Dal 2019, il tiny machine learning [10] si è imposto ovunque come una tecnologica innovativa implementata ed è stata dominante in molte applicazioni IoT. Un aspetto interessante, affrontato in questo lavoro, è legato al benessere degli animali da laboratorio. La loro salute potrebbe essere preservata acquisendo e classificando alcune immagini per monitorare la presenza di oggetti nelle loro gabbie. Ad esempio, le attività dei roditori, come bere e mangiare, possono essere indicatori del loro stato di salute. In tale contesto, μCageNet è stata sviluppata per classificare la presenza o l’assenza della gabbia, μBottleNet per classificare la presenza o l’assenza della bottiglia d’acqua e μFoodNet per classificare il livello del cibo nella mangiatoia. Tali reti neurali convoluzionali (CNN) hanno raggiunto una precisione del 99,8%. Dal momento che non fossero disponibili dataset a supporto di questo studio, ne abbiamo creati tre, ciascuno composto da una porzione dell’inquadaratura della gabbia. In ognuno, le immagini comprendono e sono focalizzate su un oggetto di interesse; in particolare il Cage dataset sullo spigolo della gabbia, il Bottle dataset sulla bottiglia dell’acqua e il Food dataset sul contenitore del cibo. Tutti e tre sono stati necessari per l’addestramento delle CNN. L’intero processo, dall’acquisizione delle immagini all’esecuzione delle inferenze, è stato eseguito sul microcontrolle (MCU) STM32H7 o sul STM32L4 (ultra-low-power con consumo pari a 120 μA/MHz). Le reti μCageNet, μBottleNet e μFoodNet sono state progettate per adattarsi alle risorse limitate delle MCUs. Particolare attenzione è stata fornita all’occupazione di memoria del dispositivo per garantire un valore complessivo di RAM necessaria pari a 34.92 kB. Per valutare e testare sul campo le prestazioni di questi modelli, è stata sviluppata un’interfaccia utente grafica (GUI), in grado di mostrare i risultati di delle predizioni su MCU. Inoltre, è stato verificato che le reti neurali convoluzionali sviluppate hanno raggiunto e superato la precisione ottenuta da un’architettura più complessa.

Classificazione di immagini fish-eye mediante reti neurali implementabili su microcontrollore

CARRA, ALESSANDRO
2020/2021

Abstract

Dal 2019, il tiny machine learning [10] si è imposto ovunque come una tecnologica innovativa implementata ed è stata dominante in molte applicazioni IoT. Un aspetto interessante, affrontato in questo lavoro, è legato al benessere degli animali da laboratorio. La loro salute potrebbe essere preservata acquisendo e classificando alcune immagini per monitorare la presenza di oggetti nelle loro gabbie. Ad esempio, le attività dei roditori, come bere e mangiare, possono essere indicatori del loro stato di salute. In tale contesto, μCageNet è stata sviluppata per classificare la presenza o l’assenza della gabbia, μBottleNet per classificare la presenza o l’assenza della bottiglia d’acqua e μFoodNet per classificare il livello del cibo nella mangiatoia. Tali reti neurali convoluzionali (CNN) hanno raggiunto una precisione del 99,8%. Dal momento che non fossero disponibili dataset a supporto di questo studio, ne abbiamo creati tre, ciascuno composto da una porzione dell’inquadaratura della gabbia. In ognuno, le immagini comprendono e sono focalizzate su un oggetto di interesse; in particolare il Cage dataset sullo spigolo della gabbia, il Bottle dataset sulla bottiglia dell’acqua e il Food dataset sul contenitore del cibo. Tutti e tre sono stati necessari per l’addestramento delle CNN. L’intero processo, dall’acquisizione delle immagini all’esecuzione delle inferenze, è stato eseguito sul microcontrolle (MCU) STM32H7 o sul STM32L4 (ultra-low-power con consumo pari a 120 μA/MHz). Le reti μCageNet, μBottleNet e μFoodNet sono state progettate per adattarsi alle risorse limitate delle MCUs. Particolare attenzione è stata fornita all’occupazione di memoria del dispositivo per garantire un valore complessivo di RAM necessaria pari a 34.92 kB. Per valutare e testare sul campo le prestazioni di questi modelli, è stata sviluppata un’interfaccia utente grafica (GUI), in grado di mostrare i risultati di delle predizioni su MCU. Inoltre, è stato verificato che le reti neurali convoluzionali sviluppate hanno raggiunto e superato la precisione ottenuta da un’architettura più complessa.
2020
2022-05-26
Complexity bounded classification of fish-eye distorted objects with micro-controllers
File in questo prodotto:
File Dimensione Formato  
Tesi Carra Alessandro.pdf

Open Access dal 26/05/2024

Descrizione: File pdf con tesi Carra Alessandro
Dimensione 4.77 MB
Formato Adobe PDF
4.77 MB Adobe PDF Visualizza/Apri

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12075/8864