基于PaddlePaddle深度学习的野外露营安全装置

2024-06-18 20:37:20刘映群黄嘉源何卓恒李创铭陈日源
现代信息科技 2024年7期
关键词:物体电路传感器

刘映群 黄嘉源 何卓恒 李创铭 陈日源

收稿日期:2023-10-09

基金项目:2023年广东省科技创新战略专项资金(“攀登计划”专项资金)(pdjh2023b0845);2022年广东省大学生创新创业训练计划(S202213919003)

DOI:10.19850/j.cnki.2096-4706.2024.07.024

摘  要:针对近年野外露营存在的环境及安全隐患等问题,设计一种基于PaddlePaddle深度学习的野外露营安全装置。首先采用卷积神经网络训练模型,然后通过图像识别分类技术进行识别。文中以动物分类识别为例,通过对不同种类动物图片进行训练来改进模型,并对模型识别及分类的准确性进行验证,最终精度为0.96以上。经测试,采用的模型在动物图像分类中有较好效果,能满足课题设计要求。

关键词:PaddlePaddle;卷积神经网络;图像识别分类;野外露营安全装置

中图分类号:TP391.4;TP181 文献标识码:A 文章编号:2096-4706(2024)07-0113-05

A Field Camping Safety Device Based on PaddlePaddle Deep Learning

LIU Yingqun1, HUANG Jiayuan2, HE Zhuoheng3, LI Chuangming4, CHEN Riyuan1

(1.Guangdong Open University (Guangdong Polytechnic Institute), Guangzhou  510091, China; 2.School of Intelligent Manufacturing and Electrical Engineering, Guangzhou Institute of Science and Technology, Guangzhou  510540, China;

3.School of Electrical and Computer Engineering, Nanfang College Guangzhou, Guangzhou  510970, China;

4.Zhongshan Camry Electronic Company Limited, Zhongshan  528400, China)

Abstract: Aiming at the problems of environment and safety hazards in field camping in recent years, a field camping safety device based on PaddlePaddle Deep Learning (DL) is designed. Firstly, a Convolutional Neural Networks is used to train the model, and then image recognition and classification techniques are used for recognition. Taking animal classification and recognition as an example in the paper, the model is improved by training images of different types of animals, and the accuracy of model recognition and classification is verified. The final accuracy is above 0.96. After testing, the model used has shown good performance in animal image classification and can meet the requirements of the project design.

Keywords: PaddlePaddle1; Convolutional Neural Networks; image recognition and classification; field camping safety device

0  引  言

近几年野外露营市场迅速扩张,野外帐篷需求也同步激增。目前,市面上多数野外帐篷以解决用户“住”为主,忽略了“安全”问题,如霍少泽等[1]提出一种基于单片机的智能帐篷,实现露营环境状态数据监测,武艳等[2]设计了露营帐篷安全监测系统,实现对帐篷周边环境状态进行监测,监测信息通过液晶屏显示,并在危险时刻进入报警状态。虽都使得帐篷更加智能化,但在安全方面还尚有不足,如缺乏对帐篷周围具体环境状态的智能视觉分析处理,用户除了掌握基本的监测数据外,在野外露营的帐篷应该能够达到保障用户的基本安全。而在野外,潜在最大威胁为野兽,张雪莹等[3]、杨铭伦等[4]与周文萱等[5]分别提出了对野生动物进行识别分类的方法。

本文设计一种基于PaddlePaddle深度学习的野外露营安全装置,实现对露营周围环境的监测,保证用户安全。本文以物联网传感器实时监测环境状态以及对图像中的动物进行识别分类为例,通过PaddlePaddle深度学习平台,构建基于卷积神经网络训练模型和导入动物数据集,将以此为例介绍野外露营安全监测装置。

