Skip to main content

Estación Meteorológica Inteligente con Wio Terminal y TensorFlow Lite Micro

En este proyecto, utilizaremos Wio Terminal y TensorFlow Lite for Microcontrollers para crear una estación meteorológica inteligente, capaz de predecir el clima y la probabilidad de precipitación para las próximas 24 horas, usando datos locales del sensor ambiental BME280.

Puedes ver una demostración en el siguiente video:

Aprenderás a aplicar técnicas de optimización de modelos para ejecutar una red neuronal convolucional, junto con una interfaz gráfica fluida (GUI) y conexión Wi-Fi, operando durante días o incluso meses.

La pantalla mostrará la temperatura, humedad y presión atmosférica actuales, junto con el nombre de la ciudad, tipo de clima previsto y probabilidad de precipitación. En la parte inferior, un área de log puede ser utilizada para alertas meteorológicas u otra información.

Datos de entrenamiento​

Usaremos el conjunto de datos Historical Hourly Weather Data 2012-2017 disponible en Kaggle. Como ejemplo, se eligió Miami por tener un clima subtropical similar a Shenzhen, donde se encuentra Seeed Studio.

Nota: Usa una ciudad con clima parecido al tuyo. Un modelo entrenado con datos de Miami no funcionará en invierno en Chicago.

Entrenamiento del modelo​

Puedes usar el cuaderno Google Colab incluido en el repositorio del proyecto.

Si prefieres ejecutar localmente:

pip install -r requirements.txt
jupyter notebook

Despliegue en Wio Terminal​

El modelo entrenado se convierte en un arreglo de bytes que puede cargarse junto al código C++ en el Wio Terminal.

Optimizaciones​

  1. Cuantización entera: convierte pesos y datos de float32 a int8, reduciendo el tamaño del modelo 4x.

  2. micro_mutable_op_resolver: solo incluye operaciones necesarias en lugar de todas (como all_ops_resolver).

Ejemplo de inicialización​

#include <TensorFlowLite.h>
#include "tensorflow/lite/micro/all_ops_resolver.h"
#include "tensorflow/lite/micro/micro_error_reporter.h"
#include "tensorflow/lite/micro/micro_interpreter.h"
#include "tensorflow/lite/schema/schema_generated.h"
#include "model_Conv1D.h"

namespace {
tflite::ErrorReporter* error_reporter = nullptr;
const tflite::Model* model = nullptr;
tflite::MicroInterpreter* interpreter = nullptr;
TfLiteTensor* input = nullptr;
TfLiteTensor* output_type = nullptr;
TfLiteTensor* output_precip = nullptr;
constexpr int kTensorArenaSize = 1024*25;
uint8_t tensor_arena[kTensorArenaSize];
}  // namespace

Ejemplo de inferencia​

for (byte i = 0; i < 72; i++) {
  input->data.int8[i] = x[i] / input->params.scale + input->params.zero_point;
}

TfLiteStatus invoke_status = interpreter->Invoke();

float y_precip = (output_precip->data.int8[0] - output_precip->params.zero_point) * output_precip->params.scale;
Serial.print("Precip: ");
Serial.println(y_precip);

Interfaz LVGL y WiFi​

Para hacer el proyecto funcional desde el arranque:

  • Se obtienen los datos climáticos de las últimas 24h desde openweathermap.com.
  • Luego se reemplazan por datos del sensor BME280 conectado al conector Grove del Wio Terminal.

Cambia tus credenciales WiFi, ubicación y clave de API en el sketch antes de compilar.

Recursos​

Loading Comments...