Контролер пчел на Arduino Nano 33 BLE Sense: схема и программа

В данной статье мы рассмотрим создание устройства на основе платы Arduino Nano 33 BLE Sense, которое будет способно контролировать состояние здоровья пчелиной семьи и обнаруживать в ней событие роения. Вдобавок к этому устройству будет представлено приложение, которое, на наш взгляд, поможет пчеловодам в эффективном производстве мёда и других продуктов пчеловодства.

Разработчики этого приложения ставили перед собой цель помочь пчеловодам максимально эффективно управлять пчелами. Идея работы приложения основана на контроле температуры и влажности, также оно способно как бы проникать внутрь пчелиной семьи в определенном улье и обнаруживать такое событие как роение (swarming). Это событие заключается в том, что пчелиная семья разделяется на 2 части. Одна часть пчел при этом остается в улье, а другая покидает улей и находит себе новый дом. Первая часть остается в улье и ждет когда у них появится новая матка, а вторая часть покидает улей со старой маткой. И было бы неплохо если бы пчеловод как можно скорее узнал об этом событии чтобы предпринять своевременные действия. В этом ему и будет помогать наше приложение, которое будет распознавать/обнаруживать событие роения пчел на основе анализа звуков жужжания пчел.

Необходимые компоненты

Аппаратное обеспечение

Плата Arduino Nano 33 BLE Sense.
Кабель USB-A to Micro-USB.
Смартфон с операционной системой Android.
Батарейка (аккумулятор).

Программное обеспечение

Основные принципы работы проекта

Поскольку у каждого пчеловода обычно достаточно большое количество ульев, то их "ручной" контроль отнимает много времени. С помощью нашего приложения пчеловод сможет подключаться к каждому улью с помощью смартфона и Bluetooth соединения и на экране приложения он сможет наблюдать за состояние здоровья пчелиной семьи. В дополнение к этому приложение будет предупреждать пчеловода о событии роения в ульев чтобы он смог предпринять своевременные действия по предотвращению улета пчел в дикую природу, что, естественно, приведет к снижению производства мёда.

Основой проекта является плата Arduino Nano BLE 33 Sense, которая содержит в своем составе микрофон. С помощью него микроконтроллер в составе платы будет "прислушиваться" к жужжанию пчел и с помощью специальной обучающей модели обнаруживать различия в жужжании пчел во время присутствия матки в улье и во время ее отсутствия. Также плата Arduino Nano BLE 33 Sense содержит в своем составе датчик температуры и влажности – с помощью его показаний мы можем судить об условиях содержания и состоянии здоровья пчелиной семьи внутри улья. Поскольку при разработке данного проекта ключевое внимание уделялось уменьшению потребления энергии, то система измеряет условия внутри улья всего несколько раз в день или во временные периоды между 10 a.m. (до полудня) и 1 p.m (после полудня), когда вероятность события роения максимальна. В остальное время система находится в холостом режиме и не потребляет энергию.

Модель машинного обучения

Для построения модели машинного обучения нам необходимо будет выполнить следующую последовательность шагов.

1. Захват данных с помощью микрофона. На этом этапе мы будем собирать звуки жужжания пчел чтобы сформировать основу (набор данных) для обучающей модели.

2. Спектральный анализ звуков. На его основе мы будем строить спектрограмму.

3. Построение модели с использованием нейронной сети. Спектрограмма будет являться входными данными для нейронной сети, которые будут использоваться для обучения модели. После проведения расчетов мы получим результаты в форме матрицы, которая будет показывать эффективность распознавания нашей модели.

Граф на следующем рисунке дает наглядное представление этого процесса.

4. Создание библиотеки и загрузка ее в плату Arduino.

Авторы проекта все это уже проделали и вы можете воспользоваться готовыми результатами их труда – в этом случае вам не нужно будет записывать звуки жужжания пчел и обучать модель машинного обучения.

