基于TinyML的貓咪動作識別方法

摘要：針對國內寵物用品市場產品功能單一的問題，設計了一款可以識別貓咪奔跑、跳躍、翻轉3種運動狀態的設備。借助開源電子平臺Arduino，使用陀螺儀和加速度傳感器對貓咪的運動狀態數據進行采集，并使用深度學習框架TensorFlow進行訓練，通過微型機器學習（TinyMachineLearning，TinyML）技術壓縮模型參數，使模型部署到開發板上。通過試錯法找到訓練效果最佳的模型結構，最終實現對貓咪運動狀態識別的準確率達到90%以上。

關鍵詞：微型機器學習運動狀態識別模型搭建模型訓練

CatactionrecognitionmethodbasedonTinyML

LIUYiqunLIUSijinWANGHui

（HubeiUniversityofTechnology，SchoolofElectricalandElectronicEngineering，Wuhan，HubeiProvince，430068China）

Abstract：NowthepetproductmarketisdevelopingsorapidlyinChina，butmostproductshavelimitedfunctionality.Thispaperdesignsadevicethatcanidentifythethreemotionstatesofrunning，jumpingandflippingofacatbasedontheArduino，whichcansolvetheproblemofasinglefunctionoftheproductsonthemarket.Finally，theaccuracyratereachedmorethan90%bythemostsuitablenetworkstructurethroughtrialanderror.

Keyword：TinyML;actionrecognition；Modelbuilding；Modeltraining

根據“亞寵院”發布的《寵物行業藍皮書》[1]，未來五年內我國貓的數量將超過1.1億只，寵物用品市場規模近年增長率穩定在10%以上，有91%的養寵人計劃購買智能寵物用品。國外產品可收集寵物生理信息并分析其健康狀況，國內產品主要實現定位、追蹤等單一功能，具備極大的提升空間，市場前景廣闊[2]。本文將微型機器學習（TinyMachineLearning，TinyML）應用到貓咪項圈中，通過采集貓咪運動數據進而識別其動作類型。

1.總體方案設計

本系統以Arduino開發板為核心設計出一款貓咪動作識別系統，可對貓咪跳躍、奔跑、翻轉三類動作進行識別和分類，系統總體框架如圖1所示。

1.1運動數據采集和識別

本方案選用Arduino開發板，性能強大，兼容性好[3]。開發版尺寸較小，可減少對貓的壓迫感，通過九軸重力傳感器可采集貓咪運動時的加速度和位移信息。對IMU數據采集程序，僅需在初始化后讀取加速度和陀螺儀數值即可。對動作識別分類程序，則需設置加速度閾值，保證貓咪動作幅度較大時才調用識別函數，以免造成誤判，并降低CPU工作強度。動作識別流程如圖2所示。

1.2模型搭建

訓練前對數據進行歸一化處理并打上標簽，劃分80%作為訓練集，20%作為驗證集，輸出層個數為3。訓練時更改FC（FullyConnectedlayer）數量及每一層神經元個數來搭建不同的網絡結構，網絡激活函數均使用“relu”，優化器均使用“RMSProp”。結構一FC層數為1，節點個數為30，即神經網絡拓撲結構為30∶3；同理，結構二為50∶15∶3，結構三為50∶30∶15∶3。此外，由于功耗和內存限制，訓練后的模型文件還需進行輕量化處理[4]。

2.實驗分析

2.1模型訓練

將設備固定于實驗貓脖頸處，引導貓咪完成行走、翻轉、跳躍的動作。設置模型結構，更改訓練輪次，開始迭代訓練。如圖3所示，結構一訓練600輪時并未見loss曲線明顯收斂，在800輪后已無明顯收斂趨勢；結構二訓練600輪時loss曲線收斂，但800輪時曲線有發散趨勢；結構三訓練600輪時曲線收斂效果較好。因此，結構一訓練800輪，二訓練600輪，三訓練600輪。生成模型后調用各類方法完成輕量化處理，使文件大小小于1MB。

2.2識別結果統計與分析

如表1所示，對于結構一，奔跑和翻轉P均低于70%，由于貓咪奔跑和翻轉時重心出現小幅上移，如果特征提取效果較差，只找到局部最優解，容易將三類動作相混淆[5]；對于結構三，奔跑P僅為45%，翻轉R雖達到100%，但P僅為75%，如果模型對單個特征過于敏感，可能根據重心小幅上移這一特征將該動作誤判為跳躍。而結構二的3類動作P均高于90%，且跳躍R顯著高于結構一和三，達到85.7%。

3.結語

本設備可識別貓咪奔跑、跳躍、翻轉三種運動狀態，準確率高達到90%，但泛化性和魯棒性不ancZPNsQd09dGVg0LhDyNQ==足。后續考慮使用更多網絡模型結構，改進運動檢測方式，解決貓咪多樣性運動數據的采集和增廣問題。

參考文獻

• 亞寵研究院.寵物行業藍皮書：2023寵物行業發展報告（簡版）[R/OL].（2023-08-15）[2024-03-25].https：//www.petslib.cn/report/537876963235201024.html.
• 何泫臻，范志聰，李孜，等.寵物健康智能監測發展現狀[J].廣東飼料，2023，32（10）：8-14.
• KITZHABERZB，ENGLISHCM，SANIMKRI，etal.FluorometercontrolandreadoutusinganArduinoNano33BLEsenseboard.[J].Appliedspectroscopy，2022，77（2）：37028221128800-37028221128800.
• 劉旭瑤，曾天凱，戴嘉慶，等.基于TinyML輕量化邊緣側處理的智能分類垃圾桶[J].裝備制造技術，2022（6）：110-113.
• SACHINN，NEERAJS.Astandalonecomputingsystemtoclassifyhumanfootmovementsusingmachinelearningtechniquesforankle-footprosthesiscontrol.[J].ComputerMethodsinBiomechanicsandBiomedicalEngineering，2021，25（12）：11-11.