劉映群 黃嘉源 何卓恒 李創(chuàng)銘 陳日源

收稿日期：2023-10-09

基金項(xiàng)目：2023年廣東省科技創(chuàng)新戰(zhàn)略專項(xiàng)資金（“攀登計(jì)劃”專項(xiàng)資金）（pdjh2023b0845）；2022年廣東省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃（S202213919003）

DOI：10.19850/j.cnki.2096-4706.2024.07.024

摘? 要：針對(duì)近年野外露營存在的環(huán)境及安全隱患等問題，設(shè)計(jì)一種基于PaddlePaddle深度學(xué)習(xí)的野外露營安全裝置。首先采用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，然后通過圖像識(shí)別分類技術(shù)進(jìn)行識(shí)別。文中以動(dòng)物分類識(shí)別為例，通過對(duì)不同種類動(dòng)物圖片進(jìn)行訓(xùn)練來改進(jìn)模型，并對(duì)模型識(shí)別及分類的準(zhǔn)確性進(jìn)行驗(yàn)證，最終精度為0.96以上。經(jīng)測(cè)試，采用的模型在動(dòng)物圖像分類中有較好效果，能滿足課題設(shè)計(jì)要求。

關(guān)鍵詞：PaddlePaddle；卷積神經(jīng)網(wǎng)絡(luò)；圖像識(shí)別分類；野外露營安全裝置

中圖分類號(hào)：TP391.4；TP181 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2024）07-0113-05

A Field Camping Safety Device Based on PaddlePaddle Deep Learning

LIU Yingqun1， HUANG Jiayuan2， HE Zhuoheng3， LI Chuangming4， CHEN Riyuan1

（1.Guangdong Open University （Guangdong Polytechnic Institute）， Guangzhou? 510091， China; 2.School of Intelligent Manufacturing and Electrical Engineering， Guangzhou Institute of Science and Technology， Guangzhou? 510540， China;

3.School of Electrical and Computer Engineering， Nanfang College Guangzhou， Guangzhou? 510970， China;

4.Zhongshan Camry Electronic Company Limited， Zhongshan? 528400， China）

Abstract： Aiming at the problems of environment and safety hazards in field camping in recent years， a field camping safety device based on PaddlePaddle Deep Learning （DL） is designed. Firstly， a Convolutional Neural Networks is used to train the model， and then image recognition and classification techniques are used for recognition. Taking animal classification and recognition as an example in the paper， the model is improved by training images of different types of animals， and the accuracy of model recognition and classification is verified. The final accuracy is above 0.96. After testing， the model used has shown good performance in animal image classification and can meet the requirements of the project design.

Keywords： PaddlePaddle1; Convolutional Neural Networks; image recognition and classification; field camping safety device

0? 引? 言

近幾年野外露營市場(chǎng)迅速擴(kuò)張，野外帳篷需求也同步激增。目前，市面上多數(shù)野外帳篷以解決用戶“住”為主，忽略了“安全”問題，如霍少澤等[1]提出一種基于單片機(jī)的智能帳篷，實(shí)現(xiàn)露營環(huán)境狀態(tài)數(shù)據(jù)監(jiān)測(cè)，武艷等[2]設(shè)計(jì)了露營帳篷安全監(jiān)測(cè)系統(tǒng)，實(shí)現(xiàn)對(duì)帳篷周邊環(huán)境狀態(tài)進(jìn)行監(jiān)測(cè)，監(jiān)測(cè)信息通過液晶屏顯示，并在危險(xiǎn)時(shí)刻進(jìn)入報(bào)警狀態(tài)。雖都使得帳篷更加智能化，但在安全方面還尚有不足，如缺乏對(duì)帳篷周圍具體環(huán)境狀態(tài)的智能視覺分析處理，用戶除了掌握基本的監(jiān)測(cè)數(shù)據(jù)外，在野外露營的帳篷應(yīng)該能夠達(dá)到保障用戶的基本安全。而在野外，潛在最大威脅為野獸，張雪瑩等[3]、楊銘倫等[4]與周文萱等[5]分別提出了對(duì)野生動(dòng)物進(jìn)行識(shí)別分類的方法。

