基于Arduino Nano的pH值监测器

对于这个项目，我决定使用 Arduino Nano 33 BLE Sense 作为中心单元，因为我在哈佛 X TinyML 课程中使用过它。电路很简单：一个 pH 传感器（连接了一个水 pH 探头）连接到 Arduino 模拟输入，3 个 LED 作为数字输出驱动。将草图上传到 Arduino 后，我必须校准传感器。我将 pH 指示纸浸入一杯自来水中以了解其 pH 值，结果为 7。然后，我将探头浸入同一个玻璃杯中，并调整靠近探头连接器的传感器微调器，直到读取到 7 左右的值串行监视器。对于我使用过的特定传感器，调整靠近传感器引脚的微调器也很有用，以提高灵敏度。对于这个项目，我选择了三个 pH 边缘值：

- pH 4：低于 5 的 pH 值对植物来说太低

- pH 5：5 到 6 的 pH 值最适合植物

- pH 7：7 左右的 pH 值对植物来说太高了

为了得到 pH 值为 4 的溶液，我在一杯自来水中加入了一些柠檬汁，然后我用试纸测量了 pH 值以确认它在 4 左右，所以我将探针浸入玻璃杯中，然后它感应到大约 4 的值，这让我确信传感器校准良好。对于 pH 5 的溶液，我又拿了一杯自来水，并在其中放入了 pH 校正剂以降低其 pH。试纸和 pH 传感器的值都在 5 左右，所以我决定将这种溶液用于水培植物。电路中的三个 LED 指示 pH 值：

- 红色 LED：当 pH 值约为 4 时亮起

- 绿色 LED：pH 值约为 5 时亮起

- 黄色 LED：当 pH 值约为 7 时亮起

TinyML模型为了训练 tinyML 模型，我使用了 Edge Impulse 平台。我已经根据三个边缘值训练了模型，对于每个边缘值，我已经获取了五分钟的数据，以涵盖该值周围的大部分小波动。

数据收集后，我进行了脉冲设计，添加了我需要的功能块。

“时间序列数据”块将收集的数据拆分为多个选定大小的窗口（在本例中为 2000 毫秒）。“频谱分析”​​块过滤信号，然后执行频谱分析。“分类”块是神经网络，它使用光谱分析的结果来学习如何区分三个数据集。要创建脉冲，我单击“保存脉冲”，然后转到左侧菜单上的“光谱特征”以查看光谱分析结果并单击“保存参数”。

之后，出现了一个新窗口，允许为神经网络生成特征。

然后，通过点击左侧菜单中的“NN Classifier”，我进入了神经网络配置环境。我选择对网络进行 500 次训练，以达到令人满意的模型精度水平。

神经网络能够区分数据集，所以我可以继续下一步：将“异常检测”块添加到脉冲设计中，允许将神经网络无法识别的异常数据分类。

左侧菜单上的“异常检测”部分允许我选择要检测异常的特征。

为了测试模型，我进行了实时分类，并从 ph 5 解决方案中收集了五分钟的数据。该模型能够识别收集到的数据属于 ph 5 数据集。由于检测到的值包含在数据集中，因此没有检测到异常。

该模型已被证明是可靠的，因此我已将其部署到 Arduino。左侧菜单的“部署”部分帮助我做到了这一点。我可以选择将冲动部署为库或固件，我决定创建一个 Arduino 库，这样我就可以将它包含在我的草图中。

在Arduino IDE 上为了在 Arduino IDE 中包含模型库，我继续 Sketch -> Include Library -> Add.ZIP，然后我将库包含在我的 Sketch 中，并在代码中添加几行以便运行模型Arduino Nano 33 BLE Sense。