案例 - AI加速QSC合规：智能捕虫监测

1. 前言

CamThink 是 Milesight 推出的全新开发者品牌，旨在让边缘 AI 对每个人都变得更简单。我们为社区建设者和企业工程师构建开放、开发者友好的边缘 AI 硬件，并帮助他们从早期原型过渡到可靠的实际部署——加速您在边缘 AI 领域的战略实施。

Camthink NeoEye 301 搭载了带有 Neural-ART NPU 的 STM32N6 (Cortex-M55) 处理器，能够以极低功耗提供实时 AI 推理和专业级图像处理。

Home Assistant 是一个免费、开源的家庭自动化平台，旨在成为智能应用的中央“大脑”。它优先考虑本地控制和隐私。截至 2026 年初，通过“语音之年”和“集体智慧”倡议，Home Assistant 已变得显著更加易用。

在全球连锁快餐世界中，QSC（质量、服务、清洁) 不仅是一个指标，更是品牌信任的基石。在“清洁”支柱中，昆虫管理是最关键但又最耗费人力的任务之一。

在本案例中，我们将向您展示如何通过边缘 AI 方案管理捕虫箱状态，将“定时清理”转变为“按需驱动”。

2. 需求

硬件：

Camthink NeoEye 301，超低功耗视觉 AI 相机。建议s使用蜂窝（Cellular）版本。

软件平台：

Camthink AI Tool Stack：端到端 AI 工具集，涵盖从数据采集、标注、训练、量化到部署的完整工作流程。
**HomeAssistant 平台**：您需要提前在服务器中安装。

3. 配置

在这一部分，我们将逐步向您展示如何实现这个完整的用例。

3.1 正确安装 NE301

首先，确保已正确安装插有 SIM 卡的 Camthink NE301，长按按钮 2-3 秒以激活 WiFi。

3.2 配置网络与 MQTT 数据转发

连接以 NE301_<MAC 后 6 位> 开头的 WiFi 热点，输入默认 IP 地址：192.168.10.10

默认用户名：admin
默认密码：hicamthink

点击 Login 查看带有详细设置的实时视图。导航至 System settings 连接网络访问。

Camthink NE301 支持 WiFi 和蜂窝模块。选择合适的方法确保网络畅通。

导航至 Application Management 配置数据和图片的转发位置。

输入您自己的 MQTT 代理或 AI Tool Stack 服务器的详细信息：

Server address：MQTT 代理的 IP 地址。
Port：MQTT 服务器端口，默认值：1883。
Data Receiving Topic：用于控制和触发图像捕捉的下行命令主题。
Data Sending Topic：用于传输数据和图片的带上行命令主题。
Client id：MQTT 客户端 ID，部分服务器会验证此值。
Username：加入 MQTT 服务器的用户名。
Password：加入 MQTT 服务器的密码。

3.3 采集图像、训练并量化模型

登录您自己的 AI Tool Stack 服务器以创建新项目。

点击 Create New AI Model Project，输入名称和描述：

打开此项目并绑定用于图像采集的设备。您需要先创建此设备。

NE301 拍摄的图片将按配置上传。

如果您已准备好图像，直接上传到此平台进行模型训练即可。

在开始训练模型之前，在此处创建类别（Class）。在本例中，我们创建两个类别来识别捕虫箱内的粘纸是“有效（Effective）”还是“严重-需更换（Critical-Replacement）”。

选择合适的类型来标记对象。

逐一标记，确保所有对象都标记正确。

如果您已有数据集，直接在此处上传。

点击“Train Model”开始训练。

点击“New Training”创建新任务，保持所有默认设置。

开始训练。这需要一些时间。

要将模型部署到 NE301，我们需要在将其上传到设备之前对其进行量化。

点击 Quantize 按钮。

点击开始，保持默认设置。

量化完成后，NE301 模型包 (*.bin) 即为精确量化的模型。

点击下载。

您也可以在此处测试模型以确认一切正常。

3.4 验证并部署新模型

让我们回到设备上传新模型。

点击上传按钮进行安装。

完成后，货架上的芯片组被正确标记。

您可以上传更多图片来验证性能。

3.5 配置 HomeAssistant 应用

为了让数据对客户更有价值，我们选择 HomeAssistant 进行集成和可视化。您也可以连接到其他第三方平台。

打开“配置” -> “设备与服务”以安装 MQTT 集成。

点击 添加集成 按钮，搜索并安装 MQTT。

直接输入 MQTT 进行搜索。

选择第二个，并输入在 NE301 中配置的 MQTT 代理信息。

提交保存。MQTT 连接已就绪。

在本指南中，我们将尝试通过直接编辑配置文件 /homeassistant/configuration.yaml 来创建 MQTT 设备。

以下是本指南中的配置详情：

# Loads default set of integrations. Do not remove.
default_config:

# Load frontend themes from the themes folder
frontend:
  themes: !include_dir_merge_named themes

automation: !include automations.yaml
script: !include scripts.yaml
scene: !include scenes.yaml