Взаимодействие между составными частями проекта

Для передачи данных от платы Arduino на смартфон с Android мы будем использовать технологию Bluetooth. Плата Arduino Nano BLE 33 Sense содержит в своем составе встроенный Bluetooth модуль, что позволяет без привлечения дополнительных устройств организовать связь с помощью данной технологии. Технология Bluetooth позволит нам получать данные на смартфон из улья, находясь на безопасном расстоянии от него и, таким образом, не опасаясь укусов пчел.

Приложение для Android

Также авторы данного проекта разработали приложение для Android (ссылка на его скачивание в конце статьи), которое будет подключаться по Bluetooth к плате Arduino Nano BLE 33 Sense, получать от нее данные и показывать на своем экране сообщения о состоянии здоровья пчелиной семьи.

Соединение с устройством в улье.

Главный экран приложения с предупреждения, которые плата Arduino передает приложению для Android.

На следующем рисунке показана работа приложения.

Тестирование работы проекта

Для тестирования работы контролера пчел выполните следующую последовательность шагов.

1. Загрузите программу проекта (приведена в конце статьи) в плату Arduino.

2. Скачайте приложение на свой смартфон (или другое устройство) с Android (ссылка на скачивание .apk файла приведена в конце статьи).

3. Установите плату Arduino в улей.

4. Установите Bluetooth соединение между платой Arduino и приложением на Android.

Возможные улучшения проекта

Вы можете внести в проект следующие улучшения:

улучшить модель машинного обучения увеличив выборку звуков жужжания пчел;
добавить функционал приложению на Android;
добавить в проект сеть на основе LoraWan (основана на технологии LoRa), с помощью которой можно будет передавать данные от разных ульев на единый сервер, информацию на котором можно будет посмотреть в любое время из любой точки, где есть подключение к сети интернет.

Исходный код программы (скетча)

/* Edge Impulse Arduino examples
   Copyright (c) 2021 EdgeImpulse Inc.

   Permission is hereby granted, free of charge, to any person obtaining a copy of this software and associated documentation files (the "Software"), to deal in the Software without restriction, including without limitation the rights
   to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
   copies of the Software, and to permit persons to whom the Software is
   furnished to do so, subject to the following conditions:

   The above copyright notice and this permission notice shall be included in
   all copies or substantial portions of the Software.

   THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
   IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
   FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
   AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
   LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
   OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
   SOFTWARE.
*/

// If your target is limited in memory remove this macro to save 10K RAM (если в вашей плате Arduino проблемы со свободной памятью, то можете удалить вышеописанную преамбулу перед загрузкой кода программы в память – этим вы сэкономите 10 Кбайт памяти)
#define EIDSP_QUANTIZE_FILTERBANK   0

/* Includes ---------------------------------------------------------------- */
#include <PDM.h>
#include <smartbees_inference.h>
#include <ArduinoBLE.h>
#include <ArduinoJson.h>
#include <Arduino_HTS221.h>

#define BLE_UUID_STRING "1A3AC131-31EF-758B-BC51-54A61958EF82"
#define BLE_UUID_TEST_SERVICE "9A48ECBA-2E92-082F-C079-9E75AAE428B1"

/** Audio buffers, pointers and selectors */
typedef struct {
  int16_t *buffer;
  uint8_t buf_ready;
  uint32_t buf_count;
  uint32_t n_samples;
} inference_t;

static inference_t inference;
static signed short sampleBuffer[2048];
static bool debug_nn = false; // Set this to true to see e.g. features generated from the raw signal

BLEDevice central;
BLEService service(BLE_UUID_TEST_SERVICE);
BLEStringCharacteristic serviceOutput(BLE_UUID_STRING, BLERead | BLENotify, 200);

/**
   @brief      Arduino setup function
*/
void setup()
{
  // put your setup code here, to run once:
  Serial.begin(115200);
  while (!Serial);

  pinMode(LED_BUILTIN, OUTPUT);

  if (!BLE.begin()) {
    Serial.println("starting BLE failed!");
    while (1);
  }

