Spectrino：基于 Arduino Nano 33 BLE Sense 与 ESP8266 的 TinyML 与 IoT 无接触解决方案集

组件与材料

组件	数量
Arduino Nano 33 BLE Sense	1
ESP8266 ESP-01 模块	1
Arducam Mini 2MP Plus 摄像头	1
MAX7219 点阵显示屏 (4合1, 32x8)	1
蜂鸣器	1
SG90/MG995 微型舵机	2
Adafruit Micro-Lipo 充电板	1
Adafruit 锂聚合物电池	1
Arduino MKR WiFi 1010	1
RGB 共阴极 LED	1
HC-SR04 超声波测距模块	1

所需工具

10 根 5cm 跳线

应用与在线服务

Arduino Web Editor
ThingSpeak API (IoT 数据看板)
Edge Impulse Studio (TinyML 模型训练)
TensorFlow / TensorFlow Lite

项目背景

疫情带来的挑战

COVID-19 疫情迫使全球实施社交距离，商场客流骤降导致大量零售、餐饮、娱乐业员工失业（仅美估计超 400 万）。对于无法远程办公的一线员工和商家，如何在保障安全的前提下维持运营成为核心难题。

Spectrino：基于 Arduino Nano 33 BLE Sense 与 ESP8266 的 TinyML 与 IoT 无接触解决方案集

核心痛点

开放场所人员密度未知，风险不可控
强制戴口罩、禁止接触仍有违规
人工测温距离近、数据不留存、效率低
电梯按钮、对讲机、排队等高频接触面污染风险高

本项目针对上述痛点，开发了六大无接触子系统，均基于 TinyML (TensorFlow Lite) 部署在 Arduino Nano 33 BLE Sense 上，配合 ESP8266 上传数据至 ThingSpeak 云端看板，实现实时监控与自动化响应。

六大子系统详解

1. 语音控制无接触电梯系统

动机：电梯按钮为高频接触面。超声波/手势方案存在误触发率高、需近距离操作等缺陷。语音指令“上/下”可远距离、高准确度触发。

模型训练：在 Edge Impulse Studio 采集“up”“down”各 1 分 30 秒（每样本 2 秒），窗口增量 300ms，采用 1D CNN (Keras) 分类。训练 100 epochs，准确率 91.2%，测试集准确率 75%。模型约 24-28KB，部署为 Arduino 库。

核心逻辑：

if (found_command[0] == 'up') {
  digitalWrite(LEDG, LOW); // 绿灯亮
  servo_7.write(0);        // 舵机按下“上”键
  delay(100);
  digitalWrite(LEDG, HIGH);
  servo_7.write(180);      // 舵机复位
}
if (found_command[0] == 'down') {
  digitalWrite(LEDG, LOW);
  servo_7.write(0);        // 舵机按下“下”键
  delay(100);
  digitalWrite(LEDG, HIGH);
  servo_7.write(180);
}

2. 人脸识别智能对讲系统

动机：传统对讲机需按键呼叫，存在接触传播风险。采用人检测模型自动识别来访者并触发门铃。

模型：使用 TensorFlow 预训练人检测模型（三类：unused/person/notperson），输入 96x96 图像，网络结构：Depthwise Conv2D → Conv2D → Average Pool2D → Flatten。Arducam Mini 2MP Plus 采集图像，经 SPI 传输给 Nano 33 BLE Sense 推理。

响应逻辑：

uint8_t person_score = output->data.uint8[kPersonIndex];
uint8_t no_person_score = output->data.uint8[kNotAPersonIndex];
if (person_score > no_person_score) {
  digitalWrite(LEDG, LOW);      // 蜂鸣器响
  digitalWrite(LEDR, HIGH);
  myDisplay.print("Person");    // 矩阵屏显示"Person"
  servo_8.write(0); delay(500); // 可选：舵机按下原对讲机视频键
  servo_8.write(180);
}

3. 自主 IoT 体温监测系统

动机：人工测温距离近、无数据记录。采用 AMG8833 热成像模块 + HC-SR04 超声波检测入场人员，自动测温并上传 ThingSpeak，异常体温（>38.1℃）触发蜂鸣器报警并关闭闸机（舵机模拟）。

逻辑流：

ultra(); // 超声波测距
servo1.write(0); // 开闸
if (distance <= 20) {
  float temp = amg.readThermistor();
  Send_Data_To_ThingSpeak(temp);
  if (temp > 38.1) {
    servo1.write(180); // 关闸
    digitalWrite(BUZZER, HIGH); // 报警
  }
}

4. TinyML + IoT 排队管理系统

动机：商场限流依赖人工计数，无实时数据对外公开，顾客无法知晓等待时间与店内密度。

方案：入口/出口各部署一套人检测系统（Arducam + Nano 33 BLE Sense）。检测到人进入 → 舵机开闸 → 计数+1 → 上传 ThingSpeak。计数达 50 人上限 → 关闸 15 分钟 → LED 矩阵显示等待时间。出口同理减少计数。ThingSpeak 看板实时显示进/出人数，顾客可据此选择最佳到访时段。

等待时间估算算法：


X = 累计入场人数
Y = 累计出场人数
Z = 容纳上限 (50)
count = Z - (X - Y) // 负值表示超员
if (count < 0) wait_time = (-count) * 平均停留时间;
else wait_time = 0;

5. 口罩检测系统（基于人检测扩展）

动机：强化口罩合规。在 Edge Impulse 训练 MobileNetV2 0.35 分类器（mask/no_mask），数据集 813 张训练/487 张测试，量化后模型约 676KB，准确率 92.6%（测试集 98.15%）。部署于 Nano 33 BLE Sense，检测结果同上传 ThingSpeak 统计戴/未戴口罩趋势，辅助管理决策。