基于TinyML的猫咪动作识别方法

摘要：针对国内宠物用品市场产品功能单一的问题，设计了一款可以识别猫咪奔跑、跳跃、翻转3种运动状态的设备。借助开源电子平台Arduino，使用陀螺仪和加速度传感器对猫咪的运动状态数据进行采集，并使用深度学习框架TensorFlow进行训练，通过微型机器学习（TinyMachineLearning，TinyML）技术压缩模型参数，使模型部署到开发板上。通过试错法找到训练效果最佳的模型结构，最终实现对猫咪运动状态识别的准确率达到90%以上。

关键词：微型机器学习运动状态识别模型搭建模型训练

CatactionrecognitionmethodbasedonTinyML

LIUYiqunLIUSijinWANGHui

（HubeiUniversityofTechnology，SchoolofElectricalandElectronicEngineering，Wuhan，HubeiProvince，430068China）

Abstract：NowthepetproductmarketisdevelopingsorapidlyinChina，butmostproductshavelimitedfunctionality.Thispaperdesignsadevicethatcanidentifythethreemotionstatesofrunning，jumpingandflippingofacatbasedontheArduino，whichcansolvetheproblemofasinglefunctionoftheproductsonthemarket.Finally，theaccuracyratereachedmorethan90%bythemostsuitablenetworkstructurethroughtrialanderror.

Keyword：TinyML;actionrecognition；Modelbuilding；Modeltraining

根据“亚宠院”发布的《宠物行业蓝皮书》[1]，未来五年内我国猫的数量将超过1.1亿只，宠物用品市场规模近年增长率稳定在10%以上，有91%的养宠人计划购买智能宠物用品。国外产品可收集宠物生理信息并分析其健康状况，国内产品主要实现定位、追踪等单一功能，具备极大的提升空间，市场前景广阔[2]。本文将微型机器学习（TinyMachineLearning，TinyML）应用到猫咪项圈中，通过采集猫咪运动数据进而识别其动作类型。

1.总体方案设计

本系统以Arduino开发板为核心设计出一款猫咪动作识别系统，可对猫咪跳跃、奔跑、翻转三类动作进行识别和分类，系统总体框架如图1所示。

1.1运动数据采集和识别

本方案选用Arduino开发板，性能强大，兼容性好[3]。开发版尺寸较小，可减少对猫的压迫感，通过九轴重力传感器可采集猫咪运动时的加速度和位移信息。对IMU数据采集程序，仅需在初始化后读取加速度和陀螺仪数值即可。对动作识别分类程序，则需设置加速度阈值，保证猫咪动作幅度较大时才调用识别函数，以免造成误判，并降低CPU工作强度。动作识别流程如图2所示。

1.2模型搭建

训练前对数据进行归一化处理并打上标签，划分80%作为训练集，20%作为验证集，输出层个数为3。训练时更改FC（FullyConnectedlayer）数量及每一层神经元个数来搭建不同的网络结构，网络激活函数均使用“relu”，优化器均使用“RMSProp”。结构一FC层数为1，节点个数为30，即神经网络拓扑结构为30∶3；同理，结构二为50∶15∶3，结构三为50∶30∶15∶3。此外，由于功耗和内存限制，训练后的模型文件还需进行轻量化处理[4]。

2.实验分析

2.1模型训练

将设备固定于实验猫脖颈处，引导猫咪完成行走、翻转、跳跃的动作。设置模型结构，更改训练轮次，开始迭代训练。如图3所示，结构一训练600轮时并未见loss曲线明显收敛，在800轮后已无明显收敛趋势；结构二训练600轮时loss曲线收敛，但800轮时曲线有发散趋势；结构三训练600轮时曲线收敛效果较好。因此，结构一训练800轮，二训练600轮，三训练600轮。生成模型后调用各类方法完成轻量化处理，使文件大小小于1MB。

2.2识别结果统计与分析

如表1所示，对于结构一，奔跑和翻转P均低于70%，由于猫咪奔跑和翻转时重心出现小幅上移，如果特征提取效果较差，只找到局部最优解，容易将三类动作相混淆[5]；对于结构三，奔跑P仅为45%，翻转R虽达到100%，但P仅为75%，如果模型对单个特征过于敏感，可能根据重心小幅上移这一特征将该动作误判为跳跃。而结构二的3类动作P均高于90%，且跳跃R显著高于结构一和三，达到85.7%。

3.结语

本设备可识别猫咪奔跑、跳跃、翻转三种运动状态，准确率高达到90%，但泛化性和鲁棒性不ancZPNsQd09dGVg0LhDyNQ==足。后续考虑使用更多网络模型结构，改进运动检测方式，解决猫咪多样性运动数据的采集和增广问题。

参考文献

• 亚宠研究院.宠物行业蓝皮书：2023宠物行业发展报告（简版）[R/OL].（2023-08-15）[2024-03-25].https：//www.petslib.cn/report/537876963235201024.html.
• 何泫臻，范志聪，李孜，等.宠物健康智能监测发展现状[J].广东饲料，2023，32（10）：8-14.
• KITZHABERZB，ENGLISHCM，SANIMKRI，etal.FluorometercontrolandreadoutusinganArduinoNano33BLEsenseboard.[J].Appliedspectroscopy，2022，77（2）：37028221128800-37028221128800.
• 刘旭瑶，曾天凯，戴嘉庆，等.基于TinyML轻量化边缘侧处理的智能分类垃圾桶[J].装备制造技术，2022（6）：110-113.
• SACHINN，NEERAJS.Astandalonecomputingsystemtoclassifyhumanfootmovementsusingmachinelearningtechniquesforankle-footprosthesiscontrol.[J].ComputerMethodsinBiomechanicsandBiomedicalEngineering，2021，25（12）：11-11.