基于TinyML的关键字检测控制RGB灯电路方案

简介：
本项目提出了一种基于TinyML技术的关键字检测系统，并通过检测特定关键字来控制RGB灯的颜色变化，实现智能化家居照明控制。 使用Arduino Nano 33 BLE Sense训练TensorFlow模型以识别特定关键字并控制RGB灯带是一个很有意义的项目，尤其是在边缘机器学习领域。边缘机器学习能够使设备在较少编程逻辑的情况下完成智能任务。 此项目的硬件部分仅包含一个组件：Arduino Nano 33 BLE Sense。该板集成了多种传感器（如麦克风、9轴IMU和环境光传感器等）以及丰富的内存资源（1MB闪存，256KB RAM）。项目中还利用了其内置的RGB LED来展示当前颜色。 首先，在Edge Impulse平台上创建一个新的项目，并安装相关的CLI工具。接下来，通过下载并刷新最新的Edge Impulse固件到Nano板上，使它能够与云端服务通信以接收命令和上传传感器数据。随后在命令提示符中运行edge-impulse-daemon程序来完成设置步骤。 一旦设备配置完毕，在项目的设备列表中就会出现Arduino Nano 33 BLE Sense。接下来可以开始采集样本并将其作为训练或测试集的一部分进行上载，为机器学习模型的构建提供所需的数据支持。 为了实现特定的目标——控制RGB灯带的不同颜色模式（开、关、红色、绿色和蓝色），在每种模式下都会录制一分钟左右的声音片段，在此期间会以1-2秒间隔重复说出相应的单词。然而，仅靠这些样本是不够的，因为背景噪音和其他词汇可能会导致误判。 幸运的是，Edge Impulse已经提供了针对噪声和“未知”词的数据集来对抗这些问题，并且可以通过其提供的工具将这些音频文件作为训练数据的一部分进行上传。