水表是常見的家庭設(shè)備，不過類似圖一的類比水表多達(dá)數(shù)千種，需要技術(shù)人員每個(gè)月到現(xiàn)場人工記錄資料，才能計(jì)算當(dāng)月的使用量，這是十分費(fèi)時(shí)且費(fèi)力的工作。現(xiàn)在，電表逐漸被智慧電表所取代，不過成本仍然很高，對於缺乏連線能力的使用者，或尚未規(guī)畫更換經(jīng)費(fèi)的國家來說，這更加是艱鉅的任務(wù)。

本文敘述如何透過使用具M(jìn)CU嵌入式連線能力的低解析度攝影機(jī)所組成的低功耗、低成本系統(tǒng)，有效地將類比儀表數(shù)位化。.

圖一

經(jīng)由採用意法半導(dǎo)體（STMicroelectronics；ST）的STM32WL55，透過攝影機(jī)擷取水表讀錶區(qū)域，接著利用MCU上執(zhí)行的 AI 演算法識(shí)別讀表。AI分類器演算法的結(jié)果（也就是讀錶）以STM32WL（如 LoRaWAN）支援的遠(yuǎn)端 sub-GHz 無線網(wǎng)路傳輸。傳統(tǒng)的連線裝置會(huì)將影像傳送到雲(yún)端，而ST的解決方案則是傳輸讀數(shù)。這個(gè)方案的優(yōu)勢，在於透過本地 AI 模型可以快速準(zhǔn)確地識(shí)別讀數(shù)，然後只需要將讀數(shù)傳送回資料中心即可。

這種方法不僅可以有效保護(hù)使用者資料的隱私（僅傳輸推論結(jié)果），而且效率更高，並且節(jié)省頻寬。如此，使用者就能以低成本、低功耗、高效率的方式解決這個(gè)問題。

圖二

WL 系列是全世界第一款支援長距離無線通訊的 MCU。

STM32WL系列為一款可以連接LoRa低功耗廣域網(wǎng)路的系統(tǒng)晶片，其整合STM32L4超低功耗系列和支援多種調(diào)變方案的Sub-GHz射頻子系統(tǒng)。

圖三

STM32 成功的重要因素為其強(qiáng)大的生態(tài)系統(tǒng)。從事STM32WL工作的開發(fā)人員可以運(yùn)用已在市場上獲得驗(yàn)證之成熟的STM32生態(tài)系統(tǒng)，使用STM32通用開發(fā)所熟悉開發(fā)的工具，以及 subGHz 無線電開發(fā)和 AI 設(shè)計(jì)工具專用的套裝軟體組成。如此即可大幅降低開發(fā)門檻，加速產(chǎn)品上市時(shí)間。

生態(tài)系統(tǒng)中的資源，包括STM32CubeMX專案配置和程式碼產(chǎn)生工具、STM32CubeMonitor執(zhí)行階段監(jiān)控、視覺化工具，以及 STM32CubeProgrammer 程式碼燒錄工具。

STM32Cube.AI有助於使用者將經(jīng)過訓(xùn)練的AI模型快速部署到STM32上並進(jìn)行驗(yàn)證測試。STM32CubeWL MCU套裝軟體元件，包含STM32WL系列執(zhí)行所需的所有嵌入式軟體模組，包括周邊裝置驅(qū)動(dòng)程式、ST LoRaWAN 通訊協(xié)定堆疊、Sigfox通訊協(xié)定堆疊，以及使用ST 安全啟動(dòng)和安全韌體更新技術(shù)實(shí)現(xiàn)LoRaWAN韌體無線更新的範(fàn)例程式碼。

另外，還有兩個(gè)採用STM32WL的核板，用於快速原型設(shè)計(jì)：NUCLEO-WL55JC1（868pm 915amp 923 MHz）和NUCLEO-WL55JC2（433Accord470 MHz），以及兩個(gè)Nucleo開發(fā)板板，用於快速原型研發(fā)。而本文的使用範(fàn)例即採用了NUCLEO-WL55JC2開發(fā)板。

圖四

除了NUCLEO-WL55JC2之外，這個(gè)專案的另一個(gè)關(guān)鍵元件是攝影機(jī)。

攝影機(jī)模組（採用低成本OV2640 感測器）透過標(biāo)準(zhǔn)GPIO直接連接到NUCLEO-WL55JC2 開發(fā)板中的STM32 MCU。由於STM32WL系列中沒有可用的DCMI 介面，在示範(fàn)中使用了電磁計(jì)數(shù)器，這個(gè)計(jì)數(shù)器在多數(shù)常見的線上商店容易取得，因此容易複製重現(xiàn)。

