Перейти до вмісту
Мікросистеми, Електроніка та Акустика
ISSN 2523-4447 · e‑ISSN 2523-4455 Відкритий доступ · CC BY-SA 4.0
Т. 28 · № 2 · 2023 тра 19, 2023 Електронні системи та сигнали

Дослідження характеристик згорткової нейронної мережі на мікроконтролері ESP32-CAM

RS
Rostyslav Dmytrovych Sharuiev Відповідальний Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Україна
PP
Pavlo Vasylovych Popovych Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Україна
Сторінки277487.1-277487.7 Опублікованотра 19, 2023
PDF
ТОМ 28 · № 2 · 2023 до 125-річчя КПІ ім. Ігоря Сікорського Переглянути випуск

Анотація

Статтю присвячено вирішенню проблеми використання нейронних мереж для розпізнавання зображень у режимі реального часу на малопотужних портативних пристроях, що працюють на мікроконтролерах. Як цільовий пристрій використано мікроконтролер ESP-32 © CAM, на якому розгорнуто штучну нейронну мережу, написану з використанням мови програмування Python ® і бібліотеки Tensorflow © для побудови нейронних мереж. У роботі виконано порівняння продуктивності мікроконтролера та персонального комп’ютера для виявлення об’єктів за допомогою нейронної мережі та їх класифікації. Порівняння проведено за часом розпізнавання зображення та відсотком правильно класифікованих об'єктів. У статті показано, що кількість епох навчання впливає на точність класифікації об’єктів на зображенні. Отримані результати демонструють, що збільшення кількості епох навчання підвищує точність розпізнавання об’єктів за допомогою досліджуваної нейронної мережі, але значне збільшення кількості епох не призводить до суттєвого покращення точності розпізнавання. Під час навчання нейромережі виявлено певне «перенавчання» моделі. Дана проблема виникла через велику кількість епох навчання на малій кількості навчальних даних для створеної моделі. Для уникнення цієї проблеми в майбутньому рекомендовано брати більше навчального матеріалу або спростити модель для використання уже існуючого набору навчальних даних. Аналіз отриманих даних показав, що відмінність у точності роботи між мікроконтролером та персональним комп’ютером склала 5%, що не є суттєвим, проте відмінність у затраченому часі склала більше ніж у 2 рази, що є критичним для класифікації об’єктів у режимі реального часу. Результати роботи моделі на мікроконтролері показали точність, яка складає 50%. Точність в залежності від класу така: для літаків, автомобілів, кораблів, вантажівок та птахів точність класифікації об'єктів склала 100%, а для тварин точність класифікації об'єктів склала 0%. З отриманих даних видно тенденцію, що найкраще розпізнаються образи техніки різних типів та птахи, а точність розпізнавання тварин є нульовою. Також наведено рекомендації з удосконалення роботи моделі, які б підвищили її точність.