  BLE.setLocalName("BeeHive");
  BLE.setAdvertisedService(service);
  service.addCharacteristic(serviceOutput);
  BLE.addService(service);
  BLE.advertise();
  Serial.println("Bluetooth device active, waiting for connections...");

  if (!HTS.begin()) {
    Serial.println("Failed to initialize humidity temperature sensor!");
    while (1);
  }

  if (microphone_inference_start(EI_CLASSIFIER_RAW_SAMPLE_COUNT) == false) {
    ei_printf("ERR: Failed to setup audio sampling\r\n");
    return;
  }
}

/**
   @brief      Arduino main function. Runs the inferencing loop.
*/
void loop()
{

  central = BLE.central();

  if (central) {
    Serial.print("Connected to central: ");
    Serial.println(central.address());
    digitalWrite(LED_BUILTIN, HIGH);
    while (central.connected()) {
      ei_printf("Starting inferencing in 2 seconds...\n");

      delay(2000);

      ei_printf("Recording...\n");

      bool m = microphone_inference_record();
      if (!m) {
        ei_printf("ERR: Failed to record audio...\n");
        return;
      }

      float temperature = HTS.readTemperature();
      float humidity    = HTS.readHumidity();
      StaticJsonDocument<600> doc;
      doc["temperature"] = (round(temperature*10)/10.0);
      doc["humidity"] = (round(humidity*10)/10.0);
      doc["event"] = "";

      ei_printf("Recording done\n");

      signal_t signal;
      signal.total_length = EI_CLASSIFIER_RAW_SAMPLE_COUNT;
      signal.get_data = &microphone_audio_signal_get_data;
      ei_impulse_result_t result = { 0 };

      EI_IMPULSE_ERROR r = run_classifier(&signal, &result, debug_nn);
      if (r != EI_IMPULSE_OK) {
        ei_printf("ERR: Failed to run classifier (%d)\n", r);
        return;
      }

      // print the predictions
      ei_printf("Predictions ");
      ei_printf("(DSP: %d ms., Classification: %d ms., Anomaly: %d ms.)",
                result.timing.dsp, result.timing.classification, result.timing.anomaly);
      ei_printf(": \n");
      float predictions[3];
      for (size_t ix = 0; ix < EI_CLASSIFIER_LABEL_COUNT; ix++) {
        predictions[ix] = (round(result.classification[ix].value * 10) / 10.0);
        //data.add((round(result.classification[ix].value*10)/10.0));
      }

      int maximal = 0, index = 0;
      for (int i = 0; i < 3; i++) {
        if (maximal < predictions[i]) {
          maximal = predictions[i];
          index = i;
        }
      }

      switch (index) {
        case (0):  doc["event"] = "MATICA"; break;
        case (1):  doc["event"] = "NIMATICE"; break;
        case (2):  doc["event"] = "ROJENJE"; break;
        default: doc["event"] = "ERROR"; break;
      }


      String json;
      serializeJson(doc, json);

      if (central.connected()) serviceOutput.writeValue(json);


#if EI_CLASSIFIER_HAS_ANOMALY == 1
      ei_printf("    anomaly score: %.3f\n", result.anomaly);
#endif


      Serial.print("Temperature = ");
      Serial.print(temperature);
      Serial.println(" °C");

      Serial.print("Humidity    = ");
      Serial.print(humidity);
      Serial.println(" %");
    }

    digitalWrite(LED_BUILTIN, LOW);
    Serial.print("Disconnected from central: ");
    Serial.println(central.address());
  }

}

/**
   @brief      Printf function uses vsnprintf and output using Arduino Serial

   @param[in]  format     Variable argument list
*/
void ei_printf(const char *format, ...) {
  static char print_buf[1024] = { 0 };

  va_list args;
  va_start(args, format);
  int r = vsnprintf(print_buf, sizeof(print_buf), format, args);
  va_end(args);

  if (r > 0) {
    Serial.write(print_buf);
  }
}

/**
   @brief      PDM buffer full callback
               Get data and call audio thread callback
*/
static void pdm_data_ready_inference_callback(void)
{
  int bytesAvailable = PDM.available();