實(shí)驗(yàn)系統(tǒng)如圖五所示。

圖五

當(dāng)所有硬體準(zhǔn)備就緒之後，使用者就可以製作資料集進(jìn)行模型訓(xùn)練。

在電腦視覺中有典型的入門專案，就是識(shí)別 MNIST 資料集。MNIST資料集收集0-9共十個(gè) 阿拉伯?dāng)?shù)字的手寫字型，包括訓(xùn)練集中6萬個(gè)樣本和測試集中的1千個(gè)樣本。對於想要使用現(xiàn)實(shí)世界資料，嘗試學(xué)習(xí)技術(shù)和模式識(shí)別方法，同時(shí)在預(yù)處理和格式化方面動(dòng)用最少的人力來說，這是很好用的資料庫。

圖六

不過，我們無法直接使用這個(gè)資料集，因?yàn)樗砩系臄?shù)字字型和色彩與此資料集有極大的不同，為了達(dá)到更好的效能，我們會(huì)使用上述所提到的設(shè)備，讓資料集與MNIST類似。

以下討論這個(gè)專案，開啟 STM32 電腦視覺的大門。

這個(gè)資料集大約有 4千個(gè)樣本，每個(gè)樣本包含五個(gè)數(shù)字。資料集的部分樣本，如圖七所示。

圖七

當(dāng)有資料集之後，就可以建立神經(jīng)網(wǎng)路，並使用自己的資料集訓(xùn)練模型。在這個(gè)模型中，輸入40X32（數(shù)字）的灰階影像來識(shí)別從0到19的20個(gè)類別，分別為：0、1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19。圖八則是訓(xùn)練中失誤和準(zhǔn)確度的變化。這個(gè)資料集背景很簡單，由於數(shù)字字型很規(guī)則，因此訓(xùn)練效果很好。其實(shí)可以收集不同的水表讀數(shù)（不同的字型和色彩）一起訓(xùn)練，如此一來，模型就可以識(shí)別多個(gè)水表讀數(shù)。

圖八

訓(xùn)練結(jié)束後會(huì)取得模型檔案。迄今我們可以使用STM32cube.AI 工具，將模型轉(zhuǎn)化為最佳化程式碼，快速部署到 NUCLEO-WL55JC2開發(fā)板上。

由於整合STM32Cube，讓STM32Cube.AI使用者能夠有效地將模型移植到多樣化的STM32 微控制器系列中。而且對於類似模型也適用於不同產(chǎn)品的情況，能夠在STM32產(chǎn)品組合中輕鬆移轉(zhuǎn)，而此專案亦是利用STM32Cube.AI將模型部署到STM32WL。

此外，可以透過外掛程式擴(kuò)充STM32CubeMX的功能，自動(dòng)轉(zhuǎn)換預(yù)訓(xùn)練的人工智慧演算法，並將產(chǎn)生的最佳化資料庫整合到使用者專案中，而不是建構(gòu)手動(dòng)輸入的程式碼。而且還能將深度學(xué)習(xí)解決方案嵌入各種STM32 微控制器產(chǎn)品組合中，藉以對每個(gè)產(chǎn)品新增智慧功能。

STM32Cube.AI 提供對各種深度學(xué)習(xí)框架的原生支援，例如 Keras、TensorFlow Lite、ConvNetJs，並支援所有可以匯出為ONNX標(biāo)準(zhǔn)格式的架構(gòu)，例如PyTorch、Microsoft Cognitive Toolkit、MATLAB等。

此外，STM32Cube.AI支援來自大量機(jī)器學(xué)習(xí)開放原始碼程式庫Scikit-Learn的標(biāo)準(zhǔn)機(jī)器學(xué)習(xí)演算法，例如Isolation Forest、支援向量機(jī)器（SVM）、K-Means。

在這個(gè)專案中，使用了TensorFlow 架構(gòu)。

圖九

最後，我們來看看實(shí)際效能。為了方便展示，我們將攝影機(jī)拍攝的影像和MCU上的識(shí)別結(jié)果傳送到電腦螢?zāi)弧Ｓ捌泻诘装鬃值臄?shù)字為攝影機(jī)所拍攝的圖片，第一行是AI模型的結(jié)果。我們將儀表設(shè)定為每五秒驅(qū)動(dòng)一次，因此數(shù)字每五秒更新一次。以下是未經(jīng)編輯的實(shí)際螢?zāi)粩X取畫面。

圖十