📚 课程目录第3章硬件基础

3、硬件基础：认识常用传感器（如麦克风、加速度计、摄像头）、了解Arduino板载资源及外设连接方法

TinyML 的核心价值在于“端侧智能”——让机器学习模型直接在嵌入式设备上运行，而这一切的起点是硬件。在 Arduino 平台上开展 TinyML 实验，你不需要先掌握复杂的电路设计，但必须理解三件事：传感器如何将物理世界转化为电信号、Arduino 板卡上有哪些资源可供调用、以及如何正确地将传感器与主控板连接。本章将围绕这三条主线展开，帮助你建立从“物理量”到“数字特征”再到“模型输入”的完整硬件认知链路。

上图展示了 TinyML 实验中最核心的硬件链路：左侧是传感器域，中间是 Arduino 主控域，右侧是输出与调试域。传感器负责将物理世界的声、动、光信号转换为电信号；主控板上的 MCU 通过 I2C、SPI、I2S 或模拟引脚读取这些信号，并在本地完成特征提取和模型推理；最终结果通过串口、LED 或蜂鸣器呈现。理解这条链路，是后续所有实验的基础。

3.1 常用传感器：从物理量到数字特征

在 TinyML 实验中，传感器是数据的源头。不同传感器输出的信号类型、数据速率和接口协议差异很大，这直接决定了你在 Arduino 上如何读取和处理它们。下面我们逐一分析三种最常用的传感器。

3.1.1 麦克风：声音的数字化

麦克风将声波（空气压力变化）转换为电信号。在 TinyML 场景中，我们通常关注两类麦克风：

模拟输出麦克风（如 MAX9814、MAX4466）：输出连续电压信号，需连接到 Arduino 的 ADC（模数转换）引脚。优点是接线简单，缺点是抗干扰能力较弱，且 ADC 采样率有限（Arduino Uno 约 10kHz，Nano 33 BLE Sense 约 1MHz）。
数字 I2S 麦克风（如 INMP441、ICS-43434）：内置 ADC 和数字接口，直接输出 PCM 音频数据。I2S 协议支持更高的采样率（典型 16kHz/32kHz）和更好的信噪比，是语音识别项目的首选。

对于 Arduino Nano 33 BLE Sense 这类自带麦克风的板卡，你无需额外接线，直接通过 PDM 库读取即可。而使用外部麦克风时，需要注意偏置电压和放大倍数——大多数驻极体麦克风需要 2.2kΩ 上拉电阻提供偏置，否则输出信号会非常微弱。

经验提示：在开始语音识别项目前，先用串口绘图器（Serial Plotter）观察原始音频波形。如果波形幅度始终小于 ADC 量程的 10%，说明信号太弱，需要增加放大增益；如果波形顶部或底部被“削平”，说明信号过强，需要降低增益或调整偏置。

3.1.2 加速度计：运动与姿态的感知

加速度计测量物体在 X、Y、Z 三个轴上的加速度（单位通常为 g，1g = 9.8m/s²）。在 TinyML 中，加速度计数据常用于活动识别（走路、跑步、静止）、跌倒检测和姿态分类。

主流数字加速度计（如 LIS3DH、MPU6050、BMI270）通过 I2C 或 SPI 接口与主控通信。I2C 只需两根线（SDA、SCL），适合连接多个传感器；SPI 速度更快，但需要额外的片选引脚。以 MPU6050 为例，它同时包含加速度计和陀螺仪，I2C 地址默认为 0x68，通过 Wire 库即可读取原始数据。

读取加速度计数据时，需要关注两个关键参数：量程（±2g、±4g、±8g、±16g）和采样率（典型 1Hz-1kHz）。量程决定了测量上限，采样率决定了时间分辨率。对于人体活动识别，±4g 量程和 50Hz 采样率通常足够；对于剧烈运动或振动监测，可能需要 ±16g 和更高采样率。

3.1.3 摄像头：视觉信息的入口

摄像头是 TinyML 中最复杂的传感器，因为它产生的数据量远大于麦克风和加速度计。一个 96×96 像素的灰度图像，每帧就有 9216 字节数据；如果使用 RGB 彩色，数据量再乘 3。因此，摄像头模块通常通过并行接口（DVP）或 SPI 接口传输数据，且需要较大的缓冲区。

在 Arduino 生态中，常见的摄像头模块包括：

OV7670：老牌 VGA 摄像头，DVP 并行接口，需要至少 8 个数据引脚和 3 个控制引脚，接线复杂，适合有一定硬件基础的学习者。
OV2640：支持 JPEG 输出，可通过 SPI 或 DVP 接口，常见于 ESP32 系列板卡。
Arduino Nano 33 BLE Sense 板载摄像头：部分版本集成 HM01B0 低分辨率摄像头（320×320），通过并行接口连接，适合 TinyML 入门。

