Atmosis ต่างจาก Air Quality Monitor ทั่วไปอย่างไร?

ปัญหาของ Environmental Monitor ไม่ใช่แค่เรื่อง “Sensor อ่านค่าได้หรือไม่” แต่คือเมื่อมี Sensor หลายตัว ผู้ใช้ต้องตีความตัวเลขหลายชุดพร้อมกัน

Atmosis จึงแบ่งงานออกเป็นหลาย Layer:

แนวคิดสำคัญคือ AI ไม่ได้ถูกวางไว้ตรงกลาง Safety Loop แต่เป็น Layer เสริมสำหรับ Interpretation และ User Experience

Arduino UNO Q แบ่งงานระหว่าง MCU กับ Linux อย่างไร?

Hardware ที่ใช้ใน Atmosis

Wiring Environment X6, Dust Sensor, DPS310 และ RGB Strip

Environment X6 วัดอะไรบ้าง?

Environment X6 เป็น Sensor หลักสำหรับข้อมูล Gas และ Ambient Condition โดย Atmosis ใช้ค่าต่อไปนี้:

• IAQ
• TVOC
• HCHO / Formaldehyde
• CO
• Temperature
• Humidity

Current Firmware ติดต่อ Module ผ่าน UART Protocol และตรวจ Checksum ของ Frame ก่อนนำข้อมูลไปใช้

UART ของ X6 ใน Source ใช้ 9600 baud และตัว Firmware จะ Reject Reading ที่ไม่ผ่าน Plausibility Check ก่อนส่งต่อเข้าสู่ Air Score และ Linux App

PM2.5 Sensor ไม่ได้อ่าน Analog A0 แบบธรรมดา

Dust Sensor ที่ใช้ใน Atmosis มี Infrared LED ภายใน และต้องอ่านค่าในจังหวะสัมพันธ์กับ LED Pulse

Air Score 1–100 คำนวณอย่างไร?

Atmosis ไม่ใช้ค่าจาก Sensor ตัวใดตัวหนึ่ง เป็นคะแนนรวมโดยตรง แต่สร้าง Sub-score จาก Pollutant หลายรายการ:

• PM2.5
• TVOC
• HCHO
• CO
• IAQ

จากนั้นเลือก Sub-score ที่ต่ำที่สุด เป็น Overall Air Score

constexpr ScoreEdges EDGES_PM = {{0, 12, 35, 55, 150, 250}};
constexpr ScoreEdges EDGES_CO = {{0, 2, 4.5f, 9, 15, 35}};

if (dustValid) {
  worst = lower(worst, subScore(pm, EDGES_PM));
}

if (gasValid) {
  worst = lower(worst, subScore(co, EDGES_CO));
}

ทำไม Atmosis ส่งข้อมูลจาก MCU ไป Linux แบบ One-way?

ทุกประมาณหนึ่งวินาที Microcontroller จะส่ง Sensor Frame ใหม่ ไปยัง Linux ผ่าน Arduino RouterBridge

Current Design ตั้งใจไม่ให้ Linux ส่ง Command กลับไปควบคุม Core Sensor Loop

Bridge.notify("atmosis_frame",
              (int)FRAME_PROTOCOL,
              (int)(++frameSeq),
              statusFlags(),
              lastX6.iaq,
              lastX6.tvoc_ppm,
              lastX6.co_ppm);

Edge Impulse วิเคราะห์ Pattern ของอากาศอย่างไร?

Current Model ใน Repository รับข้อมูลทั้งหมด 9 Axes:

• IAQ
• TVOC
• HCHO
• CO
• Temperature
• Relative Humidity
• PM2.5
• Pressure
• Altitude

Model Metadata ปัจจุบันระบุ:

Current Model มี 3 Classes ไม่ใช่ 7 Patterns

Project Overview และ README อธิบายแนวคิด Dataset ไว้ถึง 7 Environmental Patterns เช่น Traffic Pollution, Construction Dust และ Biomass Burning

แต่เมื่อดู Model Artifact ที่ถูก Bundle อยู่ใน Current GitHub v1.2 จริง ไฟล์ Model ระบุเพียง 3 Labels:

• Clean_air
• Indoor_pollution
• Poor_ventilation

แล้ว Accuracy 93.1% หมายความว่าอะไร?

Hackster ระบุ Validation Accuracy ประมาณ 93.1% สำหรับ Training Run ที่แสดงใน Project

ค่านี้ควรอ่านว่าเป็น Validation Result ของ Dataset / Model Run นั้น ไม่ใช่การรับรองว่า Atmosis จะจำแนกสภาพอากาศจริงทุกสถานที่ได้แม่น 93.1%

3 Hz หรือ 5 Hz?

Hackster Training Step บางส่วนกล่าวถึง 3 Hz แต่ Current Model Metadata ใน GitHub ระบุ 5 Hz และ Interval 200 ms

บทความนี้จึงยึด Current Model Metadata = 5 Hz สำหรับ Model ที่ Bundle อยู่ใน Repository ปัจจุบัน

Machine Learning ทายครั้งเดียว ยังไม่พอให้ระบบ Alert

Atmosis เพิ่มขั้นตอนกรองผล Classification เพื่อลดการแกว่งของ Label

แนวคิดนี้สำคัญมากสำหรับ Sensor AI: Prediction ไม่เท่ากับ Event

การทำ Debounce / Dwell Time ช่วยลดปัญหา Notification จาก Noise หรือ Reading ที่แกว่งชั่วคราว

Gemini Advisor ทำอะไร และไม่ทำอะไร?

