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聯在一起？

雖然人工智能早已在身邊，但是在“原味”的微控制器應用場景中如何落地深度學習技術，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局和北京鴻成鑫鼎智能科技有限公司聯合開發的“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習的“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。

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，獲得發明專利

這款模塊經過近兩年的開發和嚴格測試，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；自動輔助數據矯正和人工審核矯正率100%，數據真實可用；耗電量按1天1條數據功耗折算，可平均工作4425.6天（約12.1年），已大大超過了8年的設計壽命?！?/p>

更可喜的是，經過改進模型，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域，識別出讀數，并把識別結果和原始圖片中檢測區域一并上傳的效果，一次無線傳輸的數據量僅幾百字節（而發送全圖要幾萬字節）。

北京水務局還計劃在北京市東水西調管理處、門頭溝區70多處機井、甘家口大大廈等地進行應用推廣試點。實現鄉村水井、耕地和林區機井、供水管道網絡處無人值守的用水計量，實現了無需替換原有水表，就實現了自動抄表的功能。

更加可喜的是，這個邊緣AI抄表器的設計經過多次反復設計、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明專利。

解析方案的精髓：深度學習

接下來，小編就給大家講講作為這個方案最“精髓”的部分——深度學習。

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，實現了無需調整參數就能自動適應新的各種表盤。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習技術，但使用手寫數字分類的參考模型——注意，是剛剛才提出——而且還是使用深度學習計算機視覺中最基礎的“圖像分類”技術。

圖像分類和物體檢測的關鍵區別是啥呢，小編畫了一個草圖來說明（原諒小編的美術是數學老師教的）。

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）的關鍵部分，就是來自于分類模型的卷積神經網絡部分，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網絡的基礎上追加分類器（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網絡的多處中間結果和最終輸出，并添加檢測頸和檢測頭的相關結構，只是比分類器要復雜得多。骨干網絡的訓練一般也是借助分類模型來實現。

回到AI抄表的應用，如果用分類模型，就要為每種規格的表盤人工設定分類區域，每個數字一個，麻煩得很；但是檢測模型就能自動找出在哪里讀數，讀幾個數，顯然是方便多了。而在這個具體的專利中，使用了一種單發多框檢測器(Single Shot Multibox Detector, SSD)模型的優化版本——發明人稱為 “SlimSSD”，從名字上可以看出它是一種更“苗條（Slim）”的SSD——發明人還使用注意力機制來更準確地幫助裁剪模型。

有關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絡的部分。下部的幾支“并聯”的結構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SSD模型的論文，請點擊這里>>）。

小貼士

在物體檢測領域，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。物體檢測技術因為實用、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網絡一樣，都非常的靈活，它的構成可以根據應用要求的不同像搭積木一樣魔改和優化，對算力要求甚至可以有上百倍的優化，使得微控制器也可以承載。小編通過查閱專利號“CN113255650B”，發現客戶優化的這個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，感覺自己對深度學習和實際應用的認知不足，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??！并且是無人值守的環境下僅靠電池就能一天抄一次連續工作12年以上！

看到這里，小編想用一句話來表達內心的感嘆：

深度學習 => 創奇跡

深度學習 + NXP微控制器 => 再創奇跡

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機器學習套件是半年前才發布，他們僅憑我們的技術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年前別說是基礎的圖像分類，就算是深度學習在微控制器上的基礎軟件也幾乎還是空白，Arm CMSIS-NN也才發布幾個月。

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。小編了解到，北京鴻成鑫鼎科技公司沒有就此止步，而是在此基礎上，進一步開發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合給人民的安居樂業保駕護航！在這其中，恩智浦的高品質長壽命微控制器也將繼續履行承擔計算平臺的光榮使命。

最后，小編想說，深度學習的抻縮性遠比我們想象要大得多，只要根據應用的實際要求和硬件平臺的特點合理優化和化簡模型，有很多想都不敢想的應用都可以變成現實。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或應用處理器弱得多，但是它上面的負擔開銷輕得更多，再加上深度學習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體系統工程師宋巖。感謝北京鴻成鑫鼎智能科技有限公司為本文提供的相關圖片，文中部分數據和信息參考自以下這篇文章>>

來源：NXP客棧
免責聲明：本文為轉載文章，轉載此文目的在于傳遞更多信息，版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權問題，請聯系小編進行處理

審核編輯 黃宇