成功案例
行走在田園和山間,欣賞美好景色和呼吸新鮮空氣時,常??梢砸姷接糜诠喔鹊臋C井。你可能除了小心,并沒有更多留意它們。然而你可曾想到,它們與人工智能和微控制器也會關(guān)聯(lián)在一起?
雖然人工智能早已在身邊,但是在“原味”的微控制器應(yīng)用場景中如何落地深度學(xué)習(xí)技術(shù),人們還一直還在摸索。這次,小編就給還在上下求索的小伙伴們講一個讓“微控制器+AI”成功落地的小故事。
深井中強大的邊緣抄表器
故事的主角是由北京市水務(wù)局和北京鴻成鑫鼎智能科技有限公司聯(lián)合開發(fā)的“邊緣抄表器”模塊,這個模塊將率先用于機械水表的智能抄表。我們先上靚照——
左邊那個戴在水表上面淺藍色的“帽子”就是它了,右邊的圖則是它的“裸照”。這個邊緣智能抄表模塊采用恩智浦i.MX RT1020跨界單片機讀取攝像頭并運行基于深度學(xué)習(xí)的“SlimSSD”檢測算法,直接扣在水表表盤上就可以拍照并且識別表盤的讀數(shù)。
這個模塊非常強大,可以用在很多場合,除了安裝在家里,還可以“落地”到主干水管上——
甚至還不只滿足于 “落地”,更要“落井”——
方案廣受好評,獲得發(fā)明專利
這款模塊經(jīng)過近兩年的開發(fā)和嚴格測試,在成果鑒定中得到了肯定的評價:
“邊緣AI抄表器通訊暢通率達95%以上,平均識別準確率為83.42%,其中8塊表識別準確率在98%以上,在性能方面取得了不錯的成績;自動輔助數(shù)據(jù)矯正和人工審核矯正率100%,數(shù)據(jù)真實可用;耗電量按1天1條數(shù)據(jù)功耗折算,可平均工作4425.6天(約12.1年),已大大超過了8年的設(shè)計壽命?!?/p>
更可喜的是,經(jīng)過改進模型,最新的訊暢通率達96%!
下圖是使用邊緣AI抄表器檢測出識別區(qū)域,識別出讀數(shù),并把識別結(jié)果和原始圖片中檢測區(qū)域一并上傳的效果,一次無線傳輸?shù)臄?shù)據(jù)量僅幾百字節(jié)(而發(fā)送全圖要幾萬字節(jié))。
北京水務(wù)局還計劃在北京市東水西調(diào)管理處、門頭溝區(qū)70多處機井、甘家口大大廈等地進行應(yīng)用推廣試點。實現(xiàn)鄉(xiāng)村水井、耕地和林區(qū)機井、供水管道網(wǎng)絡(luò)處無人值守的用水計量,實現(xiàn)了無需替換原有水表,就實現(xiàn)了自動抄表的功能。
更加可喜的是,這個邊緣AI抄表器的設(shè)計經(jīng)過多次反復(fù)設(shè)計、打版,邊緣AI抄表器的適用性越來越強,并且得到了含金量很高的發(fā)明專利。
解析方案的精髓:深度學(xué)習(xí)
接下來,小編就給大家講講作為這個方案最“精髓”的部分——深度學(xué)習(xí)。
最讓小編贊嘆的是,這個抄表模塊使用了比圖像分類更先進的物體檢測(Object Detection, OD)技術(shù),實現(xiàn)了無需調(diào)整參數(shù)就能自動適應(yīng)新的各種表盤。而直到最近,我們看到其他一些廠商才剛剛提出類似的基于深度學(xué)習(xí)技術(shù),但使用手寫數(shù)字分類的參考模型——注意,是剛剛才提出——而且還是使用深度學(xué)習(xí)計算機視覺中最基礎(chǔ)的“圖像分類”技術(shù)。
圖像分類和物體檢測的關(guān)鍵區(qū)別是啥呢,小編畫了一個草圖來說明(原諒小編的美術(shù)是數(shù)學(xué)老師教的)。
最重要的是分類模型把圖像當作整體,給出一個類別(確切地說是預(yù)測各類別的概率并選最大的那一類);而檢測模型要干兩個事,既要找出圖像中各個物體的位置,也要判斷找出的物體是什么類別。不過,雖然看起來檢測比分類強大得太多了,但神奇的是他們共享的技術(shù)卻高度相似——特別地,在檢測模型的組成部分中,最重要的被稱為“骨干”(backbone)的關(guān)鍵部分,就是來自于分類模型的卷積神經(jīng)網(wǎng)絡(luò)部分,它用來提取出抽象概括的圖像特征。
可以認為分類模型在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上追加分類器(常常是單層全連接層,又叫感知機,就夠了);而檢測模型抽取卷積神經(jīng)網(wǎng)絡(luò)的多處中間結(jié)果和最終輸出,并添加檢測頸和檢測頭的相關(guān)結(jié)構(gòu),只是比分類器要復(fù)雜得多。骨干網(wǎng)絡(luò)的訓(xùn)練一般也是借助分類模型來實現(xiàn)。
回到AI抄表的應(yīng)用,如果用分類模型,就要為每種規(guī)格的表盤人工設(shè)定分類區(qū)域,每個數(shù)字一個,麻煩得很;但是檢測模型就能自動找出在哪里讀數(shù),讀幾個數(shù),顯然是方便多了。而在這個具體的專利中,使用了一種單發(fā)多框檢測器(Single Shot Multibox Detector, SSD)模型的優(yōu)化版本——發(fā)明人稱為 “SlimSSD”,從名字上可以看出它是一種更“苗條(Slim)”的SSD——發(fā)明人還使用注意力機制來更準確地幫助裁剪模型。
