背景

隨著時(shí)間的流逝，食物浪費(fèi)問(wèn)題對(duì)環(huán)境的影響越來(lái)越嚴(yán)重。聯(lián)合國(guó)環(huán)境規(guī)劃署 (UNEP) 最近的食物浪費(fèi)指數(shù)報(bào)告顯示，平均而言，消費(fèi)者每年浪費(fèi)近 10 億噸食物（或購(gòu)買的所有食物的 17%）。

人們生產(chǎn)的食物多于消耗的食物這一事實(shí)會(huì)產(chǎn)生重大的負(fù)面影響。例如，估計(jì)全球溫室氣體排放的 8-10% 來(lái)自未使用的食物。相反，減少食物浪費(fèi)將有助于減少溫室氣體排放和全球污染，并增加遭受饑餓的國(guó)家的糧食供應(yīng)。

這種情況表明，在不久的將來(lái)，我們需要關(guān)注的不是擴(kuò)大食品生產(chǎn)，而是及時(shí)控制質(zhì)量，以便新鮮產(chǎn)品可以銷售和消費(fèi)。為了解決當(dāng)前的情況，人類將需要更智能的用戶友好型技術(shù)，以幫助他們實(shí)時(shí)監(jiān)控產(chǎn)品質(zhì)量。

在這篇文章中，我將解釋一種檢查食品質(zhì)量的簡(jiǎn)單方法，該方法可以在普通商店甚至您自己的冰箱中實(shí)施。

介紹
最近，我做了一個(gè)簡(jiǎn)單的實(shí)驗(yàn)，我想和大家分享一下，因?yàn)槲覉?jiān)信這樣的實(shí)際解決方案可以對(duì)解決全球性問(wèn)題產(chǎn)生很大的影響。

我的想法是使用 Tiny Machine Learning 方法根據(jù)氣體傳感器的數(shù)據(jù)預(yù)測(cè)食物是新鮮的還是變質(zhì)的。我使用 7 個(gè)氣體傳感器進(jìn)行了實(shí)驗(yàn)。

在我的教程中，您將會(huì)學(xué)習(xí)如何自動(dòng)創(chuàng)建一個(gè)超小型機(jī)器學(xué)習(xí)模型，將其嵌入傳感器的微控制器中，并使用它檢查食品質(zhì)量。

所以讓我們開始吧！

程序：
第 1 步：使用 Neuton 創(chuàng)建 TinyML 模型
在 Neuton 平臺(tái)上創(chuàng)建一個(gè)新的解決方案“食品質(zhì)量”，并上傳包含食品質(zhì)量信號(hào)的訓(xùn)練數(shù)據(jù)集，標(biāo)記為兩個(gè)類別（新鮮和變質(zhì)）。我的數(shù)據(jù)集包含 784 行。

然后，選擇目標(biāo)（標(biāo)簽）和目標(biāo)指標(biāo)（準(zhǔn)確度），同時(shí)啟用微型機(jī)器學(xué)習(xí)模式。此外，為沒(méi)有浮點(diǎn)數(shù)據(jù)類型的計(jì)算選擇 8 位深度，然后單擊“開始部署”。

模型將在幾分鐘內(nèi)準(zhǔn)備就緒，接下來(lái)需要下載模型。

第 2 步：創(chuàng)建微控制器的固件
下載示例：https ://github.com/Neuton-tinyML/arduino-example

項(xiàng)目介紹
該項(xiàng)目包含：

• 通過(guò) USB-UART 串??口接收數(shù)據(jù)集的代碼，
• 預(yù)測(cè)實(shí)現(xiàn)，
• 結(jié)果指示，
• 用于測(cè)量預(yù)測(cè)時(shí)間的代碼。

主草圖文件“ arduino-tiny-ml-neuton.ino ”具有處理數(shù)據(jù)包的功能。

主要過(guò)程在 user_app.c 文件中進(jìn)行：

static NeuralNet neuralNet = { 0 };

extern const unsigned char model_bin[];

extern const unsigned int model_bin_len;

uint8_t app_init()

{

return (ERR_NO_ERROR != CalculatorInit(&neuralNet, NULL));

}

inline Err CalculatorOnInit(NeuralNet* neuralNet)

{

memUsage += sizeof(*neuralNet);

app_reset();

timer_init();

return CalculatorLoadFromMemory(neuralNet, model_bin, model_bin_len, 0);

}

在這里，創(chuàng)建一個(gè)對(duì)象 NeuralNet 并調(diào)用一個(gè)函數(shù)來(lái)加載位于文件model.c中的模型

CalculatorLoadFromMemory(neuralNet, model_bin, model_bin_len, 0);