本文設(shè)計(jì)一種基于PaddlePaddle深度學(xué)習(xí)的野外露營安全裝置，實(shí)現(xiàn)對(duì)露營周圍環(huán)境的監(jiān)測(cè)，保證用戶安全。本文以物聯(lián)網(wǎng)傳感器實(shí)時(shí)監(jiān)測(cè)環(huán)境狀態(tài)以及對(duì)圖像中的動(dòng)物進(jìn)行識(shí)別分類為例，通過PaddlePaddle深度學(xué)習(xí)平臺(tái)，構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型和導(dǎo)入動(dòng)物數(shù)據(jù)集，將以此為例介紹野外露營安全監(jiān)測(cè)裝置。

1? 裝置環(huán)境監(jiān)測(cè)系統(tǒng)設(shè)計(jì)

基于PaddlePaddle深度學(xué)習(xí)的野外露營安全裝置外觀結(jié)構(gòu)設(shè)計(jì)如圖1所示，通過使用伸縮桿對(duì)裝置進(jìn)行體積壓縮，可大幅提升裝置其攜帶性。同時(shí)，通過對(duì)裝置進(jìn)行斜面設(shè)計(jì)，可提高其雨水泄流能力。內(nèi)部主要由環(huán)境監(jiān)測(cè)系統(tǒng)與視覺處理單元組成，環(huán)境監(jiān)測(cè)系統(tǒng)主要為傳感器集成電路板，通過多傳感器融合實(shí)現(xiàn)溫濕度檢測(cè)、移動(dòng)物體距離檢測(cè)與驅(qū)趕等功能。視覺處理單元?jiǎng)t對(duì)圖像進(jìn)行收集與處理，針對(duì)移動(dòng)物體進(jìn)行分類處理，再根據(jù)處理結(jié)果判斷出的移動(dòng)物體危險(xiǎn)程度執(zhí)行相關(guān)操作。

該傳感器集成電路板上以STM32f103ZET6為MCU，其配備64 KB SRAM、512 KB FLASH、2個(gè)基本定時(shí)器、4個(gè)通用定時(shí)器、2個(gè)高級(jí)定時(shí)器、2個(gè)DMA控制器（共12個(gè)通道）、3個(gè)SPI、2個(gè)IIC、5個(gè)串口、1個(gè)USB、1個(gè)CAN、3個(gè)12位ADC、1個(gè)12位DAC、1個(gè)SDIO接口、1個(gè)FSMC接口以及112個(gè)通用IO口[6]，還有超聲波傳感器電路、DHT11溫濕度傳感器電路、照度傳感器電路、蜂鳴器電路與穩(wěn)壓電路等；視覺處理單元采用Raspberry Pi 4B主板，4 GB的RAM，滿足對(duì)圖像高速處理的要求，并配備千兆以太網(wǎng)以及板載雙頻Wi-Fi/藍(lán)牙5.0，可進(jìn)行設(shè)備之間無線高速數(shù)據(jù)傳輸。

2? 裝置電路設(shè)計(jì)

2.1? 視覺處理單元

本裝置視覺處理部分采用Raspberry Pi 4B，該主板擁有強(qiáng)大性能以及豐富的外設(shè)，其主頻最高可達(dá)1.5 GHz，并搭載4 GB內(nèi)存容量可同時(shí)運(yùn)行多線程任務(wù)。該主板具備攝像頭接口和無線網(wǎng)絡(luò)傳輸接口，可輕松連接攝像頭模塊并實(shí)現(xiàn)無線高速信號(hào)傳輸。同時(shí)，該主板可與主控MCU進(jìn)行通信，以實(shí)現(xiàn)傳感器數(shù)據(jù)包的無線傳輸。本裝置將訓(xùn)練模型部署于該主板，以實(shí)現(xiàn)端側(cè)AI視覺環(huán)境分析處理。視覺處理單元介紹如圖2所示。

