h1_key

水表是常見的家用設備。模擬式水表(如下圖中所示)數量龐大，需要技術人員每月現場抄表并手工記錄數據，以計算當月的用水量。整個過程枯燥且費力。當前，雖然聯網儀表正在取代模擬式水表，但成本也會隨之上漲;更何況，一些并不具備接入全球網絡的能力，而有的家庭和公司也無計劃支付更換儀表的費用。

  意法半導體為你演示如何使用低功耗、低成本的系統(由采用MCU嵌入式連接的低分辨率攝像機組成)高效地將模擬式儀表數字化。

  該方法以STM32WL55為基礎，通過攝像頭捕捉水表讀數區(qū)域，然后通過MCU上運行的人工智能算法識別水表讀數。之后，AI分類器算法的運行結果(即儀表讀數)通過STM32WL支持的遠程sub-GHz無線網絡(如LoRaWAN)進行傳輸。傳統的聯網設備會將圖像傳送到云端，而我們的解決方案傳送的是讀數。

  該解決方案的優(yōu)點是：通過本地AI模型，可以快速準確地識別讀數，只需將結果發(fā)送回數據中心即可。此舉不僅能有效保護用戶數據隱私(僅傳輸推理結果)，而且效率更高，還節(jié)省帶寬。這樣，我們就能以低成本、低功耗、高效率的方式解決問題。

  STM32WL系列是世界上一款支持遠程無線通信的MCU。

  作為市場上一款可以連接LoRa低功耗廣域網的系統級芯片，STM32WL集成了STM32L4超低功耗微控制器和支持多種調制方案的Sub-GHz射頻子系統。

  STM32取得成功的一個重要因素是其強大的生態(tài)系統?；?/span>STM32WL產品的開發(fā)人員可以借用已經被市場證明成熟可靠的STM32生態(tài)系統。該生態(tài)系統包含已經熟練掌握的開發(fā)工具(支持基于STM32進行通用開發(fā))、專門用于sub-GHz無線電開發(fā)的軟件包，以及AI設計工具，由此大大降低了開發(fā)難度，并縮短了產品上市時間。

  生態(tài)系統中的資源包括STM32CubeMX項目配置和代碼生成工具、STM32CubeMonitor運行時監(jiān)測和可視化工具，以及STM32CubeProgrammer代碼燒錄工具。

  STM32Cube.AI可以幫助用戶快速將經過訓練的AI模型部署到STM32并進行驗證測試。

  STM32CubeWL MCU軟件包的組件包含STM32WL系列運行所需的所有嵌入式軟件模塊，包括外設驅動程序、意法半導體的LoRaWAN協議棧、Sigfox協議棧，以及利用意法半導體安全啟動和安全固件更新技術實現LoRaWAN固件無線更新的示例代碼。

  此外，還有兩種基于STM32WL的nucleo板件可用于快速原型制作：NUCLEO-WL55JC1(868pm 915amