1. 课程导入：学习目标、核心概念、整体框架——理解事件触发拍照与间歇推理在TinyML中的价值

欢迎进入《TinyML低功耗视觉》系列课程的第一章。在边缘计算与物联网（IoT）深度融合的今天，视觉感知能力正从云端服务器向微控制器（MCU）级别迁移。然而，一个残酷的物理现实是：大多数MCU的功耗预算仅为毫瓦级，而传统的连续视频流处理方案在这样严苛的约束下几乎寸步难行。本章作为全课程的基石，将为你系统性地拆解“事件触发拍照”与“间歇推理”这两大核心方法论，帮助你建立从“功耗焦虑”到“能效自信”的认知跃迁。我们将明确学习目标、厘清核心概念、搭建整体知识框架，并深入剖析这两项技术在真实产品中的不可替代价值。

1.1 学习目标：从“能跑”到“能省”的思维转变

在传统嵌入式视觉开发中，工程师的第一反应往往是“选一颗更强的MCU”或“提高主频”。但在TinyML领域，这种思路恰恰是功耗灾难的源头。本章的学习目标并非教你如何“压榨”硬件性能，而是帮助你建立一套全新的设计哲学：在信息采集的第一公里就做减法。具体而言，完成本章学习后，你应该具备以下四项核心能力：

• 理解功耗模型：能够准确计算视觉系统的动态功耗与静态功耗，明确CMOS图像传感器（CIS）、MCU、无线模块三大耗电元件的占比，并据此制定功耗预算表。
• 掌握事件触发机制：能够区分“轮询采样”与“事件驱动”的本质差异，学会使用PIR传感器、毫米波雷达、加速度计或图像差分算法作为“唤醒源”，实现从“一直看”到“需要时才看”的转变。
• 理解间歇推理的工程意义：明白为什么“关机-开机-推理-再关机”的循环模式比“持续低功耗运行”更省电，掌握状态保存/恢复（Checkpointing）的基本原理，以及非易失性存储器（如FRAM）在其中的关键作用。
• 建立系统级优化视野：能够从“传感器-处理器-存储-通信”全链路视角评估能效，理解为什么“数据不搬家”比“高效搬家”更节能，为后续章节的模型压缩与硬件选型打下认知基础。

1.2 核心概念：事件触发拍照与间歇推理的深度解析

这两个概念看似简单，但背后蕴含着深刻的系统设计思想。我们逐一拆解其技术内涵与实现要点。

1.2.1 事件触发拍照（Event-triggered Capture）

事件触发拍照的核心思想是：让“有意义”的物理事件来决定摄像头何时工作，而不是让摄像头无休止地工作来“寻找”事件。在具体实现上，它通常包含三级触发架构：

1. 初级触发（物理层）：使用超低功耗的传感器（如PIR热释电传感器，功耗仅微瓦级）持续监测环境。当检测到人体红外辐射变化时，输出一个中断信号唤醒MCU。这一级的功耗几乎可以忽略不计。
2. 中级触发（数据层）：MCU被唤醒后，并不立即启动高功耗的摄像头，而是先读取低分辨率的环境光传感器或加速度计数据，通过简单的阈值判断或状态机逻辑，确认“是否值得”开启摄像头。这相当于一个软件滤波过程，可以有效避免因宠物、树叶晃动等造成的误触发。
3. 高级触发（视觉层）：当确认需要视觉确认时，摄像头才上电并完成单帧或多帧拍摄。拍摄完成后，MCU立即对图像进行初步的像素级差分分析（如果硬件支持），或者直接将图像存入外部Flash，然后再次进入深度睡眠。

这种分级唤醒架构的工程价值在于：它将系统平均功耗从“毫瓦级”拉低到“微瓦级”。以一款典型电池容量为2000mAh（约7400焦耳）的设备为例，如果采用连续采集模式（摄像头+MCU功耗约200mW），续航不足10小时；而采用事件触发模式（平均功耗约50μW），理论续航可达数年。

1.2.2 间歇推理（Intermittent Inference）

间歇推理解决的是另一个维度的挑战：即使事件触发了，我们也没有足够的能量或时间一次性完成整个神经网络推理。以MobileNetV1为例，其参数量约420万，在Cortex-M7内核上运行一次推理需要约1.5秒，消耗约30mJ能量。如果系统电容只能存储5mJ能量，那么推理过程必然会被“断电”打断。

间歇推理的核心技术栈包括：

• 能量预算管理：系统使用一个大电容（如100μF~1mF）作为能量缓冲。当电容电压充至阈值（如3.3V）时，系统上电开始推理；当电压跌至下限（如2.0V）时，系统掉电。这种“充电-放电-充电”的循环构成了间歇工作的基础。
• 状态持久化（Checkpointing）：在每次断电前，系统必须将当前神经网络的中间层输出（Feature Map）、程序计数器、寄存器状态等关键数据保存到非易失性存储器（如FRAM或Flash）中。下次上电时，从断点处继续推理，而不是从头开始。
• 感知计算（Approximate Computing）：在某些场景下，我们允许推理结果存在微小误差，以换取更少的计算量。例如，将神经网络的量化精度从8-bit降至4-bit，虽然准确率可能下降1-2%，但计算能耗可降低约40%。

1.3 整体框架：30章课程的知识地图与学习路径

本课程共30章，按照“基础-感知-推理-系统”四个阶段递进展开。每一章都围绕一个核心工程问题展开，并配有可运行的代码示例与实验数据。下表展示了课程的整体架构及各阶段的核心主题：

