描述

水是地球上最重要的物質之一。所有植物和動物都必須有水才能生存。如果沒有水，地球上就沒有生命。除了為了生存而飲用，人們對水還有許多其他用途。隨著人口的增長和地球上適合消耗的所有水的比例如此之小，我們必須保護和保護這一寶貴資源才有意義。

節約用水意味著明智地使用我們有限的水源并妥善呵護它。由于我們每個人都依賴水來維持生命，因此我們有責任更多地了解節約用水。節約用水是我們每個人的責任。

目的/目標

我打算建立一個人工智能用水監測系統，通過分析實時音頻來檢測水是被使用還是浪費。這與現有解決方案不同，因為我們使用人工智能來預測用水量。這很有用，因為使用這個系統，我們將節約用水。這是一種有趣的節水方式。

硬件設置

QuickLogic QuickFeather 開發套件

?

QuickFeather開發套件是一個小型系統，非常適合支持下一代低功耗機器學習 (ML) 物聯網設備。與基于專有硬件和軟件工具的其他開發套件不同，QuickFeather 基于開源硬件，與 Adafruit Feather 外形規格兼容，并圍繞 100% 開源軟件（包括 Symbiflow FPGA 工具）構建。

QuickFeather 由 QuickLogic 的 EOS? S3 提供支持，這是第一款完全支持 Zephyr RTOS 的支持 FPGA 的 Arm Cortex?-M4F MCU

6V 3.5W 太陽能板

?

我將使用 6V 3.5W 太陽能電池板為 QuickLogic QuickFeather 開發套件供電。

配置您的 QuickFeather 開發工具包

在開始任何操作之前，您應該使用最新的數據收集固件刷新您的 QuickFeather 開發套件，以便與 SensiML 數據捕獲實驗室一起使用。您可以從此處下載二進制文件。

在此項目中，我們將使用簡單流 - 通過 USB 串行二進制文件收集音頻數據。

您可以從位于https://github.com/QuickLogic-Corp/qorc-sdk的 qorc github 存儲庫中的數據收集源構建您自己的二進制文件。

需要數據收集固件才能使用 Data Capture Lab 記錄數據。運行知識包時禁用數據收集。

確保你的系統上安裝了 Python；建議安裝 Python 3.6 或更新版本。

您將需要 QuickLogic 的 TinyFPGA Programmer 來閃存您的設備。當您下載 TinyFPGA Programmer 時，您需要使用 git 從 github 克隆 repo。下載存儲庫的 zip 版本可能會導致意外結果。

用于git clone下載 TinyFPGA Programmer，git clone --recursive https://github.com/QuickLogic-Corp/TinyFPGA-Programmer-Application.git然后pip3 install tinyfpgab安裝 Python 庫。

將固件文件放在 TinyFPGA 編程器目錄中，該目錄還包含tinyfpga-programmer-gui.py. 通過 USB 插入設備并按下 QuickFeather 上的“重置”按鈕。LED 將閃爍藍色五秒鐘。當 LED 仍在快速閃爍時按下“用戶”按鈕。按下“用戶”按鈕后，LED 將開始閃爍綠色，閃爍速度非常慢，就像“呼吸”一樣。這意味著設備處于上傳模式。如果 LED 沒有閃爍綠色，則重復此步驟。

當 LED 呈綠色閃爍時，通過運行以下命令將數據收集二進制文件編程到 QuickFeather 中：

python /Your-directory-path-to-TinyFPGA-Programmer/tinyfpga-programmer-gui.py --port COMX --m4app /Your-directory-path-to-binary/quickfeather-audio-data-collection-usb-serial.bin --mode m4

如果固件文件和tinyfpga-programmer-gui.py它們在同一目錄中，那么您可以通過運行以下命令來刷新您的 QuickFeather：

python tinyfpga-programmer-gui.py --port COMX --m4app quickfeather-audio-data-collection-usb-serial.bin --mode m4

在運行此命令之前，請確保在命令提示符中將目錄更改為 TinyFPGA 程序員的目錄。

COMX 是 QuickFeather 的 COM 端口。您可以通過轉到控制面板中設備管理器中的端口來檢查端口號（如果您使用的是 Windows 操作系統）。

刷新固件后，按“重置”按鈕加載新應用程序。LED 應閃爍藍色五秒鐘，完成后熄滅。

SensiML 數據采集實驗室

Data Capture Lab 是一個成熟的時間序列傳感器數據收集和標記工具，它帶來了一定程度的自動化數據集管理，開發人員已經習慣了編程工具，但直到現在，邊緣 ML 軟件仍然嚴重缺失。SensiML 的方法側重于允許開發人員將數據集構建為持久的知識產權 (IP)，可以根據需要輕松維護、修改、探索、擴展和導出。為建模過程提供良好數據會轉化為良好的 ML 推理代碼作為輸出。[來源]

設置數據采集實驗室

?

