📚 课程目录第4章边缘AI数据采集与预处理

4. 边缘AI数据采集与预处理

边缘AI模型在STM32上能否跑出预期精度，往往不取决于网络结构本身，而取决于喂给模型的数据是否干净、时序是否对齐、量纲是否一致。本章围绕ADC、DCMI、I2S、IMU四类典型外设，讲清从物理信号到模型输入张量之间的完整处理链，并给出可复用的数据管道设计方法。

一、四类外设的采集特性与数据形态

STM32上常用的四类采集通道，其数据形态差异很大，预处理策略也必须区别对待：

ADC：采集振动、电流、温度等模拟量，输出12位或16位整数，采样率由定时器触发决定，典型用于1kHz~50kHz的振动信号。
DCMI：并行摄像头接口，配合DMA直接搬运图像帧到缓冲区，输出灰度或RGB565像素矩阵，典型用于96×96或128×128的视觉输入。
I2S：数字麦克风或音频编解码接口，输出PCM采样序列，典型16kHz、16位单声道，用于关键词唤醒或异常声音检测。
IMU：通过SPI/I2C读取加速度计和陀螺仪，输出三轴加速度与三轴角速度，典型采样率100Hz~1kHz，用于姿态与动作识别。

这四类数据的共同点是：原始值都是整数，且带有各自的量纲和偏置。ADC的零点可能不在2048，IMU存在零偏，麦克风有直流分量。如果直接把原始整数送进模型，精度会明显下降。

二、滑动窗口：把连续流切成模型可吃的样本

模型输入是固定长度的张量，而传感器输出是连续流，因此必须用滑动窗口切分。关键参数有三个：窗口长度W、步长S、以及是否重叠。

以IMU动作识别为例：采样率100Hz，窗口长度W=128（即1.28秒），步长S=64（50%重叠）。这样每个窗口包含128个六轴样本，重叠可以增加样本数量并保留动作边界信息。对于振动ADC，常用W=256、S=128；对于音频，常用W=512（16kHz下约32ms）、S=256。

实现上推荐用环形缓冲区（ring buffer）配合DMA半满/全满中断。DMA把新数据写入环形缓冲区尾部，当累积到S个新样本时，触发一次窗口提取。这样CPU只在窗口就绪时被唤醒，避免逐样本中断带来的开销。

#define WIN_LEN   128
#define HOP_LEN   64
#define CH_NUM    6

static int16_t ring[WIN_LEN * 2][CH_NUM];
static volatile uint32_t wr_idx = 0;

void imu_dma_callback(int16_t *new_samples, uint32_t n) {
    for (uint32_t i = 0; i < n; i++) {
        for (int c = 0; c < CH_NUM; c++)
            ring[wr_idx % (WIN_LEN * 2)][c] = new_samples[i * CH_NUM + c];
        wr_idx++;
        if (wr_idx % HOP_LEN == 0 && wr_idx >= WIN_LEN) {
            extract_window(ring, wr_idx, WIN_LEN, CH_NUM);
        }
    }
}

三、归一化与滤波：让数据落在模型熟悉的区间

归一化的目标是把不同量纲的通道映射到统一区间。常用两种方式：

Min-Max归一化：x' = (x - min) / (max - min)，适合幅值范围已知且稳定的信号，如ADC振动。
Z-Score标准化：x' = (x - μ) / σ，适合存在零偏和增益差异的IMU，需要在线估计均值和标准差。

在STM32上，Min-Max可以用定点数实现，避免浮点开销。例如把min和max预先算成Q15格式，归一化后直接得到int8_t或int16_t的模型输入。Z-Score则建议用滑动均值/方差递推公式，每来一个新样本更新一次，避免存储整个窗口。

滤波方面，ADC振动信号常用二阶IIR低通或带通滤波器，截止频率根据机械故障特征频率设定；IMU常用一阶低通或互补滤波融合加速度与陀螺仪；音频常用预加重和Mel滤波器组。滤波系数可以用Python的scipy.signal设计后导出为C数组，在STM32上以direct form II transposed结构实现，每样本只需几次乘加。

滤波和归一化的顺序建议：先滤波去噪，再归一化。如果先归一化，噪声会被放大到与信号同一量级，滤波效果变差。

四、可复用数据管道的结构设计

把上述步骤串起来，就形成一条数据管道。管道的核心是“采集—缓冲—窗口—预处理—输出张量”五段，但每段都应该是可替换的模块，而不是写死的代码。推荐用函数指针或结构体描述管道：

typedef struct {
    void (*init)(void);
    int  (*read)(int16_t *buf, uint32_t n);
    void (*preprocess)(int16_t *win, int8_t *out, uint32_t len);
} data_pipe_t;

static const data_pipe_t imu_pipe = {
    .init = imu_init,
    .read = imu_read_dma,
    .preprocess = imu_norm_filter
};

这样更换传感器时只需替换read和preprocess，窗口逻辑和缓冲区管理可以复用。对于DCMI图像，预处理通常是缩放+灰度化+归一化；对于I2S音频，是分帧+加窗+Mel滤波。虽然具体算子不同，但管道骨架一致。

五、工程实现中的关键细节

第一，时间戳对齐。多传感器融合时，IMU和麦克风的采样时刻必须对齐。建议在DMA中断中记录HAL_GetTick()或DWT周期计数，窗口提取时按时间戳插值对齐，而不是假设采样率绝对精确。

第二，内存布局。TFLite Micro的输入张量要求连续内存，且通常是[1, H, W, C]或[1, T, C]。窗口提取后应直接写入模型输入缓冲区，避免中间拷贝。对于IMU的[1,128,6]，可以按时间步优先排列，即t0_c0, t0_c1, ..., t0_c5, t1_c0, ...。

第三，定点化。STM32F4/F7/H7带FPU，可以用float做预处理，但L0/G0等无FPU的型号建议全程定点。归一化时把scale和zero_point预先算好，用(x - zp) * scale的整数近似实现。

不要在中断里做滤波和归一化。中断只负责搬运数据到环形缓冲区，预处理放在主循环或RTOS任务中执行，否则会阻塞后续DMA请求，导致采样丢点。

第四，验证方法。在PC上用Python复现同样的窗口和预处理逻辑，把STM32输出的张量通过串口或SWO导出，与PC端结果逐元素对比。如果误差在量化允许范围内（通常int8下±1），说明管道正确。这一步能快速定位是采集丢点、窗口错位还是归一化参数不一致。

把以上四层——采集、缓冲、窗口、预处理——封装成独立模块后，更换传感器或调整模型输入形状时，只需修改配置参数和预处理算子，管道骨架保持不变。这正是边缘AI数据管道可复用性的核心价值。