背景

隨著時間的流逝，食物浪費問題對環(huán)境的影響越來越嚴重。聯(lián)合國環(huán)境規(guī)劃署 (UNEP) 最近的食物浪費指數(shù)報告顯示，平均而言，消費者每年浪費近 10 億噸食物（或購買的所有食物的 17%）。

人們生產(chǎn)的食物多于消耗的食物這一事實會產(chǎn)生重大的負面影響。例如，估計全球溫室氣體排放的 8-10% 來自未使用的食物。相反，減少食物浪費將有助于減少溫室氣體排放和全球污染，并增加遭受饑餓的國家的糧食供應。

這種情況表明，在不久的將來，我們需要關(guān)注的不是擴大食品生產(chǎn)，而是及時控制質(zhì)量，以便新鮮產(chǎn)品可以銷售和消費。為了解決當前的情況，人類將需要更智能的用戶友好型技術(shù)，以幫助他們實時監(jiān)控產(chǎn)品質(zhì)量。

在這篇文章中，我將解釋一種檢查食品質(zhì)量的簡單方法，該方法可以在普通商店甚至您自己的冰箱中實施。

介紹
最近，我做了一個簡單的實驗，我想和大家分享一下，因為我堅信這樣的實際解決方案可以對解決全球性問題產(chǎn)生很大的影響。

我的想法是使用 Tiny Machine Learning 方法根據(jù)氣體傳感器的數(shù)據(jù)預測食物是新鮮的還是變質(zhì)的。我使用 7 個氣體傳感器進行了實驗。

在我的教程中，您將會學習如何自動創(chuàng)建一個超小型機器學習模型，將其嵌入傳感器的微控制器中，并使用它檢查食品質(zhì)量。

所以讓我們開始吧！

程序：
第 1 步：使用 Neuton 創(chuàng)建 TinyML 模型
在 Neuton 平臺上創(chuàng)建一個新的解決方案“食品質(zhì)量”，并上傳包含食品質(zhì)量信號的訓練數(shù)據(jù)集，標記為兩個類別（新鮮和變質(zhì)）。我的數(shù)據(jù)集包含 784 行。

然后，選擇目標（標簽）和目標指標（準確度），同時啟用微型機器學習模式。此外，為沒有浮點數(shù)據(jù)類型的計算選擇 8 位深度，然后單擊“開始部署”。

模型將在幾分鐘內(nèi)準備就緒，接下來需要下載模型。

第 2 步：創(chuàng)建微控制器的固件
下載示例：https ://github.com/Neuton-tinyML/arduino-example

項目介紹
該項目包含：

• 通過 USB-UART 串??口接收數(shù)據(jù)集的代碼，
• 預測實現(xiàn)，
• 結(jié)果指示，
• 用于測量預測時間的代碼。

主草圖文件“ arduino-tiny-ml-neuton.ino ”具有處理數(shù)據(jù)包的功能。

主要過程在 user_app.c 文件中進行：

static NeuralNet neuralNet = { 0 };

extern const unsigned char model_bin[];

extern const unsigned int model_bin_len;

uint8_t app_init()

{

return (ERR_NO_ERROR != CalculatorInit(&neuralNet, NULL));

}

inline Err CalculatorOnInit(NeuralNet* neuralNet)

{

memUsage += sizeof(*neuralNet);

app_reset();

timer_init();

return CalculatorLoadFromMemory(neuralNet, model_bin, model_bin_len, 0);

}

在這里，創(chuàng)建一個對象 NeuralNet 并調(diào)用一個函數(shù)來加載位于文件model.c中的模型

CalculatorLoadFromMemory(neuralNet, model_bin, model_bin_len, 0);

該模型現(xiàn)在已準備好進行預測。為此，您需要通過將大小為 neuralNet.inputsDim 的浮點數(shù)組傳輸給 CalculatorRunInference 函數(shù)來調(diào)用它。

最后一個值是 BIAS，應該是 1。

inline float* app_run_inference(float* sample, uint32_t size_in, uint32_t *size_out)

{

if (!sample || !size_out)

return NULL;

if (size_in / sizeof(float) != app_inputs_size())

return NULL;

*size_out = sizeof(float) * neuralNet.outputsDim;

if (app.reverseByteOrder)

Reverse4BytesValuesBuffer(sample, app_inputs_size());

return CalculatorRunInference(&neuralNet, sample);

}

執(zhí)行預測時，會調(diào)用三個回調(diào)函數(shù)：預測之前的 CalculatorOnInferenceStart 和預測之后的 CalculatorOnInferenceEnd，以及帶有預測結(jié)果的 CalculatorOnInferenceResult。

在示例中，我使用這些函數(shù)來測量預測時間。

具有類概率的數(shù)組與預測結(jié)果一起傳遞給函數(shù)，大小為neuralNet.outputsDim。在這里，找到概率最高的類，如果概率 > 0.5，則打開 LED（綠色為 0 類，紅色為 1 類）。

inline void CalculatorOnInferenceResult(NeuralNet* neuralNet, float* result)

{

if (neuralNet->taskType == TASK_BINARY_CLASSIFICATION && neuralNet->outputsDim >= 2)

{

float* value = result[0] >= result[1] ? &result[0] : &result[1];

if (*value > 0.5)

{

if (value == &result[0])

{

led_green(1);

led_red(0);

}

else

{

led_green(0);

led_red(1);

}

}

else

{

led_green(0);

led_red(0);

}

}

}

第 3 步：將下載的模型復制到草圖中
將模型文件model.c從模型存檔復制到 MCU 固件。

第 4 步：編譯草圖并將其上傳到開發(fā)板
現(xiàn)在一切都準備好，可以進行草圖編譯了。我用程序?qū)?shù)據(jù)從計算機發(fā)送到 MCU 并顯示預測結(jié)果（它模擬傳感器數(shù)據(jù)并將數(shù)據(jù)發(fā)送到 MCU）。

根據(jù)您的操作系統(tǒng)，使用bin文件夾中的相應文件。

您需要為實用程序指定兩個參數(shù)：USB 端口和數(shù)據(jù)集文件。

該實用程序讀取 CSV 文件并將樣本逐行發(fā)送到微控制器。然后，它將結(jié)果作為 CSV 文件輸出到標準輸出流。發(fā)送所有樣本后，實用程序會請求一份包含預測時間和消耗的內(nèi)存量的報告。

第 5 步：檢查嵌入式模型的功能
創(chuàng)建兩個 CSV 文件，每個文件包含一行，其中的數(shù)據(jù)對應于兩個類別：新鮮和變質(zhì)。

然后，將它們中的每一個發(fā)送到微控制器并查看預測結(jié)果

在第一種情況下，食物保持新鮮，因為預測類別為零，這意味著結(jié)果是“新鮮食物”。該預測是在 3844 微秒內(nèi)完成的，閃存使用量為 199kB，RAM 使用量為 136B。此外，您可以看到綠色 LED 亮起，這表示結(jié)果良好。

在另一種情況下，我們會看到模型預測食物變質(zhì)了，因為預測的類別是一類，表示“食物變質(zhì)”。預測也非常快，在 3848 微秒內(nèi)，使用相同的 199 kB 閃存和 136 kB RAM。在這種情況下，您可以看到紅色 LED，表示食物已變質(zhì)。

結(jié)論：
這個實驗證明，只需 5 個簡單的步驟，您就可以創(chuàng)建一個工作智能設備，盡管它的體積很小，但對監(jiān)控食品質(zhì)量有很大幫助。我絕對確信這些技術(shù)可以幫助我們使我們居住的世界變得更清潔、更健康。