2.2? 降壓穩(wěn)壓電路

采用LMR14020SDDAR器件作為裝置降壓穩(wěn)壓電路，該器件輸入電壓范圍：4～40 V；調(diào)壓輸出穩(wěn)定3.3 V，2 A持續(xù)輸出電流，40 ?A超低工作靜態(tài)電流，非常適合電池供電類系統(tǒng)，并且在關(guān)斷狀態(tài)下具有1 μA的超低電流，可進(jìn)一步延長電池使用壽命，符合本裝置供給降壓穩(wěn)壓需求，電路如圖3所示。

2.3? 環(huán)境照度傳感器電路

本裝置環(huán)境照度傳感器電路采用BH1750FVI器件，用于采集環(huán)境光照數(shù)據(jù)。該器件擁有高精度數(shù)據(jù)采集以及低功耗能力，可精準(zhǔn)測(cè)量1～65 535 Lux輸入光范圍，并通過IIC BUS接口與主控MCU進(jìn)行通信，可實(shí)時(shí)讀取16位光照度數(shù)字信號(hào)，經(jīng)過主控MCU邏輯分析后及時(shí)通過小程序反饋用戶當(dāng)前環(huán)境光照變化情況。環(huán)境光照度監(jiān)測(cè)電路如圖4所示。

2.4? 溫濕度傳感器電路

本裝置溫濕度傳感器電路采用DHT11數(shù)字型高精度器件，其溫度測(cè)量范圍為0～50 ℃，精度為±2 ℃、濕度測(cè)量范圍為20～90%RH，精度為±5%RH。該器件擁有體積小巧以及功耗較低的特點(diǎn)，可通過主控MCU對(duì)環(huán)境進(jìn)行數(shù)據(jù)采集分析，實(shí)時(shí)監(jiān)測(cè)當(dāng)?shù)販貪穸茸兓闆r。環(huán)境溫濕度監(jiān)測(cè)電路如圖5所示。

2.5? 物體測(cè)距監(jiān)測(cè)電路

本裝置物體測(cè)距監(jiān)測(cè)電路采用HC-SR04超聲波器件，該器件可達(dá)2～400 cm的非接觸式測(cè)距范圍，其精度高達(dá)3 mm。當(dāng)傳感器監(jiān)測(cè)到有物體靠近時(shí)，會(huì)向主控MCU發(fā)出信號(hào)，此時(shí)主控MCU下發(fā)指令驅(qū)動(dòng)裝置電機(jī)，進(jìn)而轉(zhuǎn)動(dòng)至該物體位置，進(jìn)行視覺分析處理。通過傳感器位置判斷后再喚醒攝像頭，可提供準(zhǔn)確物體定位的同時(shí)進(jìn)一步降低裝置整體運(yùn)行功耗。超聲波監(jiān)測(cè)電路如圖6所示。

2.6? 驅(qū)趕電路

針對(duì)視覺分析處理結(jié)果，聯(lián)調(diào)主控MCU發(fā)送特定的信號(hào)波，使得蜂鳴器發(fā)出相應(yīng)鳴叫聲，實(shí)現(xiàn)有效地提醒用戶有物體靠近的情況，以及針對(duì)某種動(dòng)物的特定頻率鳴叫聲驅(qū)趕，維護(hù)用戶露營區(qū)域安全。蜂鳴器電路如圖7所示。

3? 裝置電路設(shè)計(jì)

3.1? 圖像處理

PaddlePaddle基于百度多年的業(yè)務(wù)和技術(shù)，集深度學(xué)習(xí)訓(xùn)練、基礎(chǔ)模型庫等技術(shù)、資源于一體，成為在主流深度學(xué)習(xí)框架中唯一完全國產(chǎn)化的產(chǎn)品[7]，如孫玉梅等人提出的基于PaddlePaddle的遙感智能視覺平臺(tái)[8]、謝美英[9]和李玥瑤等人[10]提出的口罩佩戴識(shí)別等，國內(nèi)也有很多企業(yè)基于PaddlePaddle研發(fā)出豐富的行業(yè)應(yīng)用。本文基于PaddlePaddle進(jìn)行圖像識(shí)別分類，而對(duì)于其中的圖像特征提取采用卷積神經(jīng)網(wǎng)絡(luò)[11，12]的方式。

