芯科科技支持AI/ML的SoC在玻璃破裂检测中的优势-电子发烧友网

在智能物联网家庭和先进安防系统日益普及的时代，对精准且可靠的传感器的需求比以往任何时候都更加迫切。在各种类型的安防设备中，玻璃破裂传感器（Glass-Break Sensor）是其中的第一道防线。当它被设计成能够准确识别玻璃破裂的声音，就能有效地提醒房主或安防系统注意潜在的危险入侵行为。

人工智能（AI）和机器学习（ML）的出现，彻底革新了智能传感器和玻璃破裂检测技术，不仅通过自适应学习带来了更高的准确性，还实现了设备体积更小、成本更低的优势。Silicon Labs（芯科科技）支持AI/ML的无线SoC正处于这一突破性创新的前沿。

支持AI/ML的SoC在玻璃破裂检测中的优势

现有的声学玻璃破裂传感器通常依赖于传统的数字信号处理（DSP）算法，通过麦克风的音量阈值和声音频率分析来判断窗户玻璃是否被打破。虽然在一定程度上有效，但这类传感器容易因其他常见的高频或尖锐噪音（如门铃声、餐具碰撞声、人声甚至是响亮的音乐）而产生误报。

另一类玻璃破裂传感器称为震动传感器，它们通过检测玻璃上的震动来触发警报。当震动幅度超过预设阈值时，警报就会被激活。然而，即使是敲击或轻拍窗户，也可能被误判为入侵行为。这两类传感器的主要缺点包括：

误报率高

需要手动调整灵敏度

准确性不稳定

震动传感器需为每块玻璃单独安装设备，增加了整体安装成本

这正是芯科科技的AI/ML集成SoC能够解决传统玻璃破裂传感器局限性的地方。通过将人工智能和机器学习功能集成到传感器设计中，这些SoC不仅加快了开发进程，还提供了更高的灵活性，大幅提升了玻璃破裂检测的准确性和可靠性，显著降低了误触发的概率。

这种提升是通过将基于机器学习的模式匹配算法，于大量环境声音和玻璃破裂音频样本数据集上进行训练而实现的。传感器能够学习并识别玻璃破裂的独特声音特征，并将其与环境噪音区分开来。因此，传感器能有效减少误报，仅在真正发生玻璃破裂事件时才触发警报。

该视频展示了芯科科技的机器学习玻璃破裂传感器相较于市面上传统算法传感器的卓越性能。

玻璃破裂检测解决方案

芯科科技的SoC在设计时充分考虑了功耗效率，这意味着集成机器学习功能不仅减少了对外部组件的依赖，还降低了功耗和设计成本，我们的xG24、xG26和xG28系列SoC均配备了矩阵向量处理器（MVP），可将机器学习推理速度提升至8倍，同时功耗降低至六分之一，从而实现性能优化。

这对电池供电的传感器尤为重要，因为它延长了设备的使用寿命，减少了频繁维护的需求。维护和更换频率的降低，也在长期内显著减少了整体成本。

芯科科技与领先的机器学习解决方案提供商AIZIP合作，基于EFR32无线SoC的机器学习能力，共同开发了一种基于音频的玻璃破裂检测解决方案。该方案利用AIZIP的机器学习应用程序，在低功耗运行的同时，能够准确检测房间内真实的玻璃破裂声音，从而实现多年的电池续航。

以下表格展示了该解决方案在性能测试中的部分结果，体现了其在市场中的领先能力：

Detection Rate By Distance

Difficult Glass Breaking Test Sounds (105 dB), Played 5 Times	Commercially Available Glass-Break Sensor	Silicon Labs + AIZIP
0.5 m	3/5	5/5
3 m	0/5	5/5
5 m	0/5	5/5
7 m	0/5	5/5

False Positive Testing

False Positive Test Sounds	Commercially Available Glass-Break Sensor	Silicon Labs + AIZIP
Urban sound (1 hour)	No trigger	No trigger
Factory noise	No trigger	No trigger
Forging sound	1 trigger	No trigger
Glass clinking	1 trigger	No trigger
Office noise (real-time) 3 hour	1 tigger	No trigger
High impulse noise (like close-distance claps)	1 trigger	No trigger