Gemini ถูกใช้เพื่อเปลี่ยน Sensor Data และ Current Situation ให้กลายเป็นคำแนะนำที่คนอ่านเข้าใจได้ง่ายขึ้น

Current Configuration ระบุ Default Model String เป็น gemini-3.5-flash

AI Advisor ถูกออกแบบให้:

• ตอบจาก Reading ปัจจุบัน
• ให้ Recommendation แบบสั้น
• ไม่พูดเป็น Medical Diagnosis
• ไม่เรียก Cloud ทุกวินาที
• มี Retry / Cooldown เมื่อ Service Busy

Health Sensitivity Context

Current App มี Health Profile Field เช่น Age และ Condition บางประเภท แต่ Context ที่ส่งเข้า Advisor ถูกลดเป็นระดับ standard หรือ heightened sensitivity ใน Workflow ที่ตรวจจาก Source

Live Dashboard รวม Score, Sensor และ Trends ไว้หน้าเดียว

Dashboard รันฝั่ง Linux บน UNO Q และใช้ Port 7000

ผู้ใช้สามารถเปิดจาก Smartphone หรือ Laptop ที่อยู่ใน Wi-Fi Network เดียวกัน โดยใช้ IP Address ของ Board

Interface รวม:

• Air Score
• Live Sensor Readings
• Environmental Pattern
• Trend / History
• Sensor Status
• Gemini Advisor
• Light / Dark Theme

Telegram Alert ช่วยให้ไม่ต้องเปิด Dashboard ตลอดเวลา

Source ระบุ Trigger ตัวอย่าง เช่น:

ระบบมี Cooldown และ Rate Limiting เพื่อไม่ให้ Reading ที่แกว่งใกล้ Threshold สร้าง Notification ซ้ำถี่เกินไป

3D Printed Housing ออกแบบให้ Sensor ได้สัมผัสอากาศจริง

Official Repository มี STL จริง 2 ไฟล์:

• Housing.stl
• Cover.stl

Source ระบุว่า Enclosure ออกแบบใน Autodesk Fusion โดยตัว Main Housing ใช้ Gray PLA และ Text / Logo ใช้ Orange PLA ใน Build ของผู้สร้าง

ดู Housing และ Cover แบบ 3D

ติดตั้ง Atmosis ผ่าน Arduino App Lab

Current Repository จัด Project ให้อยู่ในรูปแบบ Arduino App Lab โดยรวมทั้ง Firmware ฝั่ง MCU และ Python App ฝั่ง Linux ไว้ใน Project เดียว

ดู Atmosis ทำงานจริง

โปรเจกต์นี้มีหลายขั้น แนะนำอ่านต้นฉบับควบคู่กัน

Atmosis มีทั้ง Firmware, Python App, Edge Impulse Artifact, Data Collection Code, Circuit Diagram และ STL จึงควรเปิด Official Repository ควบคู่ระหว่าง Build

สิ่งที่ Maker เรียนรู้จาก Atmosis

FAQ — คำถามเกี่ยวกับ Atmosis และ Arduino UNO Q

สรุป: จุดน่าสนใจของ Atmosis ไม่ใช่แค่การใส่ AI ลงในเครื่องวัดอากาศ

Atmosis น่าสนใจตรงที่แยก Layer ของระบบค่อนข้างชัด

Microcontroller รับผิดชอบสิ่งที่ต้องทำงานต่อเนื่อง: Sensor, Air Score, Light และ Alarm

Linux Processor รับงานที่ซับซ้อนกว่า: Edge Impulse, Dashboard, History, Telegram และ Gemini

ผลคือ Cloud AI กลายเป็นตัวช่วยให้ข้อมูลเข้าใจง่ายขึ้น โดยไม่ได้กลายเป็น Single Point of Failure ของ Core Monitoring

อีกบทเรียนสำคัญคือ AI Model ต้องอ่านตาม Version จริง เพราะแม้ Project Overview จะพูดถึง 7 Environmental Patterns แต่ Current Model v1.2 ที่อยู่ใน Repository มีเพียง 3 Classes

สำหรับ Maker นี่จึงเป็น Project ที่ดีสำหรับเรียนรู้ Sensor Fusion, Dual-Processor Architecture, Edge AI, Environmental Monitoring, Web Dashboard และการออกแบบระบบให้ยังทำงานได้ แม้บาง Service จะ Offline

References / แหล่งข้อมูลต้นฉบับ