一个利用边缘AI实现山火警报的实际案例( 二 )


文章图片
目前 , 收集的数据是由神经网络分类的两类 , 得到的模型性能如下图所示:
一个利用边缘AI实现山火警报的实际案例
文章图片
该模型是使用EdgeImpulse的C++库部署的 , 该库与平台无关 , 可以在任何目标设备的任何IDE上构建 。
该模型是此类项目的关键推动因素 , 因为如果没有将智能融入进MCU , 则需要将传感器数据传输回服务器进行推理 。 来回传输数据是一项能源密集型任务 , 会大量消耗电池电量 。 下图是设备在运行时的电流消耗情况:
一个利用边缘AI实现山火警报的实际案例
文章图片
为了可持续地使用太阳能运行该设备 , 它需要消耗的能量少于产生的能量 。 在每毫瓦功率至关重要的用例中 , EdgeML对进一步降低功耗和硬件BOM成本具有深远的影响 。