有關(guān)SSD的詳情后面咱們再接著聊,這里不妨先給出某一個高度精簡后類SSD模型的“長相”。
圖中那個醒目的三段顯示的豎長條就是這個模型的骨干,來自一個簡潔的分類模型中卷積子網(wǎng)絡(luò)的部分。下部的幾支“并聯(lián)”的結(jié)構(gòu)用于各自檢測和分類輸入圖片中不同大小的物體,最終匯總成左、右兩支,分別給出檢測出的物體坐標信息和物體類別信息。(查看有關(guān)SSD模型的論文,請點擊這里>>)。
小貼士
在物體檢測領(lǐng)域,最近的Yolo系列模型也非常有生命力,還有其他的一些超輕量級物體檢測模型,如NanoDet,YoloX-nano, PP-PicoDet等正如同雨后春筍般的涌現(xiàn)。物體檢測技術(shù)因為實用、方便,它們的超輕量化研究十分活躍。
SSD和很多其它深度神經(jīng)網(wǎng)絡(luò)一樣,都非常的靈活,它的構(gòu)成可以根據(jù)應(yīng)用要求的不同像搭積木一樣魔改和優(yōu)化,對算力要求甚至可以有上百倍的優(yōu)化,使得微控制器也可以承載。小編通過查閱專利號“CN113255650B”,發(fā)現(xiàn)客戶優(yōu)化的這個SlimSSD,把官方的SSD模型瘦身到僅有原版SSD模型的0.5%大小,而仍然保持99%的精度!這是什么概念?形象地說,就是原來一個200斤的壯漢能背200斤的麻袋,現(xiàn)在是一個1斤的小人能背198斤的麻袋!嗯,差不多就是葫蘆娃中的大紅娃。
別讓算力限制了你的想象
這個成功的故事也深深地震撼了小編,感覺自己對深度學(xué)習(xí)和實際應(yīng)用的認知不足,限制了自己的想象力。
有感于很多人覺得“算力小于0.5TOPS都干不了啥事”,而這個智能邊緣抄表方案是在理論上有效算力僅有0.0003TOPS的i.MX RT1020平臺上完成的,這可是1600多倍啊!并且是無人值守的環(huán)境下僅靠電池就能一天抄一次連續(xù)工作12年以上!
看到這里,小編想用一句話來表達內(nèi)心的感嘆:
深度學(xué)習(xí) => 創(chuàng)奇跡
深度學(xué)習(xí) + NXP微控制器 => 再創(chuàng)奇跡
除了模型本身的先進性,更難能可貴的是這個模塊的主要開發(fā)團隊北京鴻成鑫鼎科技公司在兩年前就開始了項目,而NXP用于微控制器的eIQ機器學(xué)習(xí)套件是半年前才發(fā)布,他們僅憑我們的技術(shù)支持就獨自完成了這樣一個看似不可能,甚至我們也沒敢想的奇跡!
其中,令小編印象最深的,就是北京鴻成鑫鼎的總裁廉永康先生,三年前小編與他在一次MCU+AI研討會中相識,當時小編對該項目的想法是——可以使用基礎(chǔ)的圖像分類“試一試”,而廉永康先生卻毅然啟動了這個項目,以極大的膽識采用了更先進的物體檢測方法。要知道,3年前別說是基礎(chǔ)的圖像分類,就算是深度學(xué)習(xí)在微控制器上的基礎(chǔ)軟件也幾乎還是空白,Arm CMSIS-NN也才發(fā)布幾個月。
寫在最后的話
上面的小故事告一段落,但完整的故事還在繼續(xù)。小編了解到,北京鴻成鑫鼎科技公司沒有就此止步,而是在此基礎(chǔ)上,進一步開發(fā)出了可以用在水表以外的像滅火器壓力計、液晶顯示儀表上的改版,讓微控制器和人工智能的結(jié)合給人民的安居樂業(yè)保駕護航!在這其中,恩智浦的高品質(zhì)長壽命微控制器也將繼續(xù)履行承擔(dān)計算平臺的光榮使命。
最后,小編想說,深度學(xué)習(xí)的抻縮性遠比我們想象要大得多,只要根據(jù)應(yīng)用的實際要求和硬件平臺的特點合理優(yōu)化和化簡模型,有很多想都不敢想的應(yīng)用都可以變成現(xiàn)實。尤其是不要小看了微控制器的潛力。
微控制器雖然算力比PC或應(yīng)用處理器弱得多,但是它上面的負擔(dān)開銷輕得更多,再加上深度學(xué)習(xí)模型這種極大的伸縮性,有太多的“不可能”實際上是可能的,就等您延續(xù)奇跡的故事。奇跡多了,也就變得平凡了。
▲本文作者為恩智浦半導(dǎo)體系統(tǒng)工程師宋巖。感謝北京鴻成鑫鼎智能科技有限公司為本文提供的相關(guān)圖片,文中部分數(shù)據(jù)和信息參考自以下這篇文章>>
來源:NXP客棧
免責(zé)聲明:本文為轉(zhuǎn)載文章,轉(zhuǎn)載此文目的在于傳遞更多信息,版權(quán)歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權(quán)問題,請聯(lián)系小編進行處理
審核編輯 黃宇
-
mcu
+關(guān)注
關(guān)注
146文章
16664瀏覽量
347728 -
AI
+關(guān)注
關(guān)注
87文章
28867瀏覽量
266188 -
深度學(xué)習(xí)
+關(guān)注
關(guān)注
73文章
5422瀏覽量
120587
發(fā)布評論請先 登錄
相關(guān)推薦
評論