摄像头数据的读取通常需要 DMA（直接内存访问）支持，否则 MCU 在传输图像时无法执行其他任务。在 Arduino 上，这意味着你需要使用 PImage 或 Camera 库，并注意帧缓冲区的内存管理。

传感器类型	输出信号	接口协议	典型采样率/分辨率	TinyML 应用场景
麦克风（模拟）	模拟电压	ADC	10kHz（Uno）	简单声音检测、关键词唤醒
麦克风（I2S）	数字 PCM	I2S	16kHz/32kHz	语音命令识别、声学事件分类
加速度计	数字（X/Y/Z）	I2C/SPI	50Hz-1kHz	活动识别、跌倒检测、姿态分类
摄像头	数字图像	DVP/SPI	96×96 或 320×320	图像分类、物体检测、手势识别

3.2 Arduino 板载资源：算力、存储与接口

Arduino 家族庞大，不同板卡的 MCU 性能差异巨大。对于 TinyML 项目，你需要重点关注以下资源：

3.2.1 算力与内存

TinyML 模型推理需要 CPU 执行大量乘加运算，同时模型参数和中间结果需要占用 RAM。以 Arduino Uno（ATmega328P）为例，它只有 2KB SRAM 和 32KB Flash，几乎无法运行任何实用的神经网络模型。而 Arduino Nano 33 BLE Sense 搭载的 nRF52840 拥有 256KB RAM 和 1MB Flash，可以运行经过量化的 MobileNet 或 LSTM 模型。

选择板卡时，建议遵循以下原则：

入门学习：Arduino Nano 33 BLE Sense（自带麦克风、加速度计、陀螺仪、环境传感器）是最佳选择，无需额外接线。
视觉项目：ESP32-S3 或 Arduino Portenta H7（带摄像头接口）更适合，因为它们有更快的 CPU 和更大的 RAM。
超低功耗：Arduino MKR WAN 1300 或 SparkFun Artemis 可用于电池供电的端侧推理。

3.2.2 通信接口与引脚映射

Arduino 的引脚功能并非完全固定，很多引脚复用多种功能。以 Nano 33 BLE Sense 为例：

I2C:  SDA = D4, SCL = D5（用于加速度计、陀螺仪）
SPI:  MOSI = D11, MISO = D12, SCK = D13, SS = D10（用于 SD 卡或外部传感器）
I2S:  SD = D0, SCK = D1, WS = D2（用于板载麦克风）
ADC:  A0-A7（模拟输入，12 位分辨率）
PWM:  D2-D13（部分引脚支持 PWM 输出）

在连接外部传感器前，务必查阅板卡的引脚功能图（Pinout Diagram）。一个常见的错误是将 I2C 设备连接到不支持 I2C 的引脚上，导致通信失败。另外，注意 3.3V 与 5V 逻辑电平的差异——nRF52840 和 ESP32 都是 3.3V I/O，如果连接 5V 传感器，需要电平转换模块。

3.2.3 电源设计

TinyML 推理时，MCU 的电流消耗会显著增加。例如，nRF52840 在运行神经网络时，峰值电流可达 15mA（不含传感器）。如果使用电池供电，需要计算总功耗：

MCU 工作电流（约 10-20mA）
传感器电流（麦克风约 1mA，加速度计约 0.2mA，摄像头约 50-100mA）
LED 和外部负载电流

Arduino 板载稳压器通常支持 5V USB 供电或 3.7V 锂电池（通过 VIN 引脚）。但注意，当同时驱动摄像头和多个传感器时，稳压器可能过热，此时建议使用外部 5V 电源或独立供电。

风险提示：切勿将 5V 信号直接连接到 3.3V 引脚，否则可能烧毁 MCU。同样，不要从 3.3V 引脚抽取超过 500mA 的电流（具体限值参考板卡手册）。在连接任何外部模块前，先确认其工作电压和逻辑电平。

3.3 外设连接方法：从原理图到实物接线

外设连接是 TinyML 实验中最容易出错的环节。下面以三个典型场景为例，演示完整的连接流程。

3.3.1 场景一：I2C 加速度计（LIS3DH）连接

背景与目标：在 Arduino Nano 33 BLE Sense 上通过 I2C 读取 LIS3DH 加速度计数据，用于后续的活动识别模型训练。

接线步骤：

将 LIS3DH 的 VCC 连接到 3.3V 引脚（注意：LIS3DH 支持 1.71-3.6V，不能接 5V）。
将 GND 连接到 GND。
将 SDA 连接到 Nano 的 D4（I2C 数据线）。
将 SCL 连接到 Nano 的 D5（I2C 时钟线）。
（可选）将 SAO 引脚接地，设置 I2C 地址为 0x18（默认 0x19）。

