概 覽

以“紅外測(cè)距傳感器”為研究對(duì)象，先采集整理數(shù)據(jù)，再利用BaseML分別采用線性回歸、多項(xiàng)式回歸算法訓(xùn)練模型，實(shí)驗(yàn)表明多項(xiàng)式回歸能良好擬合其特征曲線。在模型訓(xùn)練后，借助pinpong庫和XEduHub推理框架，實(shí)現(xiàn)真實(shí)場(chǎng)景的測(cè)距應(yīng)用。作者認(rèn)為，當(dāng)前AI for Science漸成科研熱點(diǎn)，中小學(xué)生雖難吃透機(jī)器學(xué)習(xí)底層原理，但通過實(shí)踐可初步掌握人工智能概念、思維及解決問題之道，為未來科技的學(xué)習(xí)奠定基礎(chǔ)。

傳感器是一種信息輸入設(shè)備，能夠檢測(cè)或感受外界的信號(hào)、物理?xiàng)l件（如光、熱、濕度）或化學(xué)組成（如煙霧）等。常見的傳感器通過敏感元件獲取外界信息，并轉(zhuǎn)換成電信號(hào)輸出。例如，光線傳感器中的敏感元件為光敏電阻，當(dāng)光線強(qiáng)弱發(fā)生變化時(shí)，輸出的電壓信號(hào)也發(fā)生相應(yīng)的變化。傳感器決定了數(shù)字世界與物理世界交互的能力，也成為信息科技課程中的重要學(xué)習(xí)內(nèi)容。

根據(jù)輸出量與輸入量之間的關(guān)系，將傳感器分為線性傳感器和非線性傳感器兩個(gè)大類。線性傳感器指其輸出數(shù)據(jù)與輸入物理量之間呈嚴(yán)格的線性關(guān)系，即當(dāng)輸入物理量按一定比例變化時(shí)，輸出數(shù)據(jù)也會(huì)按相同的比例變化。其特性曲線是一條直線或近似直線，如超聲波、溫度（LM35）都屬于線性傳感器。而非線性傳感器的特性曲線通常不是直線，而是曲線形狀。絕大多數(shù)的傳感器都屬于非線性，如光電傳感器、紅外傳感器、壓力傳感器等。使用非線性傳感器通常需要采用非線性變換、曲線擬合、神經(jīng)網(wǎng)絡(luò)等方法對(duì)輸出數(shù)據(jù)進(jìn)行處理，從而得到準(zhǔn)確的物理量。這個(gè)過程一般稱為“校正”。

非線性傳感器的常見校正方法分析

非線性傳感器的常見校正方法分為模擬電路和數(shù)字電路兩類。其中模擬電路校正有算術(shù)平均法、橋路補(bǔ)償法和折線逼近法等。算術(shù)平均法通過計(jì)算上下限的平均值，尋求一條擬合曲線。橋路補(bǔ)償法是增加電阻，利用測(cè)量橋路的非線性來校正傳感器的非線性。折線逼近法則通常采用運(yùn)算放大器，當(dāng)輸入電壓為不同范圍時(shí)，相應(yīng)改變運(yùn)算放大器的增益，從而獲得所需要的斜率。相對(duì)來說，模擬電路校正法受限于模擬元件的精度、溫度漂移、噪聲等因素，很難達(dá)到很高的校正精度。

數(shù)字電路校正法即用軟件方法解決，如采用查表法修正，預(yù)先將一張表明輸入值與輸出值關(guān)系的表格寫入存儲(chǔ)器中。或者用插值法，用數(shù)學(xué)公式來擬合近似的函數(shù)關(guān)系。數(shù)字電路校正法不需要過多考慮模擬元件的特性和相互影響，通過軟件編程或硬件描述語言來實(shí)現(xiàn)校正算法，設(shè)計(jì)過程相對(duì)靈活，便于修改和優(yōu)化。關(guān)于傳感器的校正方法，大部分屬于專業(yè)領(lǐng)域范疇，中小學(xué)很少關(guān)注。

用機(jī)器學(xué)習(xí)的方式探究非線性傳感器

非線性傳感器在信息科技的課堂中很常見。當(dāng)學(xué)生在真實(shí)場(chǎng)景中使用傳感器時(shí)，我們一般會(huì)建議其選擇最笨也最容易實(shí)施的查表法。自從BaseML出現(xiàn)后，機(jī)器學(xué)習(xí)的門檻變得越來越低了，于是筆者萌生一個(gè)想法：為什么不讓學(xué)生用機(jī)器學(xué)習(xí)的方式來訓(xùn)練一個(gè)非線性傳感器的模型？

01

傳感器數(shù)據(jù)的采集和整理

筆者選擇了“紅外測(cè)距傳感器GP2Y0A02”，這是一個(gè)典型的非線性傳感器，其特征曲線如下圖所示，圖中縱坐標(biāo)是電壓，橫坐標(biāo)是距離。