  // read into the sample buffer
  int bytesRead = PDM.read((char *)&sampleBuffer[0], bytesAvailable);

  if (inference.buf_ready == 0) {
    for (int i = 0; i < bytesRead >> 1; i++) {
      inference.buffer[inference.buf_count++] = sampleBuffer[i];

      if (inference.buf_count >= inference.n_samples) {
        inference.buf_count = 0;
        inference.buf_ready = 1;
        break;
      }
    }
  }
}

/**
   @brief      Init inferencing struct and setup/start PDM

   @param[in]  n_samples  The n samples

   @return     { description_of_the_return_value }
*/
static bool microphone_inference_start(uint32_t n_samples)
{
  inference.buffer = (int16_t *)malloc(n_samples * sizeof(int16_t));

  if (inference.buffer == NULL) {
    return false;
  }

  inference.buf_count  = 0;
  inference.n_samples  = n_samples;
  inference.buf_ready  = 0;

  // configure the data receive callback
  PDM.onReceive(&pdm_data_ready_inference_callback);

  // optionally set the gain, defaults to 20
  PDM.setGain(80);
  PDM.setBufferSize(4096);

  // initialize PDM with:
  // - one channel (mono mode)
  // - a 16 kHz sample rate
  if (!PDM.begin(1, EI_CLASSIFIER_FREQUENCY)) {
    ei_printf("Failed to start PDM!");
    microphone_inference_end();

    return false;
  }

  return true;
}

/**
   @brief      Wait on new data

   @return     True when finished
*/
static bool microphone_inference_record(void)
{
  inference.buf_ready = 0;
  inference.buf_count = 0;

  while (inference.buf_ready == 0) {
    //delay(10);
    delay(2000);
  }

  return true;
}

/**
   Get raw audio signal data
*/
static int microphone_audio_signal_get_data(size_t offset, size_t length, float *out_ptr)
{
  numpy::int16_to_float(&inference.buffer[offset], out_ptr, length);

  return 0;
}

/**
   @brief      Stop PDM and release buffers
*/
static void microphone_inference_end(void)
{
  PDM.end();
  free(inference.buffer);
}

#if !defined(EI_CLASSIFIER_SENSOR) || EI_CLASSIFIER_SENSOR != EI_CLASSIFIER_SENSOR_MICROPHONE
#error "Invalid model for current sensor."
#endif

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

175

176

177

178

179

180

181

182

183

184

185

186

187

188

189

190

191

192

193

194

195

196

197

198

199

200

201

202

203

204

205

206

207

208

209

210

211

212

213

214

215

216

217

218

219

220

221

222

223

224

225

226

227

228

229

230

231

232

233

234

235

236

237

238

239

240

241

242

243

244

245

246

247

248

249

250

251

252

253

254

255

256

257

258

259

260

261

262

263

264

265

266

267

268

269

270

271

272

273

274

275

276

277

278

279

280

281

282

283

284

285

286

287

288

289

290

291

292

293

294

295

296

297

298

299

300

301

302

303

/* Edge Impulse Arduino examples

Permission is hereby granted, free of charge, to any person obtaining a copy of this software and associated documentation files (the "Software"), to deal in the Software without restriction, including without limitation the rights

to use, copy, modify, merge, publish, distribute, sublicense, and/or sell

copies of the Software, and to permit persons to whom the Software is

furnished to do so, subject to the following conditions:

The above copyright notice and this permission notice shall be included in

all copies or substantial portions of the Software.

THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR

IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,

FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE

AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER

LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,

OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE

SOFTWARE.

