# AI算法更新指南

## 📋 概述

本文档为后续接手项目的同事提供详细的AI算法更新指导。当客户提供新的AI算法文件时，需要按照本指南进行算法替换和系统集成。

**AI算法位置**：`firefly_esp32/main/AI2/` 目录

**当前AI功能**：
- 🔥 **火灾检测** - 基于热成像的火源识别
- 👤 **人员检测** - 基于TensorFlow Lite的人员识别
- 🌡️ **热源分析** - 温度异常和热点扩散检测

## 🎯 AI算法架构

### 当前文件结构
```
AI2/
├── 🔥 火灾检测模块
│   ├── FireDetect.h              # 火灾检测类声明
│   ├── FireDetect.cpp            # 火灾检测实现
│   ├── thermal_flags.h           # 热成像参数配置
│   └── thermal_flags.c           # 热成像算法实现
│
├── 👤 人员检测模块  
│   ├── PersonDetect.h            # 人员检测类声明
│   ├── PersonDetect.cpp          # 人员检测实现
│   └── tinycnn_model_data.h      # TensorFlow Lite模型数据
│
├── 🌡️ 热源处理模块
│   ├── HeaterPersonProcessor.h   # 热源人员处理器
│   ├── HeaterPersonProcessor.cpp # 热源处理实现
│   ├── esp32_thermo_preproc.h    # 热成像预处理
│   ├── esp32_thermo_preproc.c    # 预处理算法实现
│   └── esp32_thermo_tflm_pipeline.h # TensorFlow Lite管道
│
└── 🔧 辅助模块
    ├── esp32_preproc_simple.h    # 简单预处理
    ├── esp32_preproc_simple.c    # 预处理实现
    └── esp32_thermo_tflm_pipeline_stride_u8.h # U8格式管道
```

## 🔄 算法更新类型

### 类型1：TensorFlow Lite模型更新
**涉及文件**：`tinycnn_model_data.h`
**更新频率**：最常见
**影响范围**：人员检测精度

### 类型2：火灾检测算法优化
**涉及文件**：`FireDetect.cpp`, `thermal_flags.h`
**更新频率**：中等
**影响范围**：火灾检测准确性

### 类型3：热成像预处理算法
**涉及文件**：`esp32_thermo_preproc.c`
**更新频率**：较少
**影响范围**：整体算法性能

### 类型4：完整算法架构升级
**涉及文件**：所有AI2文件
**更新频率**：很少
**影响范围**：整个AI系统

## 📝 更新步骤详解

### 步骤1：备份现有算法

#### 1.1 创建备份目录
```bash
# 在项目根目录执行
mkdir -p backup/AI2_backup_$(date +%Y%m%d_%H%M%S)
cp -r firefly_esp32/main/AI2/* backup/AI2_backup_$(date +%Y%m%d_%H%M%S)/
```

#### 1.2 记录当前版本信息
```cpp
// 在更新前记录当前算法版本
// 查看 FireDetect.cpp 或 PersonDetect.cpp 中的版本信息
ESP_LOGI("AI_UPDATE", "Current AI version: [记录当前版本号]");
ESP_LOGI("AI_UPDATE", "Model size: %d bytes", model_tflite_len);
```

### 步骤2：分析新算法文件

#### 2.1 确定更新类型
**检查客户提供的文件**：
- 如果只有 `.tflite` 或 `.h` 模型文件 → **类型1：模型更新**
- 如果有 `FireDetect.*` 文件 → **类型2：火灾算法更新**  
- 如果有 `esp32_thermo_preproc.*` 文件 → **类型3：预处理更新**
- 如果提供完整AI2目录 → **类型4：完整更新**

#### 2.2 检查兼容性
```cpp
// 检查新模型的输入输出尺寸
// 在新的 tinycnn_model_data.h 中查找
const unsigned int model_tflite_len = [新的大小];

// 检查是否与当前传感器兼容
// 当前：32x32 (1024像素)
// 新传感器：60x40 (2400像素)
```

### 步骤3：执行算法更新

#### 3.1 类型1：TensorFlow Lite模型更新

**最常见的更新类型**

**步骤**：
1. **替换模型文件**
```bash
# 备份原文件
cp firefly_esp32/main/AI2/tinycnn_model_data.h firefly_esp32/main/AI2/tinycnn_model_data.h.backup

# 替换为新模型
cp [客户提供的新模型文件] firefly_esp32/main/AI2/tinycnn_model_data.h
```