圖像識(shí)別分類結(jié)果分為幾種情況：1）檢測(cè)到危險(xiǎn)程度低無威脅時(shí)，該裝置不會(huì)報(bào)警。2）檢測(cè)到危險(xiǎn)程度中等時(shí)，該裝置進(jìn)行自動(dòng)驅(qū)趕并記錄相關(guān)信息，不提醒用戶。3）檢測(cè)到危險(xiǎn)程度高且具有威脅性時(shí)，將識(shí)別數(shù)據(jù)傳輸?shù)絾纹瑱C(jī)主控板和用戶手機(jī)上，同時(shí)觸發(fā)報(bào)警提醒用戶，警示用戶做好相應(yīng)的緊急應(yīng)對(duì)措施。處理流程圖如圖8所示。

3.2? 控制端小程序

該裝置還配有控制端小程序，用戶可利用小程序控制照明燈板、獲取環(huán)境監(jiān)測(cè)系統(tǒng)的數(shù)據(jù)以及控制視覺處理單元，極大方便用戶操控裝置。小程序如圖9所示。

4? 實(shí)驗(yàn)框架設(shè)計(jì)

4.1? 數(shù)據(jù)集獲取來源

數(shù)據(jù)集主要通過網(wǎng)絡(luò)爬蟲執(zhí)行，設(shè)定腳本對(duì)瀏覽器進(jìn)行虛擬訪問，自動(dòng)爬取滿足課題需求的動(dòng)物信息，爬取的所有動(dòng)物信息將被系統(tǒng)存儲(chǔ)，對(duì)信息進(jìn)行分析、篩選、審查獲取其有效信息，并將爬取信息存放至設(shè)定文件夾中，最終形成數(shù)據(jù)采集閉環(huán)[10]。

4.2? 實(shí)驗(yàn)方式的設(shè)計(jì)

本課題實(shí)驗(yàn)組選取4類較為常見的野生動(dòng)物物種作為實(shí)驗(yàn)識(shí)別對(duì)象，分別是斑馬、大象、犀牛與蛇。使用PaddlePaddle平臺(tái)進(jìn)行標(biāo)注，對(duì)圖像進(jìn)行框選標(biāo)注，最終得到1 500張4類野生物種圖像。將數(shù)據(jù)集按照9：1的比例變成訓(xùn)練集和測(cè)試集，其中90%的數(shù)據(jù)用于訓(xùn)練，10%的數(shù)據(jù)用于測(cè)試[10]。

4.3? 部署PaddlePaddle平臺(tái)

使用PaddlePaddle平臺(tái)，創(chuàng)建新的動(dòng)物訓(xùn)練模型[13]，導(dǎo)入網(wǎng)絡(luò)爬蟲爬取的動(dòng)物信息，添加動(dòng)物類別標(biāo)簽，分別對(duì)不同標(biāo)簽進(jìn)行初次人工標(biāo)注，當(dāng)人工標(biāo)注數(shù)量達(dá)到30%左右時(shí)，啟動(dòng)PaddlePaddle平臺(tái)提供的智能標(biāo)注功能對(duì)動(dòng)物數(shù)據(jù)集進(jìn)行自動(dòng)預(yù)標(biāo)注，通過主動(dòng)學(xué)習(xí)等待一段時(shí)間后方可針對(duì)展示的預(yù)標(biāo)注結(jié)果進(jìn)行二次人工篩選調(diào)整，當(dāng)標(biāo)注數(shù)據(jù)符合預(yù)期后，選擇一鍵標(biāo)注，導(dǎo)出標(biāo)注好的數(shù)據(jù)信息。

