具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于AIot和TinyML技术的多传感器多环境检测的方法。主要由数据的收集、数据的分析、深度学习模型训练、模型轻量化、模型部署和推理等模块组成，具体模块内容和步骤如下：

S1：传感器收集数据：

在不同环境中通过从传感器获取的数据进行分类收集，本实施例中利用化学传感器探测水里物质的成分；

S2：数据特征分析：

将传感器收集到的数据进行统计特征分析，在场景环境下进行不同特征对环境的影响系数，即利用传感器收集到的水质成分信息，进行不同物质之间对水质影响的程度大小；

在此利用皮尔森系数表达不同配对特征的相关度即不同物质与水质之间相关关系，公式为，其中x代表水里的物质，y代表水质的优劣，N为总特征数量，r为皮尔森系数，取值范围为0-1，其中r越大代表不同物质与水质之间相关性越强；

S3：模型的训练：

将物质与水质相关性强的特征利用深度学习框架（Tensorflow）进行模型的训练，可以利用ANN（Artificial Neural Network）或者GRNN（General Regression NeuralNetwork）模型进行训练，需要先将物质进行标签，然后将不同标签的物质和所对应的水质进行一一对应，然后利用深度学习框架进行回归训练，最后会得到一个错误率，然后通过错误率计算MSE，通过MSE（Mean Square Error）进行模型的验证使模型达到最优化，最后得到模型文件；

S4：模型文件转换：

得到的模型文件进行TF Lite格式的转换，然后再将TF Lite格式的模型进行二进制格式的模型固化，转换为.cpp的二进制模型文件和.h的模型头文件。在此过程中，可以利用xxd -i 模型.tflite > person_detect_model_data.cc的指令进行转换；

S5：MCU端模型部署：

根据不同的端设备的MCU开发板，例如Arduino的Nano33 BLE Sense进行模型的部署和推理，其中，利用Arduino的IDE将TFLite的计算库进行引入，然后将得到的.cc文件作为推理模型部署到开发的应用里面；

步骤6：MCU处理传感器数据进行推理：

根据不同传感器输入的数据进行推理，在此示例中传感器会对水质进行持续的监测，同时，部署的模型也会对输入的数据进行推理，一旦发现水质超出正常值，然后就会进行下一步的调节，去维持水质的稳定；

步骤7：MCU控制设备维持环境温度

不同传感器收集到的数据将会通过网络（Wifi或者5G）传输到云端，进行数据的可视化，以便于工作人员进行实时监控，以达到双保险的效果。

本发明工作原理：通过对于选定环境的确定，进行不同传感器的数据收集，然后利用人工智能的机器学习或者深度学习模型进行模型的训练，然后进行模型的轻量化，以便于可以部署到轻量化的MCU+传感器的设备上，最后通过传感器数据的输入去进行推理，利用MCU控制不同的设备去维持环境的稳定。同时，传感器的数据可以通过网络传输到云端，进行数据的可视化。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。