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

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.