啟動(dòng)PaddlePaddle平臺(tái)中免費(fèi)的訓(xùn)練環(huán)境，對(duì)動(dòng)物數(shù)據(jù)集進(jìn)行分割及迭代訓(xùn)練，選擇該模型下已訓(xùn)練的基準(zhǔn)模型版本，在數(shù)據(jù)應(yīng)用場(chǎng)景不變的情況下，擴(kuò)充數(shù)據(jù)提升模型訓(xùn)練效率和精確度，根據(jù)已訓(xùn)練版本的指標(biāo)數(shù)據(jù)對(duì)下一輪次訓(xùn)練及時(shí)進(jìn)行數(shù)據(jù)調(diào)整。

獲取理想數(shù)據(jù)模型后，將訓(xùn)練模型部署至設(shè)備端，選擇本地部署—通用小型設(shè)備—SDK（純離線服務(wù)）—通用ARM。

5? 訓(xùn)練結(jié)果分析

5.1? 模型評(píng)估

精準(zhǔn)度是檢測(cè)預(yù)測(cè)模型是否正確的重要指標(biāo)，MAP（Mean Average Precision）是物體檢測(cè)（Object Detection）算法中衡量算法效果的指標(biāo)。通過對(duì)數(shù)據(jù)集進(jìn)行15輪次迭代訓(xùn)練，以及將每一次訓(xùn)練所得精準(zhǔn)度值、MAP值和召回率進(jìn)行記錄，最后將訓(xùn)練好的模型與測(cè)試模型進(jìn)行測(cè)試優(yōu)化。

如表1所示，隨著輪次的增加，測(cè)試模型精確率也基本穩(wěn)定在0.96以上，訓(xùn)練模型、MAP數(shù)值符合最終課題要求。由本次舉例的動(dòng)物識(shí)別實(shí)驗(yàn)數(shù)據(jù)得出：訓(xùn)練模型達(dá)到了野生動(dòng)物高精度識(shí)別的要求，因此，識(shí)別效果達(dá)到課題預(yù)期的理想效果[10]。

2）MAP：不同閾值下的實(shí)驗(yàn)得到P-R曲線，曲線下的面積為Average Precision（AP）值?！癿ean”意思為每類的平均AP值得MAP值，范圍在[0，1]區(qū)間，越接近1則表示模型效果越好。3）召回率：{某類樣本正確預(yù)測(cè)為該類的樣本數(shù)}占{標(biāo)注為該類的總樣本數(shù)}的比率。

5.2? 模型預(yù)測(cè)

預(yù)測(cè)流程主要為：1）部署環(huán)境。2）放入標(biāo)注好的訓(xùn)練集。3）放入預(yù)測(cè)集到訓(xùn)練模型中進(jìn)行預(yù)測(cè)。4）將預(yù)測(cè)結(jié)果輸出。如圖10、圖11所示，對(duì)于具有迷惑性的動(dòng)物圖像，模型依舊成功識(shí)別出了該動(dòng)物類型，并且能夠隨著訓(xùn)練次數(shù)與數(shù)據(jù)集的提升而不斷提高識(shí)別性能。因此，可以證明課題中高精度的野生動(dòng)物識(shí)別實(shí)驗(yàn)成功。

6? 結(jié)? 論

本文基于PaddlePaddle深度學(xué)習(xí)平臺(tái)，設(shè)計(jì)以圖像識(shí)別分類為主的野外露營安全裝置，介紹了裝置組成電路與軟件設(shè)計(jì)原理，并以某一類需要識(shí)別的物體（動(dòng)物）進(jìn)行舉例驗(yàn)證，實(shí)驗(yàn)采用PaddlePaddle平臺(tái)進(jìn)行。經(jīng)測(cè)試，識(shí)別精準(zhǔn)度基本穩(wěn)定在0.96以上，滿足設(shè)計(jì)要求。

其次，此次實(shí)驗(yàn)只針對(duì)動(dòng)物進(jìn)行識(shí)別，暫未對(duì)其他物體進(jìn)行實(shí)驗(yàn)，但從實(shí)驗(yàn)結(jié)果來看，該方法也適用于其他物體，下一步的研究目標(biāo)為其他物體的識(shí)別。同時(shí)，該設(shè)計(jì)、識(shí)別原理也適用于安防或者需要對(duì)圖像進(jìn)行處理的作業(yè)場(chǎng)景。

參考文獻(xiàn)：

[1] 霍少澤，胡立夫，袁育蒙，等.一種基于單片機(jī)的智能帳篷 [J].中國科技信息，2022（8）：80-82.

