利用乐鑫esp32-wifi ESP32-DevKitC基于ML模型监测冰箱温度，EdgeImpulse是嵌入式机器学习(ML)开发平台，它已经为超过1,000个全球企业和10,000个机器学习项目提供支持。EdgeImpulse提供一种易于使用的端到端平台，可以实现以下功能：
1、可以很容易地将传感器数据输入到嵌入式机器学习模型中；
2、有效地创建基于内存尺寸和功耗优化的嵌入式机器学习模型；
3、通过EdgeImpulseSDK和自选开发环境，可以在目标传感器上部署模型。
ZinTheinKyaw，软件应用工程师ZinTheinKyaw在一篇博客中，以冷链监控应用程序为例介绍了嵌入式机器学习开发。采用一种基于乐鑫esp32-wifi ESP32-DevKitC开发板、MAX31855板和K型热电偶探头的异常检测模型，构成了一种冰箱温度监测器。
对冰箱进行温度监控，对于在适当的温度下，对易腐食品冷藏保存非常重要。ZinTheinKyaw将下列组件用于这个项目的概念验证(PoC)演示：
1、乐鑫esp32-wifiESP32-DevKitC开发板。
2、AdafruitMAX31855热电偶板。
3、K型热电偶探头。
4、用ArduinoIDE编译包含EdgeImpulseSDK的嵌入式固件。
使用者可以很容易地将这个PoC演示的配置迁移到其他嵌入式设备上使用，或者在EdgeImpuoseStudio上查看EdgeImpulse项目的数据集，以及如何训练异常检测模型。已经在GitHub上开放此项目。
开启或关闭冰箱门数分钟后，EdgeImpulse根据传感器的温度变化曲线，创建用于检测冰箱开关状态的异常检测的嵌入式机器学习模型。与此同时，它还可以通过“异常计分”获得状态持续的时间。
在建立异常检测模型的过程中，您可以使用dataforwarder工具收集数据。“dataforwarder”是EdgeImpulse命令行界面(或CLI)的一部分，使主机PC、传感器和EdgeImpulse平台之间有一个安全的网络连接，利用嵌入式机器学习模型对实时传感器数据进行训练。
在EdgeImpulseStudio中显示“温度异常区”临界温度范围。在ZinTheinKyaw的项目中，它能够检测到数据中的异常值并将其标记为“异常”，这为使用K均值聚类算法的机器学习模型提供了重要参考。
总之，ZinTheinKyaw的blog通过嵌入式机器学习在冷链监控中的应用示例，展示了如何在一个温控应用中轻松地部署异常检测器。与此同时，乐鑫esp32-wifi ESP32-DevKitC强大的计算能力、紧凑的设计和高性价比，也为构建创新的应用程序、简化系统的复杂性提供了思路和平台。