1  装置环境监测系统设计

基于PaddlePaddle深度学习的野外露营安全装置外观结构设计如图1所示,通过使用伸缩杆对装置进行体积压缩,可大幅提升装置其携带性。同时,通过对装置进行斜面设计,可提高其雨水泄流能力。内部主要由环境监测系统与视觉处理单元组成,环境监测系统主要为传感器集成电路板,通过多传感器融合实现温湿度检测、移动物体距离检测与驱赶等功能。视觉处理单元则对图像进行收集与处理,针对移动物体进行分类处理,再根据处理结果判断出的移动物体危险程度执行相关操作。

该传感器集成电路板上以STM32f103ZET6为MCU,其配备64 KB SRAM、512 KB FLASH、2个基本定时器、4个通用定时器、2个高级定时器、2个DMA控制器(共12个通道)、3个SPI、2个IIC、5个串口、1个USB、1个CAN、3个12位ADC、1个12位DAC、1个SDIO接口、1个FSMC接口以及112个通用IO口[6],还有超声波传感器电路、DHT11温湿度传感器电路、照度传感器电路、蜂鸣器电路与稳压电路等;视觉处理单元采用Raspberry Pi 4B主板,4 GB的RAM,满足对图像高速处理的要求,并配备千兆以太网以及板载双频Wi-Fi/蓝牙5.0,可进行设备之间无线高速数据传输。

2  装置电路设计

2.1  视觉处理单元

本装置视觉处理部分采用Raspberry Pi 4B,该主板拥有强大性能以及丰富的外设,其主频最高可达1.5 GHz,并搭载4 GB内存容量可同时运行多线程任务。该主板具备摄像头接口和无线网络传输接口,可轻松连接摄像头模块并实现无线高速信号传输。同时,该主板可与主控MCU进行通信,以实现传感器数据包的无线传输。本装置将训练模型部署于该主板,以实现端侧AI视觉环境分析处理。视觉处理单元介绍如图2所示。

2.2  降压稳压电路

采用LMR14020SDDAR器件作为装置降压稳压电路,该器件输入电压范围:4~40 V;调压输出稳定3.3 V,2 A持续输出电流,40 ?A超低工作静态电流,非常适合电池供电类系统,并且在关断状态下具有1 μA的超低电流,可进一步延长电池使用寿命,符合本装置供给降压稳压需求,电路如图3所示。

2.3  环境照度传感器电路

本装置环境照度传感器电路采用BH1750FVI器件,用于采集环境光照数据。该器件拥有高精度数据采集以及低功耗能力,可精准测量1~65 535 Lux输入光范围,并通过IIC BUS接口与主控MCU进行通信,可实时读取16位光照度数字信号,经过主控MCU逻辑分析后及时通过小程序反馈用户当前环境光照变化情况。环境光照度监测电路如图4所示。

2.4  温湿度传感器电路

本装置温湿度传感器电路采用DHT11数字型高精度器件,其温度测量范围为0~50 ℃,精度为±2 ℃、湿度测量范围为20~90%RH,精度为±5%RH。该器件拥有体积小巧以及功耗较低的特点,可通过主控MCU对环境进行数据采集分析,实时监测当地温湿度变化情况。环境温湿度监测电路如图5所示。

2.5  物体测距监测电路

本装置物体测距监测电路采用HC-SR04超声波器件,该器件可达2~400 cm的非接触式测距范围,其精度高达3 mm。当传感器监测到有物体靠近时,会向主控MCU发出信号,此时主控MCU下发指令驱动装置电机,进而转动至该物体位置,进行视觉分析处理。通过传感器位置判断后再唤醒摄像头,可提供准确物体定位的同时进一步降低装置整体运行功耗。超声波监测电路如图6所示。

2.6  驱赶电路

针对视觉分析处理结果,联调主控MCU发送特定的信号波,使得蜂鸣器发出相应鸣叫声,实现有效地提醒用户有物体靠近的情况,以及针对某种动物的特定频率鸣叫声驱赶,维护用户露营区域安全。蜂鸣器电路如图7所示。

