NanoEdgeAIStudio案例之----食物识别 - 内容:该应用专注于食品识别,可广泛应用于智能家居设备、餐厅、医院和食品制造行业等。它能够识别18种不同类型的食物和饮料,如披萨、啤酒和薯条等。
- 方法:采用了B-CAMS-OMV摄像头模块进行场景捕捉,并选择了预训练的FD-Mobilenet神经网络模型。该模型已集成到FP-AI-VISION1功能包中,专为STM32H747 Discovery开发套件设计。通过使用STM32Cube.AI进行优化,实现了对“标准”和“优化”两种量化卷积神经网络的支持。
- 结果:“标准”模型具有较小的内存占用,Flash权重存储为132 KB,RAM激活存储为148 KB,准确率达到72.8%。在STM32H747(高性能)@ 400 MHz上运行时,推理时间为79 ms,帧率为11.8 fps。而“优化”模型虽然内存占用稍大,但准确率提高至77.5%,推理时间为145 ms,帧率为6.6 fps。这一技术展示了在资源受限的嵌入式设备上实现高效食品识别的可能性。
- 心得:这个案例展示了如何利用深度学习技术进行食物识别,并将其应用于实际的设备中。通过优化模型和使用合适的硬件平台,我们可以在资源有限的嵌入式设备上实现高效的食品识别功能。
|