Ключові слова

#мікроконтролер #нейромережа #епоха #навчання #класифікація

Посилання

  1. European Parliament, "What is artificial intelligence and how is it used?," European Parliament news, 04 09 2020. [Online]. Available: https://www.europarl.europa.eu/news/en/headlines/society/20200827STO85804/what-is-artificial-intelligence-and-how-is-it-used . [Accessed 01 05 2023].
  2. DATACONOMY MEDIA GMBH, "AI’s invisible hand on daily life," Eray Eliaçık, 09 05 2022. [Online]. Available: https://dataconomy.com/2022/05/09/artificial-intelligence-in-everyday-life/ . [Accessed 01 05 2023]
  3. J. Gerhart, Home Automation & Wiring, New York: McGraw-Hill, 1999. ISBN: 978-0070246744
  4. Startup info, "Most Common Problems with Smart Home Technology Systems," Kossi Adzo, 09 08 2022. [Online]. Available: https://startup.info/most-common-problems-with-smart-home-technology-systems/ . [Accessed 01 05 2023]
  5. R. O. Duda, P. E. Hart and D. G. Stork, Pattern Classification, Toronto: A Wiley Interscience publication John Wiley & Sons, 1973. ISBN: 978-0-471-05669-0
  6. Termin.in.ua, "Neural network — what it is, how it works and why it is needed.," [Online]. Available: https://termin.in.ua/neyromerezha/#lwptoc21 . [Accessed 03 05 2023]
  7. The Motley Fool., "3 Things You Need to Know About Apple's A12 Bionic Chip," Ashraf Eassa , 14 09 2018. [Online]. Available: https://www.fool.com/investing/2018/09/14/3-things-you-need-to-know-about-apples-a12-bionic.aspx . [Accessed 03 05 2023]
  8. K. Amer, M. Samy, M. Shaker and M. ElHelw, "Deep Convolutional Neural Network-Based Autonomous Drone Navigation," [Online]. Available: https://arxiv.org/ftp/arxiv/papers/1905/1905.01657.pdf . [Accessed 17 05 2023]
  9. P. Warden and D. Situnayake, TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers, O'Reilly Media, 2019. ISBN: 978-1492052043
  10. Python organization, "Python official webpage," Python.org, [Online]. Available: https://www.python.org/ . [Accessed 13 04 2023]
  11. Tensorflow organization, "Tensorflow official webpage," Google incorporated, [Online]. Available: https://www.tensorflow.org/?hl=ru . [Accessed 13 04 2023]
  12. X. Jiang, A. Hadidp, Y. Pang, E. Granger and X. Feng, Deep Learning in Object Detection and Recognition, Texas: Computer Science and Engineering Department, University of Texas at Arlington, 2019. ISBN: 978-9811506512
  13. U. Kern, "Convolutional neural network (CNN)," [Online]. Available: https://ujjwalkarn.me/2016/08/11/intuitive-explanation-convnets/ . [Accessed 17 04 2023]
  14. M. Minsky and S. Papert, Perceptrons. An Introduction to Computational Geometry, Massachusetts: The MIT Press, 1969. ISBN: 9780262630221
  15. Zhytomyr State Technical University, "Explanation of the principle of convolution in neural networks," [Online]. Available: https://conf.ztu.edu.ua/wp-content/uploads/2019/02/45-1.pdf . [Accessed 19 04 2023]
  16. Tensorflow organization, "Cifar10 dataset," Google incorporated, [Online]. Available: https://www.tensorflow.org/datasets/catalog/cifar10?hl=ru . [Accessed 13 04 2023]
  17. A. Krizhevsky, V. Nair and G. Hinton, "Explanation of the CIFAR-10 dataset," [Online]. Available: https://www.cs.toronto.edu/~kriz/cifar.html . [Accessed 19 04 2023]
  18. Lenovo corporation, "Lenovo Legion," Lenovo corporation, [Online]. Available: https://www.lenovo.com/ua/uk/laptops/legion-laptops/legion-5-series/Legion-5-15ACH6H/p/88GMY501582 . [Accessed 13 04 2023]
  19. AI-Thinker, "ESP-32 CAM datasheet," [Online]. Available: https://docs.ai-thinker.com/_media/esp32/docs/esp32-cam_product_specification_zh.pdf . [Accessed 14 02 2023]
  20. Micropython organization , "Micro Python," [Online]. Available: https://micropython.org/download/esp32/ . [Accessed 20 02 2023]
  21. Omnivision, "OV2640 2Mp/FOV120-NV datasheet," [Online]. Available: https://www.ovt.com/wp-content/uploads/2021/01/OV2640-Volume-Production-FINAL.pdf . [Accessed 20 02 2023]
  22. Tensorflow organization, "Tensorflow lite compiler," Google incorporated, [Online]. Available: https://www.tensorflow.org/lite?hl=en . [Accessed 28 04 2022]
  23. V. Chandra and A. Hareendran, Artificial Intelligence and Machine Learning, Delhi: PHI Learning, 2014
  24. Evergreen, "What are convolutional neural networks and where are they applied?," [Online]. Available: https://evergreens.com.ua/ua/articles/cnn.html . [Accessed 17 04 2023]
  25. 130.com.ua, "What is an onboard computer and why is it necessary?," [Online]. Available: https://130.com.ua/uk/what-is-trip-computers/ . [Accessed 11 04 2023]
  26. A. H. Habibi and H. E. Jahani, Guide to Convolutional Neural Networks, Spain: Springer International Publishing, 2017. ISBN: 978-3319575490
§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.
Усі випуски

Квазістатична ідентифікація структури затінення сонячних панелей за методом векторів кардинальних чисел

PhD, доц. Олена Олегівна Абакумова, д-р техн. наук, проф. Валерій Якович Жуйков, Микола О. Лук'янов

У статті розглянуто проблему ідентифікації структури затінення сонячних панелей. Актуальність дослідження зумовлена необхідністю швидкої та адекватної реконфігурації…

#Сонячні панелі #Фотоелектрична поверхня #Моделювання структури тіней #Квазістатична ідентифікація
с. 362283.1-362283.7
10.20535/2523-4455.mea.362283

Комплексний метод виділення неінвазивного сигналу фетальної електрокардіограми та класифікації серцевих аритмій

Дмитро А. Шевчук, канд. техн. наук, доц. Наталія Георгіївна Іванушкіна

Стаття присвячена розробці комплексного методу виділення фетального електрокардіосигналу (ФЕКГ) з неінвазивних абдомінальних записів та подальшої автоматизованої…

#абдомінальні електрокардіограми #фетальна електрокардіограма #аритмія #сліпе розділення джерел
с. 356487.1-356487.11
10.20535/2523-4455.mea.356487

Імітаційне моделювання фільтро-компенсаційного перетворювача для трифазної трипровідної мережі

Іван Андрійович Вакуленко, канд. техн. наук, доц. Дмитро Анатолійович Миколаєць, канд. техн. наук, доц. Катерина Сергіївна Клен

У цій статті розглядається критична проблема погіршення якості електроенергії в сучасних енергосистемах, спричинена поширенням нелінійних навантажень. Такі навантаження…

#фільтр-компенсаційний перетворювач #трифазна трипровідна мережа #якість електроенергії #повне гармонійне спотворення
с. 361138.1-361138.6
10.20535/2523-4455.mea.361138

Схожі статті

1-10 з 34

Ви також можете розпочати розширений пошук схожих статей для цієї статті.