3  装置电路设计

3.1  图像处理

PaddlePaddle基于百度多年的业务和技术,集深度学习训练、基础模型库等技术、资源于一体,成为在主流深度学习框架中唯一完全国产化的产品[7],如孙玉梅等人提出的基于PaddlePaddle的遥感智能视觉平台[8]、谢美英[9]和李玥瑶等人[10]提出的口罩佩戴识别等,国内也有很多企业基于PaddlePaddle研发出丰富的行业应用。本文基于PaddlePaddle进行图像识别分类,而对于其中的图像特征提取采用卷积神经网络[11,12]的方式。

图像识别分类结果分为几种情况:1)检测到危险程度低无威胁时,该装置不会报警。2)检测到危险程度中等时,该装置进行自动驱赶并记录相关信息,不提醒用户。3)检测到危险程度高且具有威胁性时,将识别数据传输到单片机主控板和用户手机上,同时触发报警提醒用户,警示用户做好相应的紧急应对措施。处理流程图如图8所示。

3.2  控制端小程序

该装置还配有控制端小程序,用户可利用小程序控制照明灯板、获取环境监测系统的数据以及控制视觉处理单元,极大方便用户操控装置。小程序如图9所示。

4  实验框架设计

4.1  数据集获取来源

数据集主要通过网络爬虫执行,设定脚本对浏览器进行虚拟访问,自动爬取满足课题需求的动物信息,爬取的所有动物信息将被系统存储,对信息进行分析、筛选、审查获取其有效信息,并将爬取信息存放至设定文件夹中,最终形成数据采集闭环[10]。

4.2  实验方式的设计

本课题实验组选取4类较为常见的野生动物物种作为实验识别对象,分别是斑马、大象、犀牛与蛇。使用PaddlePaddle平台进行标注,对图像进行框选标注,最终得到1 500张4类野生物种图像。将数据集按照9:1的比例变成训练集和测试集,其中90%的数据用于训练,10%的数据用于测试[10]。

4.3  部署PaddlePaddle平台

使用PaddlePaddle平台,创建新的动物训练模型[13],导入网络爬虫爬取的动物信息,添加动物类别标签,分别对不同标签进行初次人工标注,当人工标注数量达到30%左右时,启动PaddlePaddle平台提供的智能标注功能对动物数据集进行自动预标注,通过主动学习等待一段时间后方可针对展示的预标注结果进行二次人工筛选调整,当标注数据符合预期后,选择一键标注,导出标注好的数据信息。

启动PaddlePaddle平台中免费的训练环境,对动物数据集进行分割及迭代训练,选择该模型下已训练的基准模型版本,在数据应用场景不变的情况下,扩充数据提升模型训练效率和精确度,根据已训练版本的指标数据对下一轮次训练及时进行数据调整。

获取理想数据模型后,将训练模型部署至设备端,选择本地部署—通用小型设备—SDK(纯离线服务)—通用ARM。

5  训练结果分析

5.1  模型评估

精准度是检测预测模型是否正确的重要指标,MAP(Mean Average Precision)是物体检测(Object Detection)算法中衡量算法效果的指标。通过对数据集进行15轮次迭代训练,以及将每一次训练所得精准度值、MAP值和召回率进行记录,最后将训练好的模型与测试模型进行测试优化。

如表1所示,随着轮次的增加,测试模型精确率也基本稳定在0.96以上,训练模型、MAP数值符合最终课题要求。由本次举例的动物识别实验数据得出:训练模型达到了野生动物高精度识别的要求,因此,识别效果达到课题预期的理想效果[10]。

2)MAP:不同阈值下的实验得到P-R曲线,曲线下的面积为Average Precision(AP)值。“mean”意思为每类的平均AP值得MAP值,范围在[0,1]区间,越接近1则表示模型效果越好。3)召回率:{某类样本正确预测为该类的样本数}占{标注为该类的总样本数}的比率。

5.2  模型预测

预测流程主要为:1)部署环境。2)放入标注好的训练集。3)放入预测集到训练模型中进行预测。4)将预测结果输出。如图10、图11所示,对于具有迷惑性的动物图像,模型依旧成功识别出了该动物类型,并且能够随着训练次数与数据集的提升而不断提高识别性能。因此,可以证明课题中高精度的野生动物识别实验成功。

