摘要：以“红外测距传感器”为研究对象，先采集整理数据，再利用BaseML分别采用线性回归、多项式回归算法训练模型，实验表明多项式回归能良好拟合其特征曲线。在模型训练后，借助pinpong库和XEduHub推理框架，实现真实场景的测距应用。作者认为，当前AI for
概 览
以“红外测距传感器”为研究对象，先采集整理数据，再利用BaseML分别采用线性回归、多项式回归算法训练模型，实验表明多项式回归能良好拟合其特征曲线。在模型训练后，借助pinpong库和XEduHub推理框架，实现真实场景的测距应用。作者认为，当前AI for Science渐成科研热点，中小学生虽难吃透机器学习底层原理，但通过实践可初步掌握人工智能概念、思维及解决问题之道，为未来科技的学习奠定基础。
传感器是一种信息输入设备，能够检测或感受外界的信号、物理条件（如光、热、湿度）或化学组成（如烟雾）等。常见的传感器通过敏感元件获取外界信息，并转换成电信号输出。例如，光线传感器中的敏感元件为光敏电阻，当光线强弱发生变化时，输出的电压信号也发生相应的变化。传感器决定了数字世界与物理世界交互的能力，也成为信息科技课程中的重要学习内容。
根据输出量与输入量之间的关系，将传感器分为线性传感器和非线性传感器两个大类。线性传感器指其输出数据与输入物理量之间呈严格的线性关系，即当输入物理量按一定比例变化时，输出数据也会按相同的比例变化。其特性曲线是一条直线或近似直线，如超声波、温度（LM35）都属于线性传感器。而非线性传感器的特性曲线通常不是直线，而是曲线形状。绝大多数的传感器都属于非线性，如光电传感器、红外传感器、压力传感器等。使用非线性传感器通常需要采用非线性变换、曲线拟合、神经网络等方法对输出数据进行处理，从而得到准确的物理量。这个过程一般称为“校正”。
非线性传感器的常见校正方法分析
非线性传感器的常见校正方法分为模拟电路和数字电路两类。其中模拟电路校正有算术平均法、桥路补偿法和折线逼近法等。算术平均法通过计算上下限的平均值，寻求一条拟合曲线。桥路补偿法是增加电阻，利用测量桥路的非线性来校正传感器的非线性。折线逼近法则通常采用运算放大器，当输入电压为不同范围时，相应改变运算放大器的增益，从而获得所需要的斜率。相对来说，模拟电路校正法受限于模拟元件的精度、温度漂移、噪声等因素，很难达到很高的校正精度。
数字电路校正法即用软件方法解决，如采用查表法修正，预先将一张表明输入值与输出值关系的表格写入存储器中。或者用插值法，用数学公式来拟合近似的函数关系。数字电路校正法不需要过多考虑模拟元件的特性和相互影响，通过软件编程或硬件描述语言来实现校正算法，设计过程相对灵活，便于修改和优化。关于传感器的校正方法，大部分属于专业领域范畴，中小学很少关注。
用机器学习的方式探究非线性传感器
非线性传感器在信息科技的课堂中很常见。当学生在真实场景中使用传感器时，我们一般会建议其选择最笨也最容易实施的查表法。自从BaseML出现后，机器学习的门槛变得越来越低了，于是笔者萌生一个想法：为什么不让学生用机器学习的方式来训练一个非线性传感器的模型？
01
传感器数据的采集和整理
笔者选择了“红外测距传感器GP2Y0A02”，这是一个典型的非线性传感器，其特征曲线如下图所示，图中纵坐标是电压，横坐标是距离。
采集红外测距传感器的数据很方便，就是在不同的测量距离记录传感器的数据，然后转换为电压值即可。不同的开源硬件的工作电压和A/D转换器分辨率（也称量化位数）不一样，转换的具体计算方法也不同，如Arduino的量化位数是10位，电压是5V。而掌控板的量化位数是12位，电压是3.3V。标准的转换公式为：
测量电压=（引脚数值÷量化位数）×工作电压
笔者以白纸作为反射物，采集了23条数据，随机划分为训练集和验证集（比例为18∶5）。然后将数据分别保存为csv格式，即distance_train.csv和distance_eval.csv两个文件，如下图。
02
用BaseML训练传感器模型
首先要获得环境，即安装“BaseML”。可以在任意一个Python环境中用pip命令安装，命令为“pip install BaseML”。推荐使用XEdu一键安装包，解压后即可获得机器学习的环境，这里不再详细介绍。
笔者设计了多个实验，先用线性回归算法训练模型，再用多项式回归算法。如果效果不好，再测试其他算法。
（1）实现线性回归算法
在BaseML中，线性回归模型的名称是：LinearRegression。训练模型的代码如下图所示。
在训练完成后，需要做验证。笔者选择R2评标，从下图中可以看出，得分只有84.8%。
（2）使用多项式回归算法
在BaseML中，将线性回归算法改为多项式回归算法，只需要把代码中的“LinearRegression”改为“Polynomial”，其他都保持不动。这时，可以看到R2指标的得分达到了99.92%，如下图。
可见，多项式回归算法能很好地拟合“红外测距传感器GP2Y0A02”的特征曲线。通过这一实验，学生将体会到用采集数据、训练模型的方式能解决很多类似的问题。
在真实场景中应用非线性数据模型
在训练出模型后，下一个问题就是如何使用。
因为BaseML是一个Python库，其模型也只能在Python环境中使用。
因此需要将红外测距传感器接在能运行Python的开源硬件上，如行空板、泰山派、灵犀板之类。
然后借助pinpong库来读取传感器数据，再输入到模型中得到推理的结果，就做出了一个准确的测距仪。
虽然使用BaseML就能推理模型，但笔者还是强烈建议使用XEduHub来推理。XEduHub是一个专用的机器学习和深度学习推理框架，其语法特别简单。参考代码如下图所示。
人工智能不仅仅是一种技术，还是一种科学思维和解决问题的方式。科学家们致力于开发新的算法从大量的数据中自动识别规律，得出解决问题的方案，并通过科学可量化的评估方式来改进算法。
虽然中小学生可能还没有能力理解机器学习的底层原理，但通过实践操作，完全可以初步理解人工智能的基本概念、科学的思维方式和用人工智能解决问题的方式。
本文作者：
谢作如 浙江省温州科技高级中学
王国芳 浙江省温州市艺术学校
魏静洁 上海外国语大学
文章刊登于《中国信息技术教育》2025年第1期
引用请注明参考文献：
谢作如，王国芳，魏静洁.用BaseML探究非线性传感器数据变化规律[J].中国信息技术教育，2025（01）：80-82.
来源：中国信息技术教育