該模型現(xiàn)在已準(zhǔn)備好進(jìn)行預(yù)測(cè)。為此，您需要通過(guò)將大小為 neuralNet.inputsDim 的浮點(diǎn)數(shù)組傳輸給 CalculatorRunInference 函數(shù)來(lái)調(diào)用它。

最后一個(gè)值是 BIAS，應(yīng)該是 1。

inline float* app_run_inference(float* sample, uint32_t size_in, uint32_t *size_out)

{

if (!sample || !size_out)

return NULL;

if (size_in / sizeof(float) != app_inputs_size())

return NULL;

*size_out = sizeof(float) * neuralNet.outputsDim;

if (app.reverseByteOrder)

Reverse4BytesValuesBuffer(sample, app_inputs_size());

return CalculatorRunInference(&neuralNet, sample);

}

執(zhí)行預(yù)測(cè)時(shí)，會(huì)調(diào)用三個(gè)回調(diào)函數(shù)：預(yù)測(cè)之前的 CalculatorOnInferenceStart 和預(yù)測(cè)之后的 CalculatorOnInferenceEnd，以及帶有預(yù)測(cè)結(jié)果的 CalculatorOnInferenceResult。

在示例中，我使用這些函數(shù)來(lái)測(cè)量預(yù)測(cè)時(shí)間。

具有類概率的數(shù)組與預(yù)測(cè)結(jié)果一起傳遞給函數(shù)，大小為neuralNet.outputsDim。在這里，找到概率最高的類，如果概率 > 0.5，則打開 LED（綠色為 0 類，紅色為 1 類）。

inline void CalculatorOnInferenceResult(NeuralNet* neuralNet, float* result)

{

if (neuralNet->taskType == TASK_BINARY_CLASSIFICATION && neuralNet->outputsDim >= 2)

{

float* value = result[0] >= result[1] ? &result[0] : &result[1];

if (*value > 0.5)

{

if (value == &result[0])

{

led_green(1);

led_red(0);

}

else

{

led_green(0);

led_red(1);

}

}

else

{

led_green(0);

led_red(0);

}

}

}

第 3 步：將下載的模型復(fù)制到草圖中
將模型文件model.c從模型存檔復(fù)制到 MCU 固件。

第 4 步：編譯草圖并將其上傳到開發(fā)板
現(xiàn)在一切都準(zhǔn)備好，可以進(jìn)行草圖編譯了。我用程序?qū)?shù)據(jù)從計(jì)算機(jī)發(fā)送到 MCU 并顯示預(yù)測(cè)結(jié)果（它模擬傳感器數(shù)據(jù)并將數(shù)據(jù)發(fā)送到 MCU）。

根據(jù)您的操作系統(tǒng)，使用bin文件夾中的相應(yīng)文件。

您需要為實(shí)用程序指定兩個(gè)參數(shù)：USB 端口和數(shù)據(jù)集文件。

該實(shí)用程序讀取 CSV 文件并將樣本逐行發(fā)送到微控制器。然后，它將結(jié)果作為 CSV 文件輸出到標(biāo)準(zhǔn)輸出流。發(fā)送所有樣本后，實(shí)用程序會(huì)請(qǐng)求一份包含預(yù)測(cè)時(shí)間和消耗的內(nèi)存量的報(bào)告。

第 5 步：檢查嵌入式模型的功能
創(chuàng)建兩個(gè) CSV 文件，每個(gè)文件包含一行，其中的數(shù)據(jù)對(duì)應(yīng)于兩個(gè)類別：新鮮和變質(zhì)。

然后，將它們中的每一個(gè)發(fā)送到微控制器并查看預(yù)測(cè)結(jié)果

在第一種情況下，食物保持新鮮，因?yàn)轭A(yù)測(cè)類別為零，這意味著結(jié)果是“新鮮食物”。該預(yù)測(cè)是在 3844 微秒內(nèi)完成的，閃存使用量為 199kB，RAM 使用量為 136B。此外，您可以看到綠色 LED 亮起，這表示結(jié)果良好。

在另一種情況下，我們會(huì)看到模型預(yù)測(cè)食物變質(zhì)了，因?yàn)轭A(yù)測(cè)的類別是一類，表示“食物變質(zhì)”。預(yù)測(cè)也非常快，在 3848 微秒內(nèi)，使用相同的 199 kB 閃存和 136 kB RAM。在這種情況下，您可以看到紅色 LED，表示食物已變質(zhì)。

結(jié)論：
這個(gè)實(shí)驗(yàn)證明，只需 5 個(gè)簡(jiǎn)單的步驟，您就可以創(chuàng)建一個(gè)工作智能設(shè)備，盡管它的體積很小，但對(duì)監(jiān)控食品質(zhì)量有很大幫助。我絕對(duì)確信這些技術(shù)可以幫助我們使我們居住的世界變得更清潔、更健康。