边缘 tinyML 的 3 种用例

机器学习 (ML) 已经进入云计算的许多领域，并且已经在运行 Linux 的相对强大的处理器上找到通往边缘的道路。在这些系统上运行传统 ML 的问题是，因其功率配置文件太大，既无法“断开”，也无法用作电池供电型边缘设备执行工作任务。边缘 ML 的发展趋势及未来就是使用 tinyML。TinyML 的目的是在资源受限的设备上实现 ML 算法，如基于 Arm Cortex-M 处理器的微控制器。

在本篇博客中，我们将探讨最常见的 tinyML用例。在这些用例中，充分发挥了在基于微控制器的设备上、用在边缘处的 tinyML 的作用。

用例 #1：关键词识别

逐渐被人们熟知的第一种 tinyML 用例是关键词识别。关键词识别是指设备识别诸如“嗨，Siri”、“Alexa”、“你好”之类关键词的能力。关键字识别对边缘设备来说有许多用途。例如，人们可能想用低功率处理器来观察一个关键词，以唤醒一个更强大的处理器。另一种用例可能是控制嵌入式系统或机器人。我曾见过这样的例子，微控制器用来解码“前进”、“后退”、“停止”、“向右”和“向左”等关键词， 从而控制机器人的运动。

用 tinyML 识别关键词通常是通过麦克风来捕捉语音输入信号。语音信号被记录为随时间变化的电压，然后通过数字信号处理将其转换为光谱图。这种光谱图是一个与输入信号频率相对应的时间序列。可将频谱图送入神经网络 (NN)，用来训练微小的 ML 算法来识别特定的单词。这个过程如图 1 所示。

图 1：对输入语音信号进行数字处理，以生成一种用于训练 NN 来检测关键词的光谱图。（图片来源：Arm）

典型的实现方式是将固定的语音窗口输入 NN 中。然后，该网络将评估某个所需关键词被说出来的概率。例如，如果有人说“是”，NN 可能会报告说它有 91% 的把握是“是”，有 2% 的可能性是“不是”，有 1% 的可能性是“在”。

通过语音控制机器的能力是许多设备制造商正在仔细审查的用例，他们希望在未来几年内增强其设备。

用例 #2：图像识别

tinyML 的第二种用例是图像识别。对于能够进行图像识别的边缘设备，有相当多的用例。能够检测门旁边是否有人、包裹或什么都没有，这种用例大家可能已经熟悉。当然还有很多其他应用，包括监测旧的模拟仪表，检测草坪长势，甚至用于统计鸟的数量。

图像识别似乎是一个可以参与其中的复杂领域。然而，有几个低成本的平台可以帮助开发者启动和运行。我最喜欢的，也是我用来快速完成工作的一个平台就是 OpenMV。

OpenMV 是一个开放式机器视觉平台，包括一个集成开发环境 (IDE)、一个用 Python 编写的库框架以及一个来自 Seeed Technology 的相机模块，可帮助开发者创建机器视觉应用（图 2）。

图 2：OpenMV 相机模块可用于图像识别，在简单的 IDE 环境下使用 Python 就可以完成开发。（图片来源：Beningo Embedded Group）

该相机模块基于 STMicroelectronics 的 STM32H7 Cortex-M7 处理器。该硬件可以通过其板上的扩展针座进行扩展。该硬件可采用电池供电，甚至可以更换相机模块。你可能会发现了一个有趣的入门用例，即如何使用 CIFAR-10 数据集和 Arm CMSIS-NN 库进行图像识别。你可在 YouTube 上找到这个用例：https://www.youtube.com/watch?v=PdWi_fvY9Og。

用例 #3：预见性维护

我们将讨论 tinyML 的最后一种用例是预见性维护。预见性维护使用诸如统计分析和 ML等工具来预测设备状态，其依据如下：

• 异常情况检测
• 分类算法
• 预测模型

例如，一个工厂可能有一系列电机、风扇和用于产品生产的机器人设备。公司希望尽量减少停机时间，以最大限度地提高产量。如果设备有传感器，可以使用 ML 和上面提到的其他技术进行解释，他们可以检测到设备何时会接近故障状态。这样的设置可能看起来如图 3 所示。

图 3：tinyML 的第三种常见用例是用于预见性维护的智能传感器。（图片来源：STMicroelectronics）

将智能传感器连接到使用 tinyML 的低功耗微控制器，可以构建许多种有用的应用。例如，可以用来监测暖通空调设备、检查空气过滤器以及检测不规则的电机振动等等。预防性维护可以变得更有条理，从而有希望将公司从各种昂贵的应对措施中拯救出来，确保采用更优化的维护计划。

结语

TinyML 在边缘有很多潜在的应用和用例。我们已经探讨了目前常见的东西，但其用例几乎是无限的。TinyML 可用于手势检测、引导和控制等应用。随着边缘设备开始使用 tinyML，问题实际上就变成了“你 在边缘使用 tinyML 做什么？”。