阶段	章节范围	核心主题	关键交付物
基础	1-7章	硬件平台（STM32/ESP32）、TinyML工具链（TFLM/Edge Impulse）、功耗测量方法、电池与能量采集	能效基准测试报告、功耗分析仪使用指南
感知	8-14章	事件触发传感器选型、图像传感器低功耗模式、差分图像预处理、关键帧提取算法	事件触发相机固件、误触发率测试方案
推理	15-22章	模型量化/剪枝、间歇推理框架（如Intermittent-CNN）、状态保存策略、能量感知调度	可断点续跑的推理引擎、能耗模拟器
系统	23-30章	端云协同、多传感器融合、户外长期部署、安全与隐私、案例实战（野生动物监测/工业质检）	完整产品原型、部署运维手册

在学习路径上，我们建议你遵循“先横向打基础，再纵向做深挖”的原则。前7章必须扎实掌握，尤其是功耗测量方法（第4章）和MCU低功耗模式（第5章），它们是后续所有优化的前提。第8-14章是事件触发拍照的专项深化，第15-22章是间歇推理的专项深化。最后8章则是将两者融合，完成从“技术验证”到“产品落地”的跨越。

1.4 案例拆解：智能门铃的功耗革命

为了让你更直观地理解本章两个核心概念的价值，我们来看一个真实的工程案例——一款基于TinyML的电池供电智能门铃。

背景与约束：该产品要求使用2节AA电池（总能量约9000J）供电，目标续航12个月。传统方案采用“低功耗MCU+摄像头周期性拍照”模式，每5秒拍摄一张VGA图像并进行本地人脸检测。实测系统平均功耗为85mW，理论续航仅29小时，远不达标。

初始现象与目标：工程师发现，在85mW的功耗中，摄像头模组占55%，MCU占20%，无线模块占10%。而真正包含人脸的帧数不足总帧数的0.1%。这意味着99.9%的能量被浪费在了“无意义”的图像采集与处理上。

关键输入数据与参数：

• PIR传感器待机功耗：15μA @ 3V（约45μW）
• 摄像头单帧拍摄+读取功耗：120mA @ 3V，持续200ms（约72mJ/帧）
• MCU深度睡眠功耗：2μA @ 3V（约6μW）
• MCU运行推理功耗：20mA @ 3V，持续500ms（约30mJ/次）

分析判断过程：工程师将系统重构为“事件触发+间歇推理”架构。PIR传感器始终工作，当检测到人体靠近时（约每2小时一次），唤醒MCU。MCU先读取环境光传感器确认是白天，然后启动摄像头拍摄一张320x240的灰度图。图像数据暂存于SRAM，MCU立即运行一个轻量级人脸检测模型（仅需20ms）。若检测到人脸，则通过Wi-Fi发送通知；若未检测到，则立即进入睡眠。

实际操作步骤：

1. 将摄像头从“定时拍照”模式改为“单帧触发”模式，关闭其内部自动曝光循环。
2. 在MCU固件中增加PIR中断服务程序，并设置软件去抖（连续3次触发才确认）。
3. 将人脸检测模型从MobileNetV1替换为MobileNetV2-0.25（参数量减少约10倍），并量化至8-bit。
4. 在每次推理前，将MCU主频从240MHz降至80MHz，以降低动态功耗。

结果对比：改造后，系统平均功耗降至约180μW（PIR 45μW + MCU睡眠6μW + 事件触发均摊约129μW）。理论续航达到5.7年，远超12个月的目标。虽然事件捕获率从100%（每5秒一张）降至约95%（PIR可能漏检静止目标），但在实际使用场景中，访客必然会产生移动，因此漏检率可接受。

风险与代价：该方案的代价是响应延迟增加。从PIR触发到Wi-Fi通知发出，平均需要约1.2秒（包括摄像头启动、拍摄、推理、联网）。对于门铃场景，这个延迟在可接受范围内。但如果用于安防报警，则需要增加一个“快速预判”通道（如PIR触发后立即发送一个低分辨率预览图到云端）。

复盘经验：这个案例深刻揭示了TinyML视觉的核心法则：系统级功耗优化远胜于芯片级功耗优化。即使MCU和摄像头的功耗没有降低，仅通过改变工作模式（从连续到事件触发）和计算策略（从完整推理到轻量推理），就能实现三个数量级的能效提升。这正是本课程要传授的核心工程智慧。

1.5 常见误区与总结复盘

在第一章的收尾阶段，我们有必要澄清几个初学者极易陷入的认知误区，这些误区可能导致你在后续章节的学习中走弯路。

误区编号	常见错误认知	正确理解
1	“低功耗就是选一颗低功耗MCU”	MCU的待机功耗只是冰山一角，传感器、电源转换效率、外部存储器的漏电流往往占据更大比重。
2	“事件触发就是加一个PIR传感器”	PIR只是最简单的触发源。真正的工程挑战在于多级触发架构的设计、误触发抑制、以及触发后的快速响应。
3	“间歇推理会导致系统不可靠”	只要Checkpointing策略设计得当（如使用FRAM、双备份机制），间歇推理的可靠性可以媲美连续运行。
4	“图像质量越高越好”	在TinyML中，图像分辨率、色彩深度、帧率都是功耗参数。320x240灰度图往往比1280x720彩色图更实用。