实时地震探测系统开源分享

描述

描述

地震的实时检测非常重要。它可以挽救宝贵的生命。在这个项目中，我们开发了一个地震探测系统。我们的系统由两部分组成，一个用于通知或监测地震的移动应用程序，一个用于检测地震的嵌入式系统（物理设备）。我们需要将物理设备放置在地球表面，以感知地震期间的振动模式。

该设备是使用quickLogic羽毛开发板开发的。WIFI模块（ESP32开发板）用于将地震（振动）数据传输到云端。云将数据（地震数据）广播到所有连接的设备（移动应用程序）。

系统框图

 

原型系统由下面列出的几个组件组成：

• QuickLogic 的 QuickFeather
• DFrobot 的 Firebeetle ESP32

下面还有其他几个软件包。

• QuickLogic 的 QORC-SDK
• Arduino IDE
• 数据采集​​实验室、Analytics Studio、SensiML 的开放式网关

原型系统

 

QuickFeather 开发板和 ESP32 板之间的连接是使用 UART 的，简单的原理图如图（下）所示：

ESP32 和 QuickFeather 板连接

 

收集和标记数据

（注意：SensiML Toolkit 文档提供了安装和使用本项目中使用的 Data Collection Lab 和 Analytics Studio 的指南。请始终参阅该文档以了解任何详细信息。）

从 QuickFeather 设备的 SensiML 文档链接下载用于音频数据捕获的二进制文件，然后按照教程进行安装。使用如下所示的配置设置捕获样本数据以获取环境（正常）和地震（振动）音频的样本。

捕获白天的正常（环境）样本。

 

在捕获大量样本后，将它们标记为环境和地震。这里我们使用移动振动模式作为地震样本数据。

数据准备和建立模型

在使用 Data Capture Lab (DCL) 捕获合理数量的环境和地震音频样本并添加必要的标签后，音频文件将上传到SensiML Analytics Studio进行数据准备和建模。以下是从 DCL 音频文件中检索到的示例音频片段。

SensiML Analytics Studio 的准备数据部分

 

我们使用 Analytics Studio 的构建模型部分构建模型（有关详细信息，请参阅SensiML 工具包文档）。

SensiML Analytics Studio 的“探索模型”部分有助于评估开发的模型。我们开发的模型的混淆矩阵如下：

我们模型的混淆矩阵

 

部署 Model 0n QuickFeather

模型准备好后，下一步是创建一个知识包，该知识包可以部署回 QuickFeather 以在野外进行推理。在 Studio 的“下载模型”部分，确认部署包的所需设置并选择“下载”。（同样，有关不同配置选项的详细信息，请参阅 SensiML 文档。）

我们创建了用于在 QuickFeather 板上部署模型的知识包。我们从 sensiML Studio 下载模型。（同样，有关不同配置选项的详细信息，请参阅 SensiML 文档。）

准备 ESP32 开发板和 Thinger.io 云

ESP32 开发板用于从 QuickFeather 板采集数据，并负责将采集到的数据传输到云端。我们通过使用 Arduino IDE 闪存来准备 ESP32 板（在其上加载源代码）。

（参考https://docs.thinger.io/了解thinger.io中的云准备、设备连接和端点创建），这些视频也有助于学习thinger.io

• 视频-01
• 视频-02

我们为 Android 平台开发了一款移动应用程序，用于通过云监控来自物理设备的地震数据。

示范

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

参考

• Thinger.io
• SensiML 工具包文档
• FireBeetle 开发板