2. **检查模型大小变化**
```cpp
// 在 tinycnn_model_data.h 文件末尾检查
const unsigned int model_tflite_len = [新的数值];

// 如果模型变大，可能需要调整内存配置
// 在 sdkconfig 中增加：
CONFIG_ESP_MAIN_TASK_STACK_SIZE=16384  // 如果模型>20KB
CONFIG_FREERTOS_HEAP_SIZE_MIN=65536    // 如果模型>50KB
```

3. **验证编译**
```bash
cd firefly_esp32
idf.py build
```

4. **测试新模型**
```cpp
// 在 PersonDetect.cpp 中添加测试代码
void test_new_model() {
    ESP_LOGI("AI_TEST", "Testing new model...");
    ESP_LOGI("AI_TEST", "Model size: %d bytes", model_tflite_len);
    
    // 使用测试数据验证模型
    uint16_t test_data[1024] = {0}; // 或2400 for 60x40
    PERSON_RESULT result = detect(test_data, 32, 32); // 或60, 40
    
    ESP_LOGI("AI_TEST", "Model test result: score=%d, pos=(%d,%d)", 
             result.score, result.x, result.y);
}
```

#### 3.2 类型2：火灾检测算法更新

**步骤**：
1. **替换火灾检测文件**
```bash
# 备份原文件
cp firefly_esp32/main/AI2/FireDetect.h firefly_esp32/main/AI2/FireDetect.h.backup
cp firefly_esp32/main/AI2/FireDetect.cpp firefly_esp32/main/AI2/FireDetect.cpp.backup

# 替换为新文件
cp [客户提供的FireDetect.h] firefly_esp32/main/AI2/
cp [客户提供的FireDetect.cpp] firefly_esp32/main/AI2/
```

2. **检查参数配置变化**
```cpp
// 检查 thermal_flags.h 中的参数是否需要更新
#define TF_T_ABS 50.0f          // 热点检测阈值
#define TF_DANGER_T 60.0f       // 危险温度阈值
#define TH_W 32                 // 传感器宽度
#define TH_H 32                 // 传感器高度

// 如果升级到60x40传感器，需要修改：
#define TH_W 60
#define TH_H 40
```

3. **检查API兼容性**
```cpp
// 检查 FIRE_RESULT 结构是否有变化
typedef struct tagFIRE_RESULT {
    bool burning_alert;
    bool danger_temp_alert;
    // ... 检查是否有新增字段
} FIRE_RESULT;

// 检查 detect 方法签名是否变化
FIRE_RESULT detect(uint16_t* data_pixel);
```

#### 3.3 类型3：热成像预处理更新

**步骤**：
1. **替换预处理文件**
```bash
# 备份原文件
cp firefly_esp32/main/AI2/esp32_thermo_preproc.h firefly_esp32/main/AI2/esp32_thermo_preproc.h.backup
cp firefly_esp32/main/AI2/esp32_thermo_preproc.c firefly_esp32/main/AI2/esp32_thermo_preproc.c.backup

# 替换为新文件
cp [客户提供的预处理文件] firefly_esp32/main/AI2/
```

2. **检查函数接口变化**
```cpp
// 检查主要预处理函数是否有变化
// 在 esp32_thermo_preproc.h 中查找主要函数声明
void preprocess_thermal_data(uint16_t* input, float* output, int width, int height);
```

3. **验证数据流兼容性**
```cpp
// 确保预处理输出格式与后续算法兼容
// 检查数据类型：uint16_t → float → int8_t 的转换链
```

#### 3.4 类型4：完整算法架构更新

**步骤**：
1. **完整替换AI2目录**
```bash
# 备份整个目录
mv firefly_esp32/main/AI2 firefly_esp32/main/AI2_backup_$(date +%Y%m%d)

# 复制新的AI2目录
cp -r [客户提供的AI2目录] firefly_esp32/main/
```

2. **检查CMakeLists.txt更新**
```cmake
# 检查 firefly_esp32/main/CMakeLists.txt 是否需要更新
set(COMPONENT_SRCS 
    "main.cpp"
    # AI2相关文件
    "AI2/FireDetect.cpp"
    "AI2/PersonDetect.cpp"
    "AI2/HeaterPersonProcessor.cpp"
    "AI2/esp32_thermo_preproc.c"
    "AI2/thermal_flags.c"
    "AI2/esp32_preproc_simple.c"
    # ... 检查是否有新增或删除的文件
)
```

3. **检查依赖库变化**
```cmake
# 检查是否需要新的依赖库
target_link_libraries(${COMPONENT_LIB} 
    idf::tflite-micro  # TensorFlow Lite
    # ... 检查是否有新增依赖
)
```