// If your target is limited in memory remove this macro to save 10K RAM (если в вашей плате Arduino проблемы со свободной памятью, то можете удалить вышеописанную преамбулу перед загрузкой кода программы в память – этим вы сэкономите 10 Кбайт памяти)

#define EIDSP_QUANTIZE_FILTERBANK 0

/* Includes ---------------------------------------------------------------- */

#include <PDM.h>

#include <smartbees_inference.h>

#include <ArduinoBLE.h>

#include <ArduinoJson.h>

#include <Arduino_HTS221.h>

#define BLE_UUID_STRING "1A3AC131-31EF-758B-BC51-54A61958EF82"

#define BLE_UUID_TEST_SERVICE "9A48ECBA-2E92-082F-C079-9E75AAE428B1"

/** Audio buffers, pointers and selectors */

typedef struct {

int16_t *buffer;

uint8_t buf_ready;

uint32_t buf_count;

uint32_t n_samples;

} inference_t;

static inference_t inference;

static signed short sampleBuffer[2048];

static bool debug_nn = false; // Set this to true to see e.g. features generated from the raw signal

BLEDevice central;

BLEService service(BLE_UUID_TEST_SERVICE);

BLEStringCharacteristic serviceOutput(BLE_UUID_STRING, BLERead | BLENotify, 200);

/**

@brief Arduino setup function

void setup()

{

// put your setup code here, to run once:

Serial.begin(115200);

while (!Serial);

pinMode(LED_BUILTIN, OUTPUT);

if (!BLE.begin()) {

Serial.println("starting BLE failed!");

while (1);

}

BLE.setLocalName("BeeHive");

BLE.setAdvertisedService(service);

service.addCharacteristic(serviceOutput);

BLE.addService(service);

BLE.advertise();

Serial.println("Bluetooth device active, waiting for connections...");

if (!HTS.begin()) {

Serial.println("Failed to initialize humidity temperature sensor!");

while (1);

}

if (microphone_inference_start(EI_CLASSIFIER_RAW_SAMPLE_COUNT) == false) {

ei_printf("ERR: Failed to setup audio sampling\r\n");

return;

}

/**

@brief Arduino main function. Runs the inferencing loop.

void loop()

{

central = BLE.central();

if (central) {

Serial.print("Connected to central: ");

Serial.println(central.address());

digitalWrite(LED_BUILTIN, HIGH);

while (central.connected()) {

ei_printf("Starting inferencing in 2 seconds...\n");

delay(2000);

ei_printf("Recording...\n");

bool m = microphone_inference_record();

if (!m) {

ei_printf("ERR: Failed to record audio...\n");

return;

}

float temperature = HTS.readTemperature();

float humidity = HTS.readHumidity();

StaticJsonDocument<600> doc;

doc["temperature"] = (round(temperature*10)/10.0);

doc["humidity"] = (round(humidity*10)/10.0);

doc["event"] = "";

ei_printf("Recording done\n");

signal_t signal;

signal.total_length = EI_CLASSIFIER_RAW_SAMPLE_COUNT;

signal.get_data = &microphone_audio_signal_get_data;

ei_impulse_result_t result = { 0 };

EI_IMPULSE_ERROR r = run_classifier(&signal, &result, debug_nn);

if (r != EI_IMPULSE_OK) {

ei_printf("ERR: Failed to run classifier (%d)\n", r);

return;

}

// print the predictions

ei_printf("Predictions ");

ei_printf("(DSP: %d ms., Classification: %d ms., Anomaly: %d ms.)",

result.timing.dsp, result.timing.classification, result.timing.anomaly);

ei_printf(": \n");

float predictions[3];

for (size_t ix = 0; ix < EI_CLASSIFIER_LABEL_COUNT; ix++) {

predictions[ix] = (round(result.classification[ix].value * 10) / 10.0);

//data.add((round(result.classification[ix].value*10)/10.0));

}

int maximal = 0, index = 0;

for (int i = 0; i < 3; i++) {

if (maximal < predictions[i]) {

maximal = predictions[i];

index = i;

