DDD TinyML:一个基于TinyML的驱动器昏昏欲睡检测模型,使用深度学习
Norah N Alajlan1, Dina M Ibrahim1,2
1Department of Information Technology, College of Computer, Qassim University, Buraydah 51452, Saudi Arabia.
Sensors (Basel, Switzerland)
|July 8, 2023
概括
微型机器学习 (TinyML) 能够在资源有限的物联网 (IoT) 设备上实时检测驾驶员的昏昏欲睡. 优化的深度学习模型在最小的尺寸下实现了高精度,提高了道路安全.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 嵌入式系统 嵌入式系统
背景情况:
- 司机昏昏欲睡是交通事故的一个重要因素.
- 集成深度学习 (DL) 模型与物联网 (IoT) 设备用于驾驶员昏昏欲睡的检测是具有挑战性的,因为有限的物联网资源.
- 实时应用程序需要低延迟和轻量级计算,这是传统DL模型难以实现的.
研究的目的:
- 研究微型机器学习 (TinyML) 在微控制器上用于驾驶员昏昏欲睡的检测的应用.
- 为了评估和比较轻量级DL模型的性能,优化了尺寸和精度.
- 评估不同量子化方法在减少模型大小和提高精度方面的有效性.
主要方法:
- 介绍了TinyML原则和方法的概述.
- 五个轻量级的DL模型 (SqueezeNet,AlexNet,CNN,MobileNet-V2,MobileNet-V3) 被提出并进行了评估.
- 量子化技术,包括量子化意识培训 (QAT),全整数量子化 (FIQ) 和动态范围量子化 (DRQ),用于优化模型.
主要成果:
- 使用DRQ.CNN的CNN模型实现了最小的尺寸 (0.05 MB) 使用DRQ.
- 在DRQ优化后,MobileNet-V2获得了最高的精度 (0.9964).
- 此外,SqueezeNet和AlexNet也使用DRQ.net表现出高精度 (分别为0.9951和0.9924).
结论:
- TinyML是一种可行的方法,可以在微控制器上部署高效的驾驶员昏昏欲睡检测系统.
- 优化的轻量级DL模型,特别是带有DRQ的MobileNet-V2,为实时,资源有限的应用提供了有前途的解决方案.
- 该研究强调了TinyML通过启用设备上的智能系统来提高道路安全的潜力.