### 步骤4：主程序集成更新

#### 4.1 检查主程序调用

**位置**：`firefly_esp32/main/main.cpp` (或相应主文件)

**检查AI调用代码**：
```cpp
// 火灾检测调用
FireDetect* fire_detector = FireDetect::Inst();
FireDetect::FIRE_RESULT fire_result = fire_detector->detect(thermal_data);

// 人员检测调用  
PersonDetect* person_detector = PersonDetect::Inst();
PersonDetect::PERSON_RESULT person_result = person_detector->detect(thermal_data, 32, 32);

// 检查这些调用是否需要修改参数或处理返回值
```

#### 4.2 更新传感器适配

**如果同时升级传感器到60x40**：
```cpp
// 原代码 (32x32)
PersonDetect::PERSON_RESULT person_result = person_detector->detect(thermal_data, 32, 32);

// 修改为 (60x40)
PersonDetect::PERSON_RESULT person_result = person_detector->detect(thermal_data, 60, 40);

// 或者使用宏定义
#ifdef USE_HTPA60x40
    PersonDetect::PERSON_RESULT person_result = person_detector->detect(thermal_data, 60, 40);
#else
    PersonDetect::PERSON_RESULT person_result = person_detector->detect(thermal_data, 32, 32);
#endif
```

#### 4.3 更新网络传输

**检查AI结果传输**：
```cpp
// 检查火灾检测结果的网络传输
if (fire_result.burning_alert) {
    // 发送火灾报警
    send_fire_alert(fire_result.cx, fire_result.cy, fire_result.peak_c);
}

// 检查人员检测结果的传输
if (person_result.score > threshold) {
    // 发送人员检测结果
    send_person_detection(person_result.x, person_result.y, person_result.score);
}

// 确保这些函数调用与新算法的输出格式兼容
```

## 🧪 测试验证步骤

### 第1步：编译测试
```bash
cd firefly_esp32
idf.py clean
idf.py build

# 检查编译输出，确保没有错误
# 特别注意内存使用警告
```

### 第2步：功能测试

#### 2.1 AI算法基础测试
```cpp
void test_ai_algorithms() {
    ESP_LOGI("AI_TEST", "=== AI Algorithm Test Start ===");
    
    // 测试火灾检测
    FireDetect* fire_detector = FireDetect::Inst();
    if (fire_detector->setup()) {
        ESP_LOGI("AI_TEST", "✅ Fire detection setup OK");
    } else {
        ESP_LOGE("AI_TEST", "❌ Fire detection setup failed");
    }
    
    // 测试人员检测
    PersonDetect* person_detector = PersonDetect::Inst();
    if (person_detector->setup()) {
        ESP_LOGI("AI_TEST", "✅ Person detection setup OK");
    } else {
        ESP_LOGE("AI_TEST", "❌ Person detection setup failed");
    }
    
    // 测试模型大小
    ESP_LOGI("AI_TEST", "Model size: %d bytes", model_tflite_len);
    ESP_LOGI("AI_TEST", "Free heap: %d bytes", esp_get_free_heap_size());
    
    ESP_LOGI("AI_TEST", "=== AI Algorithm Test End ===");
}
```

#### 2.2 实际数据测试
```cpp
void test_with_real_data() {
    ESP_LOGI("AI_TEST", "Testing with real thermal data...");
    
    // 获取真实热成像数据
    uint16_t thermal_data[TH_PIX];  // 1024 or 2400
    if (thermal_sensor.getData(thermal_data, TH_PIX)) {
        
        // 测试火灾检测
        FireDetect::FIRE_RESULT fire_result = fire_detector->detect(thermal_data);
        ESP_LOGI("AI_TEST", "Fire detection - Alert: %s, Temp: %.1f°C", 
                 fire_result.burning_alert ? "YES" : "NO", fire_result.peak_c);
        
        // 测试人员检测
        PersonDetect::PERSON_RESULT person_result = person_detector->detect(thermal_data, TH_W, TH_H);
        ESP_LOGI("AI_TEST", "Person detection - Score: %d, Pos: (%d,%d)", 
                 person_result.score, person_result.x, person_result.y);
    }
}
```

### 第3步：性能测试
```cpp
void test_ai_performance() {
    ESP_LOGI("PERF_TEST", "=== AI Performance Test ===");
    
    uint16_t test_data[TH_PIX];
    memset(test_data, 0, sizeof(test_data));
    
    // 测试火灾检测性能
    uint32_t start_time = esp_timer_get_time();
    for (int i = 0; i < 10; i++) {
        FireDetect::FIRE_RESULT result = fire_detector->detect(test_data);
    }
    uint32_t fire_time = (esp_timer_get_time() - start_time) / 10;
    
    // 测试人员检测性能
    start_time = esp_timer_get_time();
    for (int i = 0; i < 10; i++) {
        PersonDetect::PERSON_RESULT result = person_detector->detect(test_data, TH_W, TH_H);
    }
    uint32_t person_time = (esp_timer_get_time() - start_time) / 10;
    
    ESP_LOGI("PERF_TEST", "Fire detection avg time: %d ms", fire_time / 1000);
    ESP_LOGI("PERF_TEST", "Person detection avg time: %d ms", person_time / 1000);
    ESP_LOGI("PERF_TEST", "Free heap after test: %d bytes", esp_get_free_heap_size());
}
```