}

switch (index) {

case (0): doc["event"] = "MATICA"; break;

case (1): doc["event"] = "NIMATICE"; break;

case (2): doc["event"] = "ROJENJE"; break;

default: doc["event"] = "ERROR"; break;

}

String json;

serializeJson(doc, json);

if (central.connected()) serviceOutput.writeValue(json);

#if EI_CLASSIFIER_HAS_ANOMALY == 1

ei_printf(" anomaly score: %.3f\n", result.anomaly);

#endif

Serial.print("Temperature = ");

Serial.print(temperature);

Serial.println(" °C");

Serial.print("Humidity = ");

Serial.print(humidity);

Serial.println(" %");

}

digitalWrite(LED_BUILTIN, LOW);

Serial.print("Disconnected from central: ");

Serial.println(central.address());

}

/**

@brief Printf function uses vsnprintf and output using Arduino Serial

@param[in] format Variable argument list

void ei_printf(const char *format, ...) {

static char print_buf[1024] = { 0 };

va_list args;

va_start(args, format);

int r = vsnprintf(print_buf, sizeof(print_buf), format, args);

va_end(args);

if (r > 0) {

Serial.write(print_buf);

}

/**

@brief PDM buffer full callback

Get data and call audio thread callback

static void pdm_data_ready_inference_callback(void)

{

int bytesAvailable = PDM.available();

// read into the sample buffer

int bytesRead = PDM.read((char *)&sampleBuffer[0], bytesAvailable);

if (inference.buf_ready == 0) {

for (int i = 0; i < bytesRead >> 1; i++) {

inference.buffer[inference.buf_count++] = sampleBuffer[i];

if (inference.buf_count >= inference.n_samples) {

inference.buf_count = 0;

inference.buf_ready = 1;

break;

}

/**

@brief Init inferencing struct and setup/start PDM

@param[in] n_samples The n samples

@return { description_of_the_return_value }

static bool microphone_inference_start(uint32_t n_samples)

{

inference.buffer = (int16_t *)malloc(n_samples * sizeof(int16_t));

if (inference.buffer == NULL) {

return false;

}

inference.buf_count = 0;

inference.n_samples = n_samples;

inference.buf_ready = 0;

// configure the data receive callback

PDM.onReceive(&pdm_data_ready_inference_callback);

// optionally set the gain, defaults to 20

PDM.setGain(80);

PDM.setBufferSize(4096);

// initialize PDM with:

// - one channel (mono mode)

// - a 16 kHz sample rate

if (!PDM.begin(1, EI_CLASSIFIER_FREQUENCY)) {

ei_printf("Failed to start PDM!");

microphone_inference_end();

return false;

}

return true;

}

/**

@brief Wait on new data

@return True when finished

static bool microphone_inference_record(void)

{

inference.buf_ready = 0;

inference.buf_count = 0;

while (inference.buf_ready == 0) {

//delay(10);

delay(2000);

}

return true;

}

/**

Get raw audio signal data

static int microphone_audio_signal_get_data(size_t offset, size_t length, float *out_ptr)

{

numpy::int16_to_float(&inference.buffer[offset], out_ptr, length);

return 0;

}

/**

@brief Stop PDM and release buffers

static void microphone_inference_end(void)

{

PDM.end();

free(inference.buffer);

}

#if !defined(EI_CLASSIFIER_SENSOR) || EI_CLASSIFIER_SENSOR != EI_CLASSIFIER_SENSOR_MICROPHONE

#error "Invalid model for current sensor."

#endif

Apk файла Android приложения для данного проекта можно скачать по следующей ссылке.

Источник статьи

(Проголосуй первым!)

Загрузка...

979 просмотров

Необходимые компоненты

Аппаратное обеспечение

Программное обеспечение

Основные принципы работы проекта

Модель машинного обучения

Взаимодействие между составными частями проекта

Приложение для Android

Тестирование работы проекта

Возможные улучшения проекта

Исходный код программы (скетча)

Похожие статьи

Добавить комментарий Отменить ответ