描述

描述

地震的實時檢測非常重要。它可以挽救寶貴的生命。在這個項目中，我們開發了一個地震探測系統。我們的系統由兩部分組成，一個用于通知或監測地震的移動應用程序，一個用于檢測地震的嵌入式系統（物理設備）。我們需要將物理設備放置在地球表面，以感知地震期間的振動模式。

該設備是使用quickLogic羽毛開發板開發的。WIFI模塊（ESP32開發板）用于將地震（振動）數據傳輸到云端。云將數據（地震數據）廣播到所有連接的設備（移動應用程序）。

系統框圖

?

原型系統由下面列出的幾個組件組成：

• QuickLogic 的 QuickFeather
• DFrobot 的 Firebeetle ESP32

下面還有其他幾個軟件包。

• QuickLogic 的 QORC-SDK
• Arduino IDE
• 數據采集??實驗室、Analytics Studio、SensiML 的開放式網關

原型系統

?

QuickFeather 開發板和 ESP32 板之間的連接是使用 UART 的，簡單的原理圖如圖（下）所示：

ESP32 和 QuickFeather 板連接

?

收集和標記數據

（注意：SensiML Toolkit 文檔提供了安裝和使用本項目中使用的 Data Collection Lab 和 Analytics Studio 的指南。請始終參閱該文檔以了解任何詳細信息。）

從 QuickFeather 設備的 SensiML 文檔鏈接下載用于音頻數據捕獲的二進制文件，然后按照教程進行安裝。使用如下所示的配置設置捕獲樣本數據以獲取環境（正常）和地震（振動）音頻的樣本。

捕獲白天的正常（環境）樣本。

?

在捕獲大量樣本后，將它們標記為環境和地震。這里我們使用移動振動模式作為地震樣本數據。

數據準備和建立模型

在使用 Data Capture Lab (DCL) 捕獲合理數量的環境和地震音頻樣本并添加必要的標簽后，音頻文件將上傳到SensiML Analytics Studio進行數據準備和建模。以下是從 DCL 音頻文件中檢索到的示例音頻片段。

SensiML Analytics Studio 的準備數據部分

?

我們使用 Analytics Studio 的構建模型部分構建模型（有關詳細信息，請參閱SensiML 工具包文檔）。

SensiML Analytics Studio 的“探索模型”部分有助于評估開發的模型。我們開發的模型的混淆矩陣如下：

我們模型的混淆矩陣

?

部署 Model 0n QuickFeather

模型準備好后，下一步是創建一個知識包，該知識包可以部署回 QuickFeather 以在野外進行推理。在 Studio 的“下載模型”部分，確認部署包的所需設置并選擇“下載”。（同樣，有關不同配置選項的詳細信息，請參閱 SensiML 文檔。）

我們創建了用于在 QuickFeather 板上部署模型的知識包。我們從 sensiML Studio 下載模型。（同樣，有關不同配置選項的詳細信息，請參閱 SensiML 文檔。）

準備 ESP32 開發板和 Thinger.io 云

ESP32 開發板用于從 QuickFeather 板采集數據，并負責將采集到的數據傳輸到云端。我們通過使用 Arduino IDE 閃存來準備 ESP32 板（在其上加載源代碼）。

（參考https://docs.thinger.io/了解thinger.io中的云準備、設備連接和端點創建），這些視頻也有助于學習thinger.io

• 視頻-01
• 視頻-02

我們為 Android 平臺開發了一款移動應用程序，用于通過云監控來自物理設備的地震數據。

示范

** Android 版本的 APK 可在源代碼部分找到（如果需要，可以使用它）。

參考

• Thinger.io
• SensiML 工具包文檔
• FireBeetle 開發板