最流行的开源硬件平台
本文详细介绍了一个基于ESP32微控制器、霍尔传感器与Edge Impulse平台的智能风扇转速计项目。通过采集不同转速下的磁场信号，利用频谱特征提取与两层神经网络模型训练，系统可精准识别风扇的关、低、中、高四档转速状态。项目不仅实现了高精度测量，还集成了异常转动检测功能，显著提升了运行可靠性。该方案将数据采集、模型训练与边缘部署完美融合，展现了轻量级边缘AI在设备监控与故障预警中的巨大潜力，为硬件开发者提供了极具参考价值的实战范例，助力更多创新应用落地。
Cat-Localizer 是一款基于 BLE 信标、ESP32 探测器和机器学习的室内猫咪定位系统。通过给猫咪佩戴 BLE 信标，多个 ESP32 探测器接收信号强度并上传至服务器，再利用训练好的机器学习模型预测位置。该系统仅需 4-6 个廉价 ESP32 即可实现高精度定位，MLP 分类器结合 Min-Max 缩放器可达约 0.88 的平衡准确率。项目提供完整的硬件搭建指南、数据收集方法和 Python 预测程序，适合有一定动手能力的宠物主人打造专属追踪方案。
本文介绍了一个基于ESP32微控制器、霍尔传感器和Edge Impulse平台的边缘AI项目，实现12V风扇转速的智能测量与异常检测。通过在风扇叶片安装磁铁，霍尔传感器采集磁场变化信号，经数据滤波处理后上传至Edge Impulse平台。项目采用频谱特征提取和两层神经网络分类器，将转速分为OFF、LOW、MED、HIGH四档，并具备异常检测功能。该系统轻量高效、部署便捷，展现了边缘AI在设备状态监控领域的应用潜力。
Cat-Localizer 是一套基于 BLE 信标、ESP32 探测器和机器学习的室内猫咪定位系统。通过布置 4-6 个廉价 ESP32 采集信号强度数据，结合 MLP 分类器模型实现约 88% 的定位准确率，帮助铲屎官实时追踪爱猫位置，告别”寻猫记”烦恼。
本文介绍了一个名为Cat-Localizer的室内猫咪定位系统。该系统利用BLE信标、多个ESP32探测器和机器学习技术实现精准定位。猫咪佩戴BLE信标后，分布在房屋各处的ESP32探测器接收信号强度(RSSI)数据，通过Python程序和MLP分类器预测猫咪位置。系统成本低、准确率高，实验结果显示平衡准确率约达88%。文章详细介绍了硬件配置、软件设置、机器学习模型训练过程及提升精度的技巧。