Funpack9活動板卡是來自ST的SensorTile.box，本期活動也順利于6月20日截止了，朋友們使用之后最大的感受便是：“這期板卡太有意思了”、“這期板卡太優秀了！”是的，能滿足大家的需求也是我們一直追求的方向。若是你還沒發現Funpack活動，現在還來得及，下面還有三期，快來參加Funpack活動吧。

本期活動是從三個任務中任選其一完成，尤其最后一個任務：使用神經網絡系統，實現特定聲音檢測功能，如：口哨、咳嗽、鳥叫等，可參考官方提供的嬰兒啼哭檢測。既有挑戰性，又涉及機器學習，完成也很有成就感。

本期我們有好幾個小伙伴都選擇完成任務三，為他們的選擇點贊。本次分享的是來自中國科學技術大學的同學【氫化脫氯次氯酸】使用Sensortile.box的麥克風實現對鋼琴、吉他、小提琴的聲音檢測，并在Qeexo AutoML平臺上完成模型訓練。

項目分享：https://www.eetree.cn/project/detail/392

1 平臺介紹1.1 SensorTile.box開發板STEVAL-MKSBOX1V1（SensorTile.box）是具有無線物聯網和可穿戴傳感器平臺的即用型套件盒，無論您的專業水平如何，均可幫助您使用和開發基于遠程運動和環境傳感器數據的應用程序。

這款超低功耗藍牙低功耗解決方案由運行頻率為120 MHz的ARM Cortex-M4（STM32L4R9）提供支持，具有環境，音頻和運動傳感器功能。

環境傳感器，例如溫度（STTS751），濕度（HTS221）和壓力（LPS22HH）傳感器用于監視貨物狀態和庫存管理，例如環境閾值檢測可用于激活條件或除濕系統容器。

運動傳感器，如加速度計（LIS2DW12），用于檢測運動，方向，振動，碰撞/震動事件，自由落體。此外，ST傳感器可以將機器學習核心功能（LSM6DSOX）嵌入傳感器內部，并結合更高的精度，它們提供了低功率解決方案，可以監控更復雜的車輛運動，跟蹤船只，以進行飛機模式檢測。

機上的氣壓計壓力傳感器（LPS22HH）也可用于檢測高度變化或檢測飛機的起飛和降落，例如在飛行過程中用于打開和關閉無線電傳輸。

1.2 Qeexo AutoMLQeexo AutoML是一個一鍵式自動化機器學習平臺，讓用戶可以利用傳感器數據針對高度受限的環境快速創建機器學習解決方案。使用AutoML創建的機器學習引擎，具有輕量級的特點，專為在邊緣設備上本地化運行而設計，無需訪問云端。

對于需要低耗能和低延遲的應用來說，比如移動、物聯網、可穿戴設備、汽車等行業，AutoML模型是理想的選擇。 2 任務及實現方案2.1 本期任務任務三：使用神經網絡系統，實現特定聲音檢測功能，如：口哨、咳嗽、鳥叫等，可參考官方提供的嬰兒啼哭檢測。

2.2 方案簡介我的實現方案是運用SensorTile.box的麥克風實現樂器聲音（鋼琴、吉他、小提琴）的檢測，由iPad上的庫樂隊應用模擬樂器的聲音，模型的訓練在Qeexo AutoML平臺上完成。 3 實現過程3.1 傳感器配置新建工程，創建新環境并命名為mic，選擇麥克風傳感器。

3.2 采集數據可以采集的數據有兩種格式：連續時間數據和事件。由于我們需要檢測時間持續的聲音，這里選擇連續數據，以樂器名作為標簽，并設置采集時間為60s。

分別采集4組訓練集數據，分別為無音樂、小提琴、鋼琴和吉他。可以在data選項卡中檢查數據，并以圖像方式呈現。

錄入訓練集后，繼續錄入測試集，并將測試集數據與對應的訓練集數據進行鏈接。

3.3 模型訓練點擊start new training，并設置模型與訓練參數開始訓練。等待其訓練結束后可以查看各模型的訓練結果

選擇在測試集準確度最高的模型Artificial Neural Network，將其下載到SensorTile.box中，點擊右側的LIVE TEST可以進行在線測試。 3.4 模型測試對于SensorTile.box，可以選擇USB連接和藍牙連接。

選擇連接方式后，即可開始測試。播放音樂，屏幕中央會顯示當前識別到的樂器。

4 心得體會本次任務不需要編寫任何代碼，數據采集、模型訓練等都是在Qeexo AutoML平臺上完成，操作容易，且不需要了解機器學習的各種原理，極大降低了機器學習的入門門檻。同時SensorTile.box配有許多傳感器，且有著很高的性能，是一個進行入門機器學習的理想平臺。

編輯：jq