TinyML实战项目：智能安防与入侵检测从一次半夜误报说起凌晨三点，手机疯狂震动。家里部署的“智能安防系统”把一只路过的野猫识别成了“可疑入侵者”。这不是第一次了——过去两周，我已经被蚊子、窗帘飘动、甚至阳光移动的影子反复折腾。客户那边更惨，一套部署在仓库的安防方案，因为把叉车灯光反射识别成“持械入侵”，一周内触发了47次误报，保安直接罢工。这个问题的根子不在模型精度，而在嵌入式部署时的“感知-推理-决策”链路断裂。今天这篇笔记，就聊聊怎么用TinyML在资源受限的MCU上，搭一套真正能用的入侵检测系统——不是那种“在PC上跑个YOLO然后吹牛说能部署”的PPT方案。硬件选型：别被“AI芯片”忽悠了很多人一上来就盯着NPU、TPU，觉得没有神经网络加速器就做不了视觉安防。实际上，对于入侵检测这个场景，真正决定成败的是传感器选型和功耗预算。我踩过最大的坑：用OV2640摄像头（200万像素）配合ESP32-S3，试图在240MHz主频下跑MobileNetV2。结果呢？单帧采集+预处理耗时800ms，推理耗时1.2秒，帧率不到0.5FPS。入侵者都走到保险柜前了，系统还在“加载中”。正确的做法：选用低分辨率红外热释电传感器阵列（如8×8或16×16像素的AMG8833），配合STM32L4系列或ESP32-C3。为什么？因为入侵检测的核心不是“看清人脸”，而是“检测到移动热源”。8×8的像素点足够判断“是否有生物体进入监控区域”，
TinyML实战项目：智能安防与入侵检测从一次半夜误报说起凌晨三点，手机疯狂震动。家里部署的“智能安防系统”把一只路过的野猫识别成了“可疑入侵者”。这不是第一次了——过去两周，我已经被蚊子、窗帘飘动、甚至阳光移动的影子反复折腾。客户那边更惨，一套部署在仓库的安防方案，因为把叉车灯光反射识别成“持械入侵”，一周内触发了47次误报，保安直接罢工。这个问题的根子不在模型精度，而在嵌入式部署时的“感知-推理-决策”链路断裂。今天这篇笔记，就聊聊怎么用TinyML在资源受限的MCU上，搭一套真正能用的入侵检测系统——不是那种“在PC上跑个YOLO然后吹牛说能部署”的PPT方案。硬件选型：别被“AI芯片”忽悠了很多人一上来就盯着NPU、TPU，觉得没有神经网络加速器就做不了视觉安防。实际上，对于入侵检测这个场景，真正决定成败的是传感器选型和功耗预算。我踩过最大的坑：用OV2640摄像头（200万像素）配合ESP32-S3，试图在240MHz主频下跑MobileNetV2。结果呢？单帧采集+预处理耗时800ms，推理耗时1.2秒，帧率不到0.5FPS。入侵者都走到保险柜前了，系统还在“加载中”。正确的做法：选用低分辨率红外热释电传感器阵列（如8×8或16×16像素的AMG8833），配合STM32L4系列或ESP32-C3。为什么？因为入侵检测的核心不是“看清人脸”，而是“检测到移动热源”。8×8的像素点足够判断“是否有生物体进入监控区域”，
