ESP32边缘计算简介

描述

介绍：

边缘计算是一种将计算带入终端设备的技术。在 EDGE-C 中，在网络中心（即云）执行的计算被移动到终端设备。这降低了在云中处理大型计算的复杂性和开销。这也减少了网络使用并实现了快速响应，从而提高了传输速率。

边缘计算主要解决以下挑战：

• 隐私和安全
• 可扩展性
• 可靠性
• 速度
• 效率

在本文中，我们将深入研究实现 EDGE-C 的简单实验。首先，我们将讨论一个问题。假设我们有一个设备可以收集特定位置的温度和湿度并将其传输到云端。似乎是一件很简单的事情。假设我们想要连续记录数据以进行某种分析。所以，问题来了，如果传感器出现某种问题怎么办？在传感器启动之前，我们将丢失数据。为了解决这类问题，我们依靠在云中部署 ML 模型的古老技术来在传感器出现故障时生成缺失值。这适用于一两个设备。但随着规模的扩大，我们需要更多的计算能力来解决许多设备故障。这就是边缘计算发挥作用的地方。它将训练有素的复杂模型部署在设备本身上。因此，当传感器关闭时，设备仍然可以轻松地将数据发送到云端。

工作流程：

 

我们将从 TensorFlow Keras Sequential 模型开始该过程，之后我们会将其转换为专为微控制器构建的 TensorFlow Lite。然后我们将从 TensorFlow Lite 转换器生成一个 C 数组。这个 C 数组包含将部署到边缘设备的训练模型。

程序

在这个项目中，如果传感器无法生成数据，我们将同时预测温度和湿度。首先，我们将使用湿度。

1. 构建 TensorFlow 模型

让我们导入必要的模块

import tensorflow as tf
from tensorflow.keras import layers
import pandas as pd

现在让我们从数据集中分离自变量和因变量，并将它们分别存储在“x”和“y”中。

dataset = pd.read_csv("dataset_humidity.csv")
x = dataset.iloc[:,:-1].values
y = dataset.iloc[:,-1:].values

现在从 Keras 序列中，我们将创建一个具有 2 层 16 个神经元的神经网络模型，该模型具有“relu”激活功能。并通过“fit”函数训练模型，绕过模型的“x”和“y”值。训练后，我们将模型存储到具有“保存”功能的文件中，如下所示。

model = tf.keras.Sequential()
model.add(layers.Dense(16, activation='relu'))
model.add(layers.Dense(16, activation='relu'))
model.add(layers.Dense(1))
model.compile(optimizer='rmsprop', loss='mse', metrics=['mse'])
model.fit(x, y, epochs=1000, batch_size=16)
model.save('Humidity_predictor_model')

现在，我们终于使用 Tensorflow Keras 创建并训练了我们的神经网络模型。

2. 将 TF 模型转换为 TF Lite 模型

现在我们将保存的 TF 模型转换为 TF Lite 并将其保存为扩展名为'.tflite'的文件。为了优化，让我们使用'tf.lite.Optimize.DEFAULT'来避免错误。

load_model = tf.keras.models.load_model('Humidity_predictor_model')
converter = tf.lite.TFLiteConverter.from_keras_model(load_model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_model = converter.convert()
open("humidity_predictor.tflite", "wb").write(tflite_model)

3. 生成 TF Lite 模型到 C 数组

我们将使用 Linux 命令“ xxd ”将 TF Lite 模型转换为 C 数组。此命令将文件或数据转换为其等效的十六进制格式。这被称为“十六进制转储”。

在上一步中生成的“.tflite”文件将作为“ xxd ”命令的输入，对于输出，我们将指定带有扩展名的文件名。在这里，我将指定“.h”作为文件扩展名。您可以使用其他格式，例如“ .cc ”。

xxd -i humidity_predictor.tflite > humidity_predictor.h

由于 DHT11 传感器同时读取湿度和温度。我们将预测这两个值。到目前为止，您只为湿度准备了文件。对于温度，重复从开始到这里的所有步骤，以获得您的温度 C 阵列。

如果您收到任何错误，请访问此 GitHub 存储库以查找确切代码。https://github.com/MohithGowdaHR/Edge_Computing.git

您将在“ Edge_Computing ”存储库的“ Models ”目录中找到代码。

4. 部署到边缘设备

电路连接

 

ESP32              DHT11
5V         -       VCC
GND        -       GND
DIO4       -       DATA

现在我们将导入所需的库。

#include "EloquentTinyML.h"
#include
#include "temperature_predictor.h"
#include "humidity_predictor.h"
#include "DHT.h"

这里前面步骤中生成的temperature_predictor.h和湿度_predictor.h应该存储在创建'.ino'文件的同一目录中，如下图所示。

 

创建一个 TensorFlowlite 库实例，如下面的代码所示。

Eloquent::TinyML::TfLite,> temprature(temperature_predictor_tflite);
Eloquent::TinyML::TfLite3,> * 1024> humudity(humidity_predictor_tflite);

如果传感器无法读取这些值，我们将对其进行预测，直到传感器返回。作为模型的输入，我们将传递拼接的日期时间和之前记录的温度和湿度值。

float h = dht.readHumidity();
float t = dht.readTemperature(true);
delay(1000);
if (isnan(h) || isnan(t) ) {
Serial.println(F("Failed to read from DHT sensor!"));
float input_array[8] = {2020 , 5, 26, 11,  30, 0,  prevtemp,  prevhum}; //use RTC module or GPS module to get realtime date and time
float input_array2[8] = {2020 , 2, 4, 6,  40, 0,  prevhum,  prevtemp}; //year,month,day,hour,min,sec,temp,hum
float hum = humudity.predict( input_array2);
float temp = temprature.predict( input_array);
prevhum = hum;
prevtemp = temp;
Serial.print("\t predicted humidity: ");
Serial.println(hum);
Serial.print("\t predicted temp: ");
Serial.println(temp);
delay(1000);
return;
}
else
{
Serial.print("\t humidity: ");
Serial.println(h);
Serial.print("\t  temp: ");
Serial.println(t);
prevtemp = t;
prevhum = h;
}

结果：

 

最后，我们完成了！

现在我们将从边缘设备记录连续不间断的值。