一种低功耗智能监测管理系统的制作方法

1.本发明涉及一种低功耗智能监测管理系统，属于机器学习技术领域。


背景技术：

2.在库存管理、质量管理的等领域物品分类管理极为重要，可以更安全地管理和保护商品。不同性质的商品对于仓储环境的要求不一样，应确定与之适应的管理方法。同时，不同物品的价值和重要程度也不同，因此识别出少数的但对事物起决定作用的关键因素和多数的但对事物影响较少的次要因素对于降低管理成本和提高管理效率都起着事倍功半的效果。在机器学习步骤中，特征工程会耗费数据科学家大量的人力去进行特征的提取和筛选，不仅耗费大量的时间，而且效率也不高，因此需要自动特征工程来将这些操作自动化，节省时间。同时，手动修改调参既耗费大量的人力和时间，同时也难以寻找优化的方向。


技术实现要素：

3.本发明目的是提供了一种低功耗智能监测管理系统，不仅结构牢固不易分离，而且施工方便。
4.本发明为实现上述目的，通过以下技术方案实现：传感器模块：根据场景和用户的需求进行相关传感器的部署，然后将这些传感器与微控制器进行有线或者无线的连接，确保传感器的数据能够传送到微控制器中；计算机视觉模块：处理传感器获取的数据，该模块进行图像、视频以及像素视觉内容的提取和计算，用于物品的识别、检测和分类；automl模块：该模块对图像数据集进行自动化样本处理，包括数据清洗去除脏数据和噪声点，以及数据增强，防止模型过拟合；通过自动特征工程根据任务目标进行特征选择、特征构建和特征提取；进行模型构建，自动设计神经网络架构，在确定搜索空间和搜索策略之后，通过神经架构搜索找到在待预测的新数据上实现高预测性能的神经网络结构，确定模型后进行超参优化，对模型的参数组合进行优化训练，并进行模型性能评估，最终获得最优模型；tinyml模块：通过automl模块自动生成最优模型，得到tensorflow的模型之后，利用量化进行模型的压缩，可以使用tensorflow lite，对模型轻量化，将模型进行二进制格式的转换，得到的二进制文件就可以部署到微控制器中；微控制器模块：数据到达控制器模块中，根据得到的输入数据，部署的automl模型和tinyml模型会根据部署和相关逻辑进行推理，将推理结果传输给局域网内的监测平台，为用户提供物品分类和管理建议，用户可以通过平台监测物品的分类管理和实时情况；同时，传感器传输的数据会传输到平台设备中进行储存，用户可以查看历史纪录，也可以利用收集的数据进行模型的优化。
5.优选的，所述传感器模块包括视觉传感器，图像传感器和温度传感器。
6.优选的，所述利用量化进行模型的压缩使用tensorflow lite。
7.本发明的优点在于：本发明使用的微控制器的能耗更低，所以设备都运行在局域网中，相关的隐私、储存和延迟问题也会大幅度的优化。
附图说明
8.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
9.图1为本发明系统结构示意图。
具体实施方式
10.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
11.本发明提供一种基于tinyml、automl和计算机视觉的低功耗智能监测管理系统，实现物品分类管理和监测。通过自动化机器学习（automl）进行模型生成和优化，通过模型轻量化（tinyml）部署到算力有限的微型控制器设备上，然后利用传感器进行物品图像数据收集，最后在微控制器单元根据进行数据的运算和推理，进行物品分类并进行管理监测。其中传感器进行数据的收集，然后模型的推理完全在微型控制器设备端，即使不能连接到网络，设备依旧可以就物品图像数据实现分类管理和监测。
12.包括以下模块：传感器模块：根据场景和用户的需求进行相关传感器的部署，例如视觉传感器，图像传感器和温度传感器等。然后将这些传感器与微控制器进行有线或者无线的连接，确保传感器的数据能够传送到微控制器中。
13.计算机视觉模块：在传感器获得数据后，改模块涉及图像、视频以及像素等视觉内容的提取和计算，用于物品的识别、检测和分类。
14.automl模块：自动机器学习模块可以实现端到端流程自动化，降低人工和时间成本，可以实现高效的模型构建和超参数调整。首先，对图像数据集进行自动化样本处理，包括数据清洗去除脏数据和噪声点，以及数据增强，防止模型过拟合；通过自动特征工程根据任务目标进行特征选择、特征构建和特征提取；接着进行模型构建，自动设计神经网络架构，在确定搜索空间（定义了优化问题的变量）和搜索策略（定义了使用怎样的算法进行快速、准确找到最优的网络结构参数配置）之后，通过神经架构搜索找到在待预测的新数据上实现高预测性能的神经网络结构，确定模型后进行超参优化，对模型的参数组合进行优化训练，并进行模型性能评估，最终获得最优模型。
15.tinyml模块：在微型机器学习模块中，可以进行模型训练和轻量化。本系统通过automl模块自动生成最优模型，得到tensorflow的模型之后，需要利用量化进行模型的压缩，可以使用tensorflow lite，因为微控制器的片上储存资源是有限的，需要将模型进行轻量化。模型轻量化之后，需要将模型进行二进制格式的转换，因为微控制器部署模型需要二进制的模型文件。转换完毕之后，得到的二进制文件就可以部署到微控制器中。
16.微控制器模块：传感器的数据的传输可以通过无线传输或者串口的方式。当数据
到达控制器模块中，根据得到的输入数据，部署的automl模型和tinyml模型会根据部署和相关逻辑进行推理，然后将推理结果传输给局域网内的监测平台，为用户提供物品分类和管理建议，用户可以通过平台监测物品的分类管理和实时情况。同时，传感器传输的数据会传输到平台设备中进行储存。方便用户可以查看历史纪录，也可以利用收集的数据进行模型的优化。
17.最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。