6  结  论

本文基于PaddlePaddle深度学习平台,设计以图像识别分类为主的野外露营安全装置,介绍了装置组成电路与软件设计原理,并以某一类需要识别的物体(动物)进行举例验证,实验采用PaddlePaddle平台进行。经测试,识别精准度基本稳定在0.96以上,满足设计要求。

其次,此次实验只针对动物进行识别,暂未对其他物体进行实验,但从实验结果来看,该方法也适用于其他物体,下一步的研究目标为其他物体的识别。同时,该设计、识别原理也适用于安防或者需要对图像进行处理的作业场景。

参考文献:

[1] 霍少泽,胡立夫,袁育蒙,等.一种基于单片机的智能帐篷 [J].中国科技信息,2022(8):80-82.

[2] 武艳,崔凡辉,程文磊.露营帐篷安全监测系统设计 [J].江苏科技信息,2016(35):67-68.

[3] 张雪莹,张浩林,韩莹莹,等.基于深度学习的野生动物监测与识别研究进展 [J].野生动物学报,2022,43(1):251-258.

[4] 杨铭伦,张旭,郭颖,等.基于YOLOv5的红外相机野生动物图像识别 [J].激光与光电子学进展,2022,59(12):382-390.

[5] 周文萱,胡龙桃,张敏,等.基于YOLO的小型动物识别系统设计 [J].计算机时代,2019(3):22-25.

[6] 林玩杰,李水峰,毛立夫,等.基于STM32智能家居控制系统的设计 [J].电子设计工程,2019,27(24):176-180.

[7] 马艳军,于佃海,吴甜,等.飞桨:源于产业实践的开源深度学习平台 [J].数据与计算发展前沿,2019,1(5):105-115.

[8] 孙玉梅,刘昱豪,边占新,等.深度学习PaddlePaddle框架支持下的遥感智能视觉平台研究与实现 [J].测绘通报,2021(11):65-69+75.

[9] 谢美英.一个基于PaddlePaddle深度学习框架的口罩佩戴图像识别模型 [J].现代信息科技,2022,6(4):111-114.

[10] 李玥瑶,周金治,王杨.基于PaddlePaddle和CNN的戴口罩人脸识别系统设计 [J].现代信息科技,2022,6(11):82-85.

[11] PaddlePaddle飞浆.卷积神经网络基础 [EB/OL].[2022-10-27].https://aistudio.baidu.com/aistudio/projectdetail/474522?channelType=0&channel=0.

[12] 颜冰.基于卷积神经网络人脸识别实现策略 [J].网络安全技术与应用,2022(6):47-49.

[13] 魏甫豫,张振宇,梁桂珍.基于卷积神经网络下昆虫种类图像识别应用研究 [J].河南师范大学学报:自然科学版,2022,50(6):96-105.

作者简介:刘映群(1978—),男,汉族,广东潮州人,副教授,硕士,研究方向:物联网应用技术;通讯作者:黄嘉源(2001—),男,汉族,广东汕头人,本科在读,研究方向:电子信息工程;何卓恒(2002—),男,汉族,广东佛山人,本科在读,研究方向:电气及其自动化;李创铭(1993—),男,汉族,广东潮州人,学士,研究方向:物联网应用技术;陈日源(2003—),男,汉族,广东湛江人,研究方向:电子信息技术。

猜你喜欢
物体电路传感器
电路的保护
康奈尔大学制造出可拉伸传感器
深刻理解物体的平衡
简述传感器在物联网中的应用
电子制作(2019年22期)2020-01-14 03:16:52
解读电路
“传感器新闻”会带来什么
传媒评论(2019年5期)2019-08-30 03:50:18
跟踪导练(三)2
巧用立创EDA软件和Altium Designer软件设计电路
电子制作(2019年24期)2019-02-23 13:22:20
我们是怎样看到物体的
基于MATLAB模拟混沌电路
电子制作(2018年17期)2018-09-28 01:56:44