## 🚨 常见问题解决

### 问题1：编译错误 - 找不到函数
**现象**：
```
error: 'xxx' was not declared in this scope
```

**解决方案**：
1. 检查新算法的头文件是否正确包含
2. 检查函数名称是否有变化
3. 检查命名空间或类名是否有变化

### 问题2：内存不足
**现象**：
```
E (xxx) AI: Failed to allocate memory for model
```

**解决方案**：
1. 检查新模型大小：`model_tflite_len`
2. 增加堆内存配置：
```
CONFIG_ESP_MAIN_TASK_STACK_SIZE=16384
CONFIG_FREERTOS_HEAP_SIZE_MIN=65536
```
3. 考虑使用PSRAM：
```
CONFIG_ESP32_SPIRAM_SUPPORT=y
CONFIG_SPIRAM_USE_MALLOC=y
```

### 问题3：AI检测结果异常
**现象**：检测结果明显不正确

**解决方案**：
1. 检查输入数据格式是否匹配
2. 验证传感器分辨率配置
3. 检查温度转换算法
4. 对比算法参数配置

### 问题4：性能下降
**现象**：系统响应变慢

**解决方案**：
1. 测量各AI算法的执行时间
2. 检查是否有内存泄漏
3. 优化算法调用频率
4. 考虑使用多任务并行处理

## 📋 更新检查清单

### 算法文件更新 ✓
- [ ] 备份原有AI2目录
- [ ] 确认更新类型和范围
- [ ] 替换相应算法文件
- [ ] 检查文件完整性

### 配置参数调整 ✓
- [ ] 检查thermal_flags.h参数
- [ ] 更新传感器尺寸配置
- [ ] 调整内存配置
- [ ] 更新CMakeLists.txt

### 代码集成修改 ✓
- [ ] 更新主程序AI调用
- [ ] 适配传感器分辨率变化
- [ ] 修改网络传输格式
- [ ] 更新Android端接收

### 测试验证完成 ✓
- [ ] 编译测试通过
- [ ] AI算法基础功能正常
- [ ] 实际数据测试正常
- [ ] 性能测试满足要求
- [ ] 集成测试通过

## 📞 技术支持

### 调试技巧
```cpp
// 启用AI模块详细日志
esp_log_level_set("FireDetect", ESP_LOG_DEBUG);
esp_log_level_set("PersonDetect", ESP_LOG_DEBUG);

// 监控内存使用
ESP_LOGI("AI_DEBUG", "Before AI: Free heap %d", esp_get_free_heap_size());
// ... AI算法调用 ...
ESP_LOGI("AI_DEBUG", "After AI: Free heap %d", esp_get_free_heap_size());

// 性能监控
uint32_t start = esp_timer_get_time();
// ... AI算法执行 ...
ESP_LOGI("AI_PERF", "AI execution time: %d ms", (esp_timer_get_time() - start) / 1000);
```

### 文档参考
- **AI算法源码**：`firefly_esp32/main/AI2/`
- **传感器适配**：参考传感器升级指南
- **TensorFlow Lite文档**：ESP32 TensorFlow Lite官方文档

### 联系信息
- **原开发者**：fw <kingfun2000@qq.com>
- **客户技术支持**：[客户提供的联系方式]
- **项目仓库**：查看项目根目录README

---

## 🎯 总结

AI算法更新主要涉及：
1. **模型文件替换** - 最常见的TensorFlow Lite模型更新
2. **算法逻辑优化** - 火灾检测和预处理算法改进
3. **参数配置调整** - 适配新传感器和优化检测精度
4. **性能验证测试** - 确保更新后系统稳定运行

**关键提醒**：
- 每次更新前必须备份原有算法
- 重点关注内存使用和性能影响
- 充分测试各种场景下的AI检测效果
- 保持与传感器升级的同步适配

**预计工作量**：
- 模型更新：0.5天
- 算法优化：1-2天  
- 完整更新：2-3天
- 测试验证：1-2天

---

**文档版本**：v1.0  
**创建时间**：2026年2月26日  
**适用版本**：ESP32固件v2.1.0+  
**作者**：fw (离职前准备文档)