一、项目介绍
2026年第6届“寒假在家一起练”共推出4款平台，涵盖FPGA、树莓派（RP2040、RP2350B）、ESP32-S3人工智能平台，本项目采用esp32s3来进行开发。任务名称是环境预测与场景联动。使用模块包括ESP32‑S3 Sense、DHT11 温湿度传感器、光敏电阻、旋转电位器、三色 LED 模块、蜂鸣器等。要求是
1. 采集温度、湿度、环境光强、震动或倾斜等两种及以上的数据，并间隔一段时间持续记录。
2. 使用TensorFlow等平台训练轻量模型，输出风险预测。
3. OLED 上显示各传感器实时值、预测评分与趋势、过往采集数据等，三色 LED 用红黄绿显示风险等级。
4. 预测风险从正常转为可能存在风险时，蜂鸣器短鸣3次进行提示，三色LED由绿色转为黄色；预测风险达到阈值时蜂鸣器长鸣警报，三色LED转为红色。
硬件平台使用的是人工智能硬件实验套件以Seeed XIAO ESP32-S3 Sense为核心主控，集成摄像头、麦克风等AI感知能力，搭配13个精选功能模块，支持灵活组合，理论与实践深度融合，套件覆盖从电路基础、信号采集、算法控制到AI应用的完整教学链路，将部分功能模块组装后可看到一辆小车。适用于电子信息、计算机、自动化等专业的AI硬件教育，学生通过亲手搭建语音助手、人脸识别门禁、智能小车等项目，在实践中深刻理解AI的工作原理，让抽象的AI算法变成可以看得见、摸得着的智能硬件，也可用于大创项目、创客教育等AI硬件实践。
二、设计思路及流程
首先通过esp32连接各类输入传感器，按照edgeImpluse要求的格式进行输入数据的准备，同时根据数据进行二分类，分别是正常NORMAL和风险DANGER。数据存储在csv文件中，之后导入edgeImpluse进行模型训练，经过不断优化及参数调整得到正确率在94%左右的训练结果，从而导出模型zip文件（附件中）。之后再新建项目用于实时数据预测。
本项目使用vscode编程，安装插件platformio，相比arduino开发具有编译速度快，提示信息明显等优势。下面是项目流程图。
首先通过传感器采集数据写入到csv文件，并且根据设定的阈值对数据进行分类，数据值比较高的设为报警，否则设置为正常状态，随后把数据导入到edgeImplus进行训练，下图是原始数据及训练页面的截图展示，label有normal和danger两大类。
经过训练后的模型导出到项目的lib目录里面（ei-eetree-arduino），用于实时检测数据并进行分类。另外lib目录里面包含了点灯科技app的库（blinker-library），用于通过app实时显示esp采集的温湿度信息以及分类结果。
三、重点代码介绍
最后是项目代码中的实时检测部分，主要是ESP32每秒采集外设的实时数，然后使用训练好的模型据根据输入的数据进行预测，通过预测结果如果判断为危险danger，再进行阈值的判断，如果超过阈值则蜂鸣器长鸣警报，三色LED转为红色，否则存在风险时，蜂鸣器短鸣3次进行提示，三色LED由绿色转为黄色。如果预测结果为正常normal则三色LED由绿色，关闭蜂鸣器。
for (size_t ix = 0; ix < EI_CLASSIFIER_LABEL_COUNT; ix++) {
ei_printf("%s: %.5f\r\n", result.classification[ix].label, result.classification[ix].value);
}
//检测当前数据是否有效且超阈值，若超阈值，屏幕与蜂鸣器警报
if (result.classification[0].value > result.classification[1].value){
if(result.classification[0].value>0.995 && (buffer[0]>26 || buffer[2]>4000 || buffer[3]>98)){
ledOn(2);
printf("⚠️ 报警: 温湿度超出阈值，蜂鸣器一直响");
tone(BUZZER_PIN, frequency, 0);
}else{
ledOn(3);
printf("报警: 温湿度danger，蜂鸣器响3次");
buzzAlarm();
}
} else {
noTone(BUZZER_PIN);
ledOn(1);
}
四、实物展示
下面是实物展示图片及APP实时数据采集预测页面
五、项目小结
通过本次项目实践，个人对模型的训练和使用有了自己的理解，对xiao-esp32s3有了更深刻的认识，但是在管脚的处理上容易混淆，比如D9对应的不是GPIO9，而是对应GPIO8。因此后续工作中要加强对原始文档的了解，不能想当然的以固有思想来开发项目。
john
E-lxl
Wang Chong