📚 课程目录第1章课程导论

1. 课程导论：AI on STM32 概述

各位同学，欢迎来到《STM32Cube AI模型部署与传感器数据推理实战》的第一课。

说实话，这几年找我咨询嵌入式AI的人越来越多。很多人手里拿着高性能的MCU，却不知道怎么把训练好的神经网络跑上去。或者跑上去了，发现Flash不够、RAM爆了、推理时间比传感器采样周期还长。

嗯，这些问题我都遇到过。而且不止一次。

所以这门课，我会把从模型训练到STM32部署的完整链路，掰开揉碎了讲给你听。今天我们先搭个框架，看看整个事情到底是怎么回事。

你可能会问：AI不都是跑在云端或者GPU上的吗？为什么非要塞进一个主频几百兆的MCU里？

原因其实很直接：实时性、功耗、成本、隐私。

核心观点：边缘AI不是要替代云端AI，而是解决云端AI解决不了的问题——低延迟、低功耗、低成本、高隐私。

STM32Cube.AI 是意法半导体官方推出的AI部署工具。它的核心功能就一句话：把训练好的神经网络模型，转换成能在STM32上高效运行的C代码。

我个人习惯把整个工具链分成三段：

我刚开始用这个工具链的时候，踩过一个坑：模型在PC上推理精度99%，部署到STM32上直接掉到60%。后来发现是量化参数没对齐。所以后面课程里我会专门花一章讲量化校准，这个坑你别再踩了。

理论说完了，我们看看实际能做什么。我挑三个最常见的场景来讲。

工业现场的设备，比如电机、泵、风机，坏了才修成本太高。预测性维护的思路是：通过振动传感器采集设备运行数据，用AI模型判断设备健康状态，提前预警故障。

我在一个水泵项目里做过这个。传感器采集三轴加速度数据，用1D-CNN模型做分类：正常、轻微磨损、严重磨损、即将故障。模型大小只有12KB，在STM32F4上推理一次只要8ms。客户后来跟我说，提前三天预警了一次轴承故障，避免了产线停机的损失。

经验之谈：预测性维护的模型不需要太复杂。很多时候一个轻量级的1D-CNN或者随机森林就够用了。关键是特征提取和传感器数据质量。

关键词唤醒（比如“小爱同学”、“Hey Siri”）是MCU上语音识别的典型应用。STM32上跑语音识别，一般流程是：

我记得有个智能家居项目，客户要求在STM32L4上实现“开灯”、“关灯”、“调亮”、“调暗”四个关键词的识别。模型量化后只有8KB，RAM占用不到16KB，识别准确率92%。功耗控制在10mW以内，两节AA电池能用半年。

注意：语音识别对麦克风硬件和音频预处理要求很高。我见过很多项目模型本身没问题，但麦克风噪声太大导致识别率上不去。选型时一定要关注信噪比和频率响应。

异常检测和预测性维护有点像，但侧重点不同。异常检测关注的是：当前数据是否偏离了正常模式。常用于安防监控、工业质检、设备状态监测。

举个例子：在一条生产线上，用摄像头拍摄产品外观，用AI模型判断是否有划痕、缺料、变形。模型输出是“正常”或“异常”。

我曾经帮一个电子厂做过PCB焊点检测。用STM32H7 + OV2640摄像头，模型是MobileNetV1的轻量化版本，量化后32KB。检测一张640x480的图像，推理时间约120ms，准确率98.5%。客户原来靠人工目检，一条线要6个人。上了这个方案后，只需要1个人复核异常样本。

下面这张图，是我对整门课程知识体系的梳理。你可以把它当作地图，后面每节课都会对应到图上的某个节点。

在正式开始之前，我列一下你需要准备的东西：

小建议：如果你手头没有开发板，可以先在STM32CubeMX的模拟器里跑通流程。但说实话，真正调试的时候还是得用实物。我建议你至少准备一块NUCLEO板，不贵，但能省很多弯路。

好，第一课的内容就到这里。我们讲了：