Edge AI & sistemi embedded
Intelligenza che sta in un microcontrollore.
Portiamo modelli di machine learning su STM32: sensori, audio e vibrazioni analizzati a bordo, senza cloud, con latenza di millisecondi e consumi da batteria. Dal dataset alla scheda, con STM32Cube.AI e ONNX.
In pratica
Modelli su misura per l'MCU
Architetture compatte per audio, vibrazioni e segnali di sensori: quantizzazione a 8 bit, pruning, scelta delle feature (es. spettrogrammi mel) per stare nei KB di RAM e flash disponibili.
Toolchain ST
Addestramento in PyTorch o TensorFlow, esportazione ONNX, conversione e ottimizzazione con STM32Cube.AI; validazione sul target, non solo in simulazione.
Budget energetico
Progettiamo per la batteria: duty cycle, inferenza event-driven, periferiche spente quando non servono. Misuriamo i consumi reali.
Dal prototipo al prodotto
Firmware, raccolta dati in campo, test di robustezza al rumore e alle condizioni reali, documentazione per l'industrializzazione.
Stack e tecnologie
- STM32 · STM32Cube.AI
- ONNX
- PyTorch
- TensorFlow Lite Micro
- Arm Cortex-M
- Python
Progetto
RealizzatoRilevare le perdite nelle tubazioni ascoltandole
Anomaly detection acustica a bordo di un STM32: microfoni che ascoltano le tubazioni e un modello che riconosce la firma sonora di una perdita, senza interventi invasivi sull'impianto — nessun foro, nessuna interruzione. Toolchain STM32Cube.AI via ONNX, massima attenzione al consumo energetico. Prototipo realizzato e validato.
- Accuratezza
- 97%
- Latenza
- millisecondi, a bordo
- Toolchain
- ONNX → STM32Cube.AI
- Consumi
- ottimizzati per batteria
Come lavoriamo
Quattro passi, sempre gli stessi
- 01
Raccolta e annotazione dei segnali in condizioni reali
- 02
Progettazione e addestramento del modello compatto
- 03
Quantizzazione, esportazione ONNX, porting con STM32Cube.AI
- 04
Misura di accuratezza, latenza e consumi sul target; iterazione
Domande frequenti
Su quali microcontrollori lavorate?
Famiglie STM32 supportate da STM32Cube.AI (core Arm Cortex-M4, M7, M33 e successivi); su richiesta valutiamo altri MCU con TensorFlow Lite Micro o runtime dedicati.
Serve il cloud?
No: l'inferenza avviene sul dispositivo. La connettività serve solo se vuoi inviare allarmi o aggiornare il modello da remoto.
Quanto è accurato un modello così piccolo?
Dipende dal problema e dai dati: nel nostro prototipo di rilevamento perdite abbiamo raggiunto il 97% di accuratezza con consumi da batteria. Misuriamo sempre sul target.
Competenze collegate
Tutte le competenze AI →Inizia ora
Pronto a trasformare il tuo business?
Contattaci per una consulenza gratuita e scopri come possiamo aiutarti a raggiungere i tuoi obiettivi.