[發(fā)明專利]一種低功耗智能監(jiān)測管理系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202211140359.X
• 申請日: 2022-09-20
• 公開（公告）號: CN115512180A
• 公開（公告）日: 2022-12-23
• 發(fā)明（設(shè)計(jì)）人: 朱翔宇;李銳;姜凱;魏子重
• 申請（專利權(quán)）人: 山東浪潮科學(xué)研究院有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/771;G06V10/77;G06V10/764;G06V10/82;G06V20/52;G06Q10/08;G06N3/04
• 代理公司: 濟(jì)南泉城專利商標(biāo)事務(wù)所 37218
• 代理人: 李桂存

本發(fā)明提供了一種低功耗智能監(jiān)測管理系統(tǒng)，以實(shí)現(xiàn)物品分類管理和實(shí)時(shí)監(jiān)測，包括以下步驟，對物品種類的圖像數(shù)據(jù)集進(jìn)行清洗、增強(qiáng)等預(yù)處理；通過自動機(jī)器學(xué)習(xí)進(jìn)行特征選擇、構(gòu)建和提取以及模型選擇、優(yōu)化和評估，以較低的成本實(shí)現(xiàn)高效的模型構(gòu)建和超參數(shù)調(diào)整；再對模型文件進(jìn)行格式轉(zhuǎn)換在設(shè)備端部署，同時(shí)建立傳感器與輕量化機(jī)器學(xué)習(xí)模型的連接，降低功耗；最后通過傳感器獲取物品圖像數(shù)據(jù)，利用輕量化機(jī)器學(xué)習(xí)模型在微控制器上運(yùn)行并推理物品種類，根據(jù)結(jié)果提供分類管理建議，并實(shí)時(shí)監(jiān)測管理。

技術(shù)領(lǐng)域

本發(fā)明涉及一種低功耗智能監(jiān)測管理系統(tǒng)，屬于機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域。

背景技術(shù)

在庫存管理、質(zhì)量管理的等領(lǐng)域物品分類管理極為重要，可以更安全地管理和保護(hù)商品。不同性質(zhì)的商品對于倉儲環(huán)境的要求不一樣，應(yīng)確定與之適應(yīng)的管理方法。同時(shí)，不同物品的價(jià)值和重要程度也不同，因此識別出少數(shù)的但對事物起決定作用的關(guān)鍵因素和多數(shù)的但對事物影響較少的次要因素對于降低管理成本和提高管理效率都起著事倍功半的效果。在機(jī)器學(xué)習(xí)步驟中，特征工程會耗費(fèi)數(shù)據(jù)科學(xué)家大量的人力去進(jìn)行特征的提取和篩選，不僅耗費(fèi)大量的時(shí)間，而且效率也不高，因此需要自動特征工程來將這些操作自動化，節(jié)省時(shí)間。同時(shí)，手動修改調(diào)參既耗費(fèi)大量的人力和時(shí)間，同時(shí)也難以尋找優(yōu)化的方向。

發(fā)明內(nèi)容

本發(fā)明目的是提供了一種低功耗智能監(jiān)測管理系統(tǒng)，不僅結(jié)構(gòu)牢固不易分離，而且施工方便。

本發(fā)明為實(shí)現(xiàn)上述目的，通過以下技術(shù)方案實(shí)現(xiàn)：

傳感器模塊：根據(jù)場景和用戶的需求進(jìn)行相關(guān)傳感器的部署，然后將這些傳感器與微控制器進(jìn)行有線或者無線的連接，確保傳感器的數(shù)據(jù)能夠傳送到微控制器中；

計(jì)算機(jī)視覺模塊：處理傳感器獲取的數(shù)據(jù)，該模塊進(jìn)行圖像、視頻以及像素視覺內(nèi)容的提取和計(jì)算，用于物品的識別、檢測和分類；

AutoML模塊：該模塊對圖像數(shù)據(jù)集進(jìn)行自動化樣本處理，包括數(shù)據(jù)清洗去除臟數(shù)據(jù)和噪聲點(diǎn)，以及數(shù)據(jù)增強(qiáng)，防止模型過擬合；通過自動特征工程根據(jù)任務(wù)目標(biāo)進(jìn)行特征選擇、特征構(gòu)建和特征提取；進(jìn)行模型構(gòu)建，自動設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)架構(gòu)，在確定搜索空間和搜索策略之后，通過神經(jīng)架構(gòu)搜索找到在待預(yù)測的新數(shù)據(jù)上實(shí)現(xiàn)高預(yù)測性能的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，確定模型后進(jìn)行超參優(yōu)化，對模型的參數(shù)組合進(jìn)行優(yōu)化訓(xùn)練，并進(jìn)行模型性能評估，最終獲得最優(yōu)模型；

TinyML模塊：通過AutoML模塊自動生成最優(yōu)模型，得到TensorFlow的模型之后，利用量化進(jìn)行模型的壓縮，可以使用TensorFlow Lite，對模型輕量化，將模型進(jìn)行二進(jìn)制格式的轉(zhuǎn)換，得到的二進(jìn)制文件就可以部署到微控制器中；

微控制器模塊：數(shù)據(jù)到達(dá)控制器模塊中，根據(jù)得到的輸入數(shù)據(jù)，部署的AutoML模型和TinyML模型會根據(jù)部署和相關(guān)邏輯進(jìn)行推理，將推理結(jié)果傳輸給局域網(wǎng)內(nèi)的監(jiān)測平臺，為用戶提供物品分類和管理建議，用戶可以通過平臺監(jiān)測物品的分類管理和實(shí)時(shí)情況；同時(shí)，傳感器傳輸?shù)臄?shù)據(jù)會傳輸?shù)狡脚_設(shè)備中進(jìn)行儲存，用戶可以查看歷史紀(jì)錄，也可以利用收集的數(shù)據(jù)進(jìn)行模型的優(yōu)化。

優(yōu)選的，所述傳感器模塊包括視覺傳感器，圖像傳感器和溫度傳感器。

優(yōu)選的，所述利用量化進(jìn)行模型的壓縮使用TensorFlow Lite。

本發(fā)明的優(yōu)點(diǎn)在于：本發(fā)明使用的微控制器的能耗更低，所以設(shè)備都運(yùn)行在局域網(wǎng)中，相關(guān)的隱私、儲存和延遲問題也會大幅度的優(yōu)化。

附圖說明

附圖用來提供對本發(fā)明的進(jìn)一步理解，并且構(gòu)成說明書的一部分，與本發(fā)明的實(shí)施例一起用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的限制。

圖1為本發(fā)明系統(tǒng)結(jié)構(gòu)示意圖。

具體實(shí)施方式