2 Juli 2025 –
Introductie STM32 Edge AI
Begin dit jaar kondigt STMicroelectronics de STM32 Edge AI Contest aan voor de introductie van de nieuwe STM32N6-processor. Rond deze processor ontwikkelt men een development board waarmee technische ontwikkelaars en makers snel nieuwe Edge AI-concepten kunnen prototypen. Zodra ik deze wedstrijd zie, schiet meteen een praktisch idee te binnen: de Edge AI-Powered Smart Cat Litter Home Assistant Monitor.
Slimme gezondheidstracker
Deze slimme tracker richt zich op kattengezondheid. Ik meet continu het gewicht van het kattengrit in de kattenbak. Mijn uitgangspunt is dat elke gewichtsverandering inzicht geeft in de hygiënestatus. Door realtime monitoring signaleer ik gezondheidsafwijkingen vroegtijdig. Met Edge AI herkent het systeem straks individuele katten aan hun gewicht en gedrag. En als de tijd het toelaat, ga ik kijken of de slimme camera integratie van het STM32N6 development board visuele herkenning mogelijk maakt. Mijn slimme gezondheidstracker voorspelt bovendien het ideale moment om de bak te verschonen en koppelt direct met mijn Home Assistant-domoticasysteem.
Benodigdheden en tools
Voor mijn project gebruik ik onder andere:
– STM32N6 Discovery board
– Vier 50kg-weegcellen
– HX711 ADC-converter
– Arduino Uno of QT-Py ESP32S2
– Mini breadboard
– Diverse dupontstekkers
– USB-A/USB-C stekker
– Arduino IDE
– Home Assistant
– MQTT/Mosquitto
– Bambu X1C 3D-printer met geel PLA-filament
– Schroeven, moeren, soldeerbout en Kapton tape
– Weller soldeerstation WE1010
Ontwikkelboard en mogelijkheden
Het STM32N6 Discovery Kit is een complete toolkit voor geavanceerde AI-vision-prototyping. Het board heeft een STLINK v3-programmeerpoort, standaard Arduino- en ST morpho-connectors, een MIPI-camera-aansluiting, snelle USB 2.0, gigabit ethernet, 32MB RAM, audio en SD-kaartslot. Het heldere 5” touchscreen met NeoChrom GPU zorgt voor soepele graphics.
Start hardware integratie
Met het ontvangen board begin ik direct met het bestellen van de benodigde load-cells, HX711-versterker en ESP32-processor. Voor Home Assistant-integration verdiep ik me in de opties. Data uitlezen kan via USB, ESPHome, Modbus, I2C, REST API of MQTT. Omdat ik MQTT al gebruik in mijn setup, kies ik daar als eerste voor.
Weegplatform ontwerpen
Voor de hardware maak ik een plateau met vier geïntegreerde weegcellen, vergelijkbaar met personenweegschalen. Ik kies voor 50kg-sensoren, zodat het systeem ook grotere huisdieren aankan. Elke load cell heeft drie draadjes en ik verbind ze in een Wheatstone-brug. De HX711 ADC versterkt de minuscule spanningsverschillen tot meetbare signalen.
3D-ontwerp en montage
Ik maak een bovenaanzichtfoto van de kattenbak, plaats een meetlat en importeer het in VCarve Pro voor nauwkeurige bemating. In de tekening plaats ik de sensoren strategisch en ontwerp ik gaten voor de montage. Een tweede plaat biedt ruimte voor de elektronica. Kabels werk ik netjes weg. Met de lasersnijder snij ik de platen uit. Voor de sensor-afdekking ontwerp en print ik gele doppen op de Bambu X1C. Na montage soldeer ik de juiste draden en sluit alles aan op het breadboard.
Firmware ontwikkeling
Ik start met het schrijven van de firmware. Iedere load-cell combinatie vraagt een eigen kalibratie. Bij het opstarten voer ik standaard een tare uit, zodat het gewicht van de lege kattenbak genegeerd wordt. Ik configureer zorgvuldig welke pinnen ik gebruik voor data en clock. In de code gebruik ik onder andere deze functies uit de HX711-bibliotheek:
– begin(DOUT, SCK) : initialiseert HX711 met pinnen
– is_ready() : checkt of data beschikbaar is
– read() : leest ruwe 24-bit sensorwaarde
– tare() : stelt huidige gewicht op nul
– set_scale(factor) : stelt kalibratiefactor in
– get_units(times) : geeft gemiddeld gewicht terug
Overstap naar ESP32 S2
De Arduino Uno blijkt al snel onvoldoende krachtig en mist wifi. Ik stap over op de QT-Py ESP32 S2. Na het uitzoeken van de juiste pinnen en het flashen van de firmware meet ik tot op de gram nauwkeurig gewichten – zelfs tot boven de 30kg. Met debug-statements houd ik het programma goed in de gaten. Tijd voor de volgende stap: integratie met Home Assistant.
Home assistant integratie
Mijn doel is om de Smart Cat Litter weegschaal live te monitoren in Home Assistant. Ik gebruik Home Assistant nu vijf jaar, nadat ik vanwege bugs en een hack ben overgestapt van Domoticz. Home Assistant biedt talloze integraties, zoals IKEA TRÅDFRI, Tuya IoT, Zigbee, Matter en RFXcom. Voor deze setup kies ik MQTT als protocol, omdat dat al stabiel draait.
MQTT configuratie
In de Arduino IDE implementeer ik PubSubClient.h, een bekende MQTT-client voor ESP-microcontrollers. Voor de verbinding met de broker gebruik ik:
– mqtt_server (adres broker)
– mqtt_user (gebruikersnaam)
– mqtt_pass (wachtwoord)
– mqtt_topic (communicatiekanaal)
In Home Assistant valideer ik de MQTT-integratie en maak een aparte gebruiker aan. In mqtt.yaml en configuration.yaml definieer ik de sensor. De ESP32 publiceert nu gewichtsdata, zichtbaar in de MQTT-console. Daarna richt ik een dashboard in.
Dashboard en data analyse
Met Home Assistant maak ik eenvoudig dashboards waarmee ik apparaten, sensoren en gegevens overzichtelijk kan beheren. In eerste instantie registreer ik gemeten gewichten over tijd. Later wil ik ook specifieke katten herkennen en afwijkend gedrag signaleren.
Slimmere applicatie door data
Om de applicatie écht slim te maken, verzamel ik meetdata en label ik deze. Een bezoek aan de kattenbak herken ik aan een tijdelijke toename en afname van gewicht binnen bijvoorbeeld 60 seconden. Het verschil in gewicht voor en na bezoek wijst op achtergelaten ‘output’ – ik verwacht onderscheid te kunnen maken tussen plasjes en drollen. Met meer data worden deze klassen duidelijker. Onverklaarbare waarden markeer ik als anomaly’s. Anomaly-detectie en Edge machine learning sluiten hierbij naadloos aan. Eerst bouw ik een betrouwbare dataset op.
Samenvatting voortgang
De afgelopen dagen ben ik flink opgeschoten. De hardware werkt: weegcellen en HX711 zijn gemonteerd, de firmware op de ESP32 leest sensoren uit en publiceert via MQTT. Home Assistant integreert alles netjes met eigen entiteiten en dashboards. De volgende uitdaging is het porten van deze technologie naar het STM32N6 Discovery platform. Wordt vervolgd…