對于這個項目，我決定使用 Arduino Nano 33 BLE Sense 作為中心單元，因為我在哈佛 X TinyML 課程中使用過它。電路很簡單：一個 pH 傳感器（連接了一個水 pH 探頭）連接到 Arduino 模擬輸入，3 個 LED 作為數字輸出驅動。將草圖上傳到 Arduino 后，我必須校準傳感器。我將 pH 指示紙浸入一杯自來水中以了解其 pH 值，結果為 7。然后，我將探頭浸入同一個玻璃杯中，并調整靠近探頭連接器的傳感器微調器，直到讀取到 7 左右的值串行監視器。對于我使用過的特定傳感器，調整靠近傳感器引腳的微調器也很有用，以提高靈敏度。對于這個項目，我選擇了三個 pH 邊緣值：

- pH 4：低于 5 的 pH 值對植物來說太低

- pH 5：5 到 6 的 pH 值最適合植物

- pH 7：7 左右的 pH 值對植物來說太高了

為了得到 pH 值為 4 的溶液，我在一杯自來水中加入了一些檸檬汁，然后我用試紙測量了 pH 值以確認它在 4 左右，所以我將探針浸入玻璃杯中，然后它感應到大約 4 的值，這讓我確信傳感器校準良好。對于 pH 5 的溶液，我又拿了一杯自來水，并在其中放入了 pH 校正劑以降低其 pH。試紙和 pH 傳感器的值都在 5 左右，所以我決定將這種溶液用于水培植物。電路中的三個 LED 指示 pH 值：

- 紅色 LED：當 pH 值約為 4 時亮起

- 綠色 LED：pH 值約為 5 時亮起

- 黃色 LED：當 pH 值約為 7 時亮起

TinyML模型為了訓練 tinyML 模型，我使用了 Edge Impulse 平臺。我已經根據三個邊緣值訓練了模型，對于每個邊緣值，我已經獲取了五分鐘的數據，以涵蓋該值周圍的大部分小波動。

數據收集后，我進行了脈沖設計，添加了我需要的功能塊。

“時間序列數據”塊將收集的數據拆分為多個選定大小的窗口（在本例中為 2000 毫秒）。“頻譜分析”??塊過濾信號，然后執行頻譜分析。“分類”塊是神經網絡，它使用光譜分析的結果來學習如何區分三個數據集。要創建脈沖，我單擊“保存脈沖”，然后轉到左側菜單上的“光譜特征”以查看光譜分析結果并單擊“保存參數”。

之后，出現了一個新窗口，允許為神經網絡生成特征。

然后，通過點擊左側菜單中的“NN Classifier”，我進入了神經網絡配置環境。我選擇對網絡進行 500 次訓練，以達到令人滿意的模型精度水平。

神經網絡能夠區分數據集，所以我可以繼續下一步：將“異常檢測”塊添加到脈沖設計中，允許將神經網絡無法識別的異常數據分類。

左側菜單上的“異常檢測”部分允許我選擇要檢測異常的特征。

為了測試模型，我進行了實時分類，并從 ph 5 解決方案中收集了五分鐘的數據。該模型能夠識別收集到的數據屬于 ph 5 數據集。由于檢測到的值包含在數據集中，因此沒有檢測到異常。

該模型已被證明是可靠的，因此我已將其部署到 Arduino。左側菜單的“部署”部分幫助我做到了這一點。我可以選擇將沖動部署為庫或固件，我決定創建一個 Arduino 庫，這樣我就可以將它包含在我的草圖中。

在Arduino IDE 上為了在 Arduino IDE 中包含模型庫，我繼續 Sketch -> Include Library -> Add.ZIP，然后我將庫包含在我的 Sketch 中，并在代碼中添加幾行以便運行模型Arduino Nano 33 BLE Sense。