有意義的環(huán)境智能。

EnviroFusion-Q結合了ENS160的氣體和VOC數據，GP2Y1014AU0F粉塵傳感器的顆粒物動態(tài)，以及AHT21的熱濕度環(huán)境。這些信號被同步采樣，并在短時間內進行分析。該系統(tǒng)不是獨立評估每個傳感器，而是提取時間模式和跨傳感器關系，形成獨特的“環(huán)境指紋”。

使用Edge Impulse，這些融合的特征被用來訓練一個緊湊的神經網絡，該網絡完全在Arduino Uno q上運行。該模型實時對復雜的現(xiàn)實環(huán)境進行分類，如清潔的室內空間、烹飪活動、交通污染、煙霧事件或異常燃燒，而不依賴于云連接。

結果是一個完全獨立的邊緣人工智能系統(tǒng)，將原始傳感器數據轉換為可操作的環(huán)境上下文，展示了真正的傳感器融合如何在微控制器級硬件上實現(xiàn)更智能、更可靠的決策。

代碼

本文編譯自hackster.io