首先，創建一個新帳戶并下載合適的 DCL 軟件。下載軟件后，登錄您的帳戶。

創建一個新項目并將其保存在 SensiML 項目目錄中。

打開項目后，單擊切換模式并打開捕獲模式。

設備插件是描述 DCL 如何從您的設備收集數據的屬性列表。例如，設備插件可能包含您的設備支持的采樣率列表。這允許 DCL 從任何已構建為接受以下支持參數的設備收集數據。

您可以從此處下載簡單流協議的 example.SSF 文件。Data Capture Lab 允許您通過菜單項Edit → Import Device Plugin導入 Device Plugins via.SSF 文件……接下來，您將能夠選擇您的插件協議。

配置您的傳感器并設置適當的采樣率。我們將在這個項目中使用麥克風。

QuickLogic QuickFeather開發套件中的麥克風為英飛凌IM69D130 MEMS麥克風，靈敏度為-36.0 dBFS，信噪比為69 dB(A)。

捕獲數據

?

在 DCL 軟件右側的硬件設置中，將捕獲方法設置為實時流捕獲，并將連接方法設置為串行端口。

插入 QuickFeather 開發套件后，選擇“查找設備”選項并單擊“掃描設備”。選擇適當的 COM 端口并連接您的設備。

在標簽設置中，為您正在錄制的事件創建一個標簽。在本例中，標簽為Used、Wasted和Idle。在此之后，為當前錄制選擇元數據。我為元數據創建了一個類并添加了兩個值Train和Test。

準備就緒后，按下記錄按鈕以捕獲您的數據。

完成該過程后，切換到 Label Explorer 模式并選擇 Project explorer。在其中，選擇文件并確保數據準確地代表標簽。為此，請將您的數據分成幾部分。對項目資源管理器中的所有相關文件重復該過程。

轉到“文件”菜單并選擇“關閉文件”選項后，您現在可以使用 Analytics Studio 從捕獲的數據生成模型。

保存在 DCL 中的數據會自動上傳并存儲在云端。

分析工作室

SensiML Analytics Studio 是 SensiML 軟件套件的核心，它使用您標記的數據集使用 AutoML 和廣泛的邊緣優化功能和分類器庫快速生成高效的推理模型。使用基于云的模型搜索，Analytics Studio 可以在幾分鐘或幾小時內將您標記的原始數據轉換為高性能邊緣算法，而不是像手動編碼那樣需要數周或數月。Analytics Studio 使用 AutoML 來解決機器學習算法預處理、選擇和調整的復雜性，而無需依賴專家手動定義和配置這些無數選項。

無論是經驗豐富的 ML 專家還是剛剛學習數據科學的基礎知識，Analytics Studio 提供的工具都可以顯著提高您的嵌入式算法開發效率。[來源]

訓練模型

轉到Analytics Studio并登錄到您的帳戶。選擇您現在在 Data Capture Lab 中創建的項目。

要訓??練模型，我們必須首先以查詢的形式告訴 Analytics Studio 我們要使用哪些數據。這可以通過單擊Prepare Data選項卡并輸入名稱、會話、標簽、相關元數據、傳感器以及繪制方式來完成。保存后數據集應該出現在右側，我們可以看到每個標簽中有多少段。

?

可以通過轉到Build Model選項卡并輸入名稱、剛剛創建的查詢、窗口大小（使其與傳感器的捕獲率大小相同）、優化指標（f1-score 是最平衡的）來構建管道，和分類器大小，它限制了模型的大小，非常適合加載到 ROM 受限的芯片上。單擊Optimize將完成并構建模型，根據數據集的大小，可能需要一段時間才能完成。

?

?

?

?

1 / 3

?

生成知識包

該項目的最后一步是將機器學習模型部署到您的 QuickLogic QuickFeather 開發工具包。這可以通過獲取知識包來完成。對于這個項目，我們將以二進制形式下載模型。在“下載模型”選項卡中，選擇您剛剛使用以下設置優化的管道，如下圖所示。

?

?

?

?

1 / 2

?

下載 zip 文件并將二進制文件解壓縮到包含tinyfpga-programmer-gui.py. 按照用于刷新簡單流固件的相同步驟進行操作。我已在論壇中尋求幫助。

未來更新

• 由于斯里蘭卡目前處于封鎖狀態，我無法購買 Adafruit Huzzah32 - ESP32 Feather 板。

未來，我想：

• 將 Adafruit Huzzah32 - ESP32 Feather 板與 QuickFeather 開發套件結合使用，并將此 POC 轉變為物聯網 POC。
• 在各種情況下測試機器學習模型，并將可變數據提供給機器學習模型以提高其準確性。
• 使用更高的采樣頻率試驗我的機器學習模型。
• 使用顯示用水情況的顯示器改進我的項目。
• 添加一個電磁水閥來控制水龍頭，不用時關閉。
• 想辦法自動為為 QuickFeather 開發板供電的鋰離子電池充電。