采集紅外測(cè)距傳感器的數(shù)據(jù)很方便，就是在不同的測(cè)量距離記錄傳感器的數(shù)據(jù)，然后轉(zhuǎn)換為電壓值即可。不同的開源硬件的工作電壓和A/D轉(zhuǎn)換器分辨率（也稱量化位數(shù)）不一樣，轉(zhuǎn)換的具體計(jì)算方法也不同，如Arduino的量化位數(shù)是10位，電壓是5V。而掌控板的量化位數(shù)是12位，電壓是3.3V。標(biāo)準(zhǔn)的轉(zhuǎn)換公式為：

測(cè)量電壓=（引腳數(shù)值÷量化位數(shù)）×工作電壓

筆者以白紙作為反射物，采集了23條數(shù)據(jù)，隨機(jī)劃分為訓(xùn)練集和驗(yàn)證集（比例為18∶5）。然后將數(shù)據(jù)分別保存為csv格式，即distance_train.csv和distance_eval.csv兩個(gè)文件，如下圖。

02

用BaseML訓(xùn)練傳感器模型

首先要獲得環(huán)境，即安裝“BaseML”?？梢栽谌我庖粋€(gè)Python環(huán)境中用pip命令安裝，命令為“pip install BaseML”。推薦使用XEdu一鍵安裝包，解壓后即可獲得機(jī)器學(xué)習(xí)的環(huán)境，這里不再詳細(xì)介紹。

筆者設(shè)計(jì)了多個(gè)實(shí)驗(yàn)，先用線性回歸算法訓(xùn)練模型，再用多項(xiàng)式回歸算法。如果效果不好，再測(cè)試其他算法。

（1）實(shí)現(xiàn)線性回歸算法

在BaseML中，線性回歸模型的名稱是：LinearRegression。訓(xùn)練模型的代碼如下圖所示。

在訓(xùn)練完成后，需要做驗(yàn)證。筆者選擇R2評(píng)標(biāo)，從下圖中可以看出，得分只有84.8%。

（2）使用多項(xiàng)式回歸算法

在BaseML中，將線性回歸算法改為多項(xiàng)式回歸算法，只需要把代碼中的“LinearRegression”改為“Polynomial”，其他都保持不動(dòng)。這時(shí)，可以看到R2指標(biāo)的得分達(dá)到了99.92%，如下圖。

可見，多項(xiàng)式回歸算法能很好地?cái)M合“紅外測(cè)距傳感器GP2Y0A02”的特征曲線。通過這一實(shí)驗(yàn)，學(xué)生將體會(huì)到用采集數(shù)據(jù)、訓(xùn)練模型的方式能解決很多類似的問題。

在真實(shí)場(chǎng)景中應(yīng)用非線性數(shù)據(jù)模型

在訓(xùn)練出模型后，下一個(gè)問題就是如何使用。

因?yàn)锽aseML是一個(gè)Python庫，其模型也只能在Python環(huán)境中使用。

因此需要將紅外測(cè)距傳感器接在能運(yùn)行Python的開源硬件上，如行空板、泰山派、靈犀板之類。

然后借助pinpong庫來讀取傳感器數(shù)據(jù)，再輸入到模型中得到推理的結(jié)果，就做出了一個(gè)準(zhǔn)確的測(cè)距儀。

雖然使用BaseML就能推理模型，但筆者還是強(qiáng)烈建議使用XEduHub來推理。XEduHub是一個(gè)專用的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)推理框架，其語法特別簡(jiǎn)單。參考代碼如下圖所示。

人工智能不僅僅是一種技術(shù)，還是一種科學(xué)思維和解決問題的方式。科學(xué)家們致力于開發(fā)新的算法從大量的數(shù)據(jù)中自動(dòng)識(shí)別規(guī)律，得出解決問題的方案，并通過科學(xué)可量化的評(píng)估方式來改進(jìn)算法。

雖然中小學(xué)生可能還沒有能力理解機(jī)器學(xué)習(xí)的底層原理，但通過實(shí)踐操作，完全可以初步理解人工智能的基本概念、科學(xué)的思維方式和用人工智能解決問題的方式。

本文作者：

謝作如 浙江省溫州科技高級(jí)中學(xué)

王國(guó)芳 浙江省溫州市藝術(shù)學(xué)校

魏靜潔 上海外國(guó)語大學(xué)

文章刊登于《中國(guó)信息技術(shù)教育》2025年第1期

引用請(qǐng)注明參考文獻(xiàn)：

謝作如，王國(guó)芳，魏靜潔.用BaseML探究非線性傳感器數(shù)據(jù)變化規(guī)律，2025（01）：80-82.

歡迎訂閱

識(shí)別上方二維碼即可訂閱