在边缘计算平台上对深度学习模型进行基准测试和性能分析，用于智能建筑中的占用检测

《NATIONAL ACADEMY SCIENCE LETTERS-INDIA》：Benchmarking and Performance Analysis of a Deep Learning Model on Edge Computing Platforms for Occupancy Detection in Smart Buildings

边缘计算平台上基于环境传感器的神经网络占用检测模型研究，通过测试多种32位微控制器发现STM32H735G在550MHz下实现最短推理时间。

　　

摘要

在智能建筑和智能家居中，占用检测对于实现自动化和优化能源消耗具有重要意义。本文提出了一种基于神经网络的模型，该模型利用多种环境传感器来预测房间是否被占用。尽管文献中存在多种用于占用检测的统计机器学习模型，但这些模型尚未针对边缘计算平台的部署进行过全面分析。边缘设备通常具有有限的计算资源，因此在部署之前分析机器学习模型在边缘平台上的性能至关重要。本研究在多种32位微控制器上测试了所提出方法的有效性。结果表明，使用运行频率为550 MHz的STM32H735G微控制器时，推理时间最短。