验证代码：

#include <Wire.h>
#include <LIS3DH.h>
LIS3DH accel;
void setup() {
  Serial.begin(9600);
  if (!accel.begin(0x18)) { // 尝试地址 0x18
    Serial.println("传感器未找到！");
    while (1);
  }
  accel.setRange(LIS3DH_RANGE_4G);
}
void loop() {
  float x = accel.readFloat(LIS3DH_X_AXIS);
  float y = accel.readFloat(LIS3DH_Y_AXIS);
  float z = accel.readFloat(LIS3DH_Z_AXIS);
  Serial.print(x); Serial.print(",");
  Serial.print(y); Serial.print(",");
  Serial.println(z);
  delay(20); // 50Hz 采样
}

排障过程：如果串口输出“传感器未找到”，首先检查 I2C 地址是否正确（用 I2C 扫描程序确认），其次检查 SDA/SCL 是否接反，最后确认电源电压。在本案例中，我们最初将 SDA 接到了 D5，导致通信失败，交换后恢复正常。

3.3.2 场景二：模拟麦克风（MAX4466）连接

背景与目标：使用 MAX4466 麦克风模块采集环境声音，用于简单的响度分类。

接线步骤：

VCC → 3.3V（MAX4466 支持 2.4-5.5V，但 3.3V 可减少噪声）。
GND → GND。
OUT → A0（模拟输入引脚）。

关键参数：MAX4466 的增益可通过板载电位器调节（默认 25dB，最大 60dB）。在安静环境下，输出直流偏置约为 VCC/2 = 1.65V，声音信号叠加在偏置上。

数据读取：使用 analogRead(A0) 读取 0-1023 的整数值（Uno）或 0-4095（Nano 33）。为了提取声音特征，你需要计算一段时间内的峰值或 RMS 值，而不是直接使用原始值。

  实战要点：模拟麦克风的 ADC 采样率有限，无法直接用于语音识别（需要 16kHz 采样）。如果要做关键词识别，建议改用 I2S 数字麦克风。但模拟麦克风非常适合做“声音触发”或“响度检测”等简单任务，且代码量极少。

3.3.3 场景三：摄像头（OV7670）连接与初始化

背景与目标：在 ESP32-S3 开发板上连接 OV7670 摄像头，采集 96×96 灰度图像用于图像分类。

接线清单（部分关键引脚）：

OV7670 引脚	ESP32-S3 引脚	说明
VCC	3.3V	摄像头供电
GND	GND	共地
SIOC	GPIO 10	SCCB 时钟（类似 I2C）
SIOD	GPIO 11	SCCB 数据
VSYNC	GPIO 6	帧同步信号
HREF	GPIO 7	行同步信号
PCLK	GPIO 13	像素时钟
XCLK	GPIO 15	主时钟输入（24MHz）
D0-D7	GPIO 16-23	8 位并行数据

初始化流程：

通过 SCCB 接口写入寄存器，配置输出格式（RGB565 或 YUV422）、分辨率（QQVGA 160×120 或 QVGA 320×240）。
设置 XCLK 为 24MHz，等待摄像头稳定输出。
在 VSYNC 上升沿开始采集一帧数据，在 PCLK 上升沿读取 D0-D7 数据。

常见问题：图像花屏通常是因为 PCLK 采样时序不对，或数据线接错。建议先用逻辑分析仪检查 VSYNC 和 PCLK 波形，确认帧率和像素时钟是否符合预期。

3.4 常见误区与总结复盘

在硬件连接环节，初学者经常陷入以下误区，这里逐一澄清：

误区一：所有传感器都接 5V。很多现代传感器是 3.3V 逻辑，接 5V 会永久损坏。务必查阅数据手册。
误区二：忽略共地。传感器和主控板必须共地（GND 相连），否则通信信号无法形成回路，数据会乱码。
误区三：I2C 地址冲突。多个 I2C 设备地址相同时，需要修改地址引脚或使用 I2C 多路复用器。
误区四：采样率设置过高。MCU 处理不过来时，数据会丢失或阻塞主循环。建议先以较低采样率（如 50Hz）验证流程，再逐步提高。
误区五：忽视电源纹波。摄像头和无线模块工作时，电源噪声会影响 ADC 精度。可以在电源引脚并联 10μF 和 0.1μF 电容滤波。

总结复盘：硬件连接的本质是“信号完整性”问题——确保传感器输出的信号能无失真地到达 MCU 的引脚。在开始任何 TinyML 实验前，建议先完成以下检查清单：

确认传感器工作电压与主控 I/O 电平匹配。
确认所有 GND 已连接。
使用 I2C 扫描程序或串口打印验证传感器是否被识别。
用串口绘图器观察原始数据，确认信号幅度和噪声水平。
记录当前接线图和引脚映射，便于后续调试。