[2] 武艷，崔凡輝，程文磊.露營帳篷安全監(jiān)測(cè)系統(tǒng)設(shè)計(jì) [J].江蘇科技信息，2016（35）：67-68.

[3] 張雪瑩，張浩林，韓瑩瑩，等.基于深度學(xué)習(xí)的野生動(dòng)物監(jiān)測(cè)與識(shí)別研究進(jìn)展 [J].野生動(dòng)物學(xué)報(bào)，2022，43（1）：251-258.

[4] 楊銘倫，張旭，郭穎，等.基于YOLOv5的紅外相機(jī)野生動(dòng)物圖像識(shí)別 [J].激光與光電子學(xué)進(jìn)展，2022，59（12）：382-390.

[5] 周文萱，胡龍?zhí)?，張敏，?基于YOLO的小型動(dòng)物識(shí)別系統(tǒng)設(shè)計(jì) [J].計(jì)算機(jī)時(shí)代，2019（3）：22-25.

[6] 林玩杰，李水峰，毛立夫，等.基于STM32智能家居控制系統(tǒng)的設(shè)計(jì) [J].電子設(shè)計(jì)工程，2019，27（24）：176-180.

[7] 馬艷軍，于佃海，吳甜，等.飛槳：源于產(chǎn)業(yè)實(shí)踐的開源深度學(xué)習(xí)平臺(tái) [J].數(shù)據(jù)與計(jì)算發(fā)展前沿，2019，1（5）：105-115.

[8] 孫玉梅，劉昱豪，邊占新，等.深度學(xué)習(xí)PaddlePaddle框架支持下的遙感智能視覺平臺(tái)研究與實(shí)現(xiàn) [J].測(cè)繪通報(bào)，2021（11）：65-69+75.

[9] 謝美英.一個(gè)基于PaddlePaddle深度學(xué)習(xí)框架的口罩佩戴圖像識(shí)別模型 [J].現(xiàn)代信息科技，2022，6（4）：111-114.

[10] 李玥瑤，周金治，王楊.基于PaddlePaddle和CNN的戴口罩人臉識(shí)別系統(tǒng)設(shè)計(jì) [J].現(xiàn)代信息科技，2022，6（11）：82-85.

[11] PaddlePaddle飛漿.卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ) [EB/OL].[2022-10-27].https：//aistudio.baidu.com/aistudio/projectdetail/474522？channelType=0&channel=0.

[12] 顏冰.基于卷積神經(jīng)網(wǎng)絡(luò)人臉識(shí)別實(shí)現(xiàn)策略 [J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2022（6）：47-49.

[13] 魏甫豫，張振宇，梁桂珍.基于卷積神經(jīng)網(wǎng)絡(luò)下昆蟲種類圖像識(shí)別應(yīng)用研究 [J].河南師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2022，50（6）：96-105.

作者簡(jiǎn)介：劉映群（1978—），男，漢族，廣東潮州人，副教授，碩士，研究方向：物聯(lián)網(wǎng)應(yīng)用技術(shù)；通訊作者：黃嘉源（2001—），男，漢族，廣東汕頭人，本科在讀，研究方向：電子信息工程；何卓恒（2002—），男，漢族，廣東佛山人，本科在讀，研究方向：電氣及其自動(dòng)化；李創(chuàng)銘（1993—），男，漢族，廣東潮州人，學(xué)士，研究方向：物聯(lián)網(wǎng)應(yīng)用技術(shù)；陳日源（2003—），男，漢族，廣東湛江人，研究方向：電子信息技術(shù)。