技术特征：
1.一种低功耗智能监测管理系统，其特征在于，包括以下模块：传感器模块：根据场景和用户的需求进行相关传感器的部署，然后将这些传感器与微控制器进行有线或者无线的连接，确保传感器的数据能够传送到微控制器中；计算机视觉模块：处理传感器获取的数据，该模块进行图像、视频以及像素视觉内容的提取和计算，用于物品的识别、检测和分类；automl模块：该模块对图像数据集进行自动化样本处理，包括数据清洗去除脏数据和噪声点，以及数据增强，防止模型过拟合；通过自动特征工程根据任务目标进行特征选择、特征构建和特征提取；进行模型构建，自动设计神经网络架构，在确定搜索空间和搜索策略之后，通过神经架构搜索找到在待预测的新数据上实现高预测性能的神经网络结构，确定模型后进行超参优化，对模型的参数组合进行优化训练，并进行模型性能评估，最终获得最优模型；tinyml模块：通过automl模块自动生成最优模型，得到tensorflow的模型之后，利用量化进行模型的压缩，可以使用tensorflow lite，对模型轻量化，将模型进行二进制格式的转换，得到的二进制文件就可以部署到微控制器中；微控制器模块：数据到达控制器模块中，根据得到的输入数据，部署的automl模型和tinyml模型会根据部署和相关逻辑进行推理，将推理结果传输给局域网内的监测平台，为用户提供物品分类和管理建议，用户可以通过平台监测物品的分类管理和实时情况；同时，传感器传输的数据会传输到平台设备中进行储存，用户可以查看历史纪录，也可以利用收集的数据进行模型的优化。2.根据权利要求1所述的低功耗智能监测管理系统，其特征在于，所述传感器模块包括视觉传感器，图像传感器和温度传感器。3.根据权利要求1所述的低功耗智能监测管理系统，其特征在于，所述利用量化进行模型的压缩使用tensorflow lite。

技术总结
本发明提供了一种低功耗智能监测管理系统，以实现物品分类管理和实时监测，包括以下步骤，对物品种类的图像数据集进行清洗、增强等预处理；通过自动机器学习进行特征选择、构建和提取以及模型选择、优化和评估，以较低的成本实现高效的模型构建和超参数调整；再对模型文件进行格式转换在设备端部署，同时建立传感器与轻量化机器学习模型的连接，降低功耗；最后通过传感器获取物品图像数据，利用轻量化机器学习模型在微控制器上运行并推理物品种类，根据结果提供分类管理建议，并实时监测管理。理。理。


技术研发人员：朱翔宇 李锐 姜凯 魏子重
受保护的技术使用者：山东浪潮科学研究院有限公司
技术研发日：2022.09.20
技术公布日：2022/12/22