mqtt:
  sensor:
    # 1. 监测状态 (来自 class_name)
    - name: "Monitoring Status"
      unique_id: "ne301_monitoring_status"
      state_topic: "device/76b2fc32/uplink"
      value_template: >-
        {% if value_json.ai_result.ai_result.detections | length > 0 %}
          {{ value_json.ai_result.ai_result.detections[0].class_name }}
        {% else %}
          None
        {% endif %}
      icon: "mdi:image-filter-center-focus"
    # 2. 电池电量 (来自 battery_percent)
    - name: "Battery"
      unique_id: "ne301_battery"
      state_topic: "device/76b2fc32/uplink"
      value_template: "{{ value_json.device_info.battery_percent }}"
      device_class: battery
      unit_of_measurement: "%"
      state_class: measurement
    # 3. 最后事件时间 (来自 timestamp)
    - name: "Last Event"
      unique_id: "ne301_last_event"
      state_topic: "device/76b2fc32/uplink"
      value_template: "{{ (value_json.metadata.timestamp | int) | timestamp_local }}"
      device_class: timestamp
    # 4. 传感器名称 (来自 device_name)
    - name: "Sensor Name"
      unique_id: "ne301_device_name_info"
      state_topic: "device/76b2fc32/uplink"
      value_template: "{{ value_json.device_info.device_name }}"
      icon: "mdi:id-card"

您需要将 name、state_topic 以及对应的类别值修改为您自己的。

通过在 开发者工具 页面点击“重新加载手动配置的 MQTT 实体”来应用更改。

您会发现传感器已正确创建。

4. 快速测试

让我们开始监控垃圾箱的状态。状态值将正确显示：

您还可以在历史记录中查看更多详情：

HomeAssistant 平台支持其他应用触发告警，您可以对其进行配置以实现全面管理。

常见问题 (Q&A)

问：我可以使用相同的 MQTT 代理和 Camthink AI Tool Stack 进行模型训练和量化吗？
答：本指南中的服务器仅供内部使用。您需要自行安装自己的 AI Tool Stack。
问：由于芯片比货架小，如何提高模型的性能？
答：您可以尝试在量化过程中将 Input Size 设置为 320。

问：如何在 HomeAssistant 中设置值模板？
答：您可以访问 HomeAssistant 官网获取详细信息。以下是 NE301 上报数据的示例：

{
  "metadata": {
    "image_id": "cam01_1767603614",
    "timestamp": 1770084900,
    "format": "jpeg",
    "width": 1280,
    "height": 720,
    "size": 38692,
    "quality": 60
  },
  "device_info": {
    "device_name": "NE301-2A38A5",
    "mac_address": "44:9f:da:2a:38:a5",
    "serial_number": "SN202500001",
    "hardware_version": "V1.1",
    "software_version": "1.0.1.1146",
    "power_supply_type": "full-power",
    "battery_percent": 100,
    "communication_type": "wifi"
  },
  "ai_result": {
    "model_name": "YOLOv8 Nano Object Detection Model",
    "model_version": "1.0.0",
    "inference_time_ms": 50,
    "confidence_threshold": 0.23999999463558197,
    "nms_threshold": 0.55000001192092896,
    "ai_result": {
      "type": 1,
      "detections": [
        {
          "index": 0,
          "class_name": "Effective",
          "confidence": 0.20715469121932983,
          "x": 0.0040618181228637695,
          "y": 0.052804142236709595,
          "width": 0.9992167949676514,
          "height": 0.8042476177215576
        }
      ],
      "detection_count": 1,
      "poses": [],
      "pose_count": 0,
      "type_name": "object_detection"
    },
    "encoding": "base64"
  }
}

1. 前言​

2. 需求​

3. 配置​

3.1 正确安装 NE301​

3.2 配置网络与 MQTT 数据转发​

3.3 采集图像、训练并量化模型​

3.4 验证并部署新模型​

3.5 配置 HomeAssistant 应用​

4. 快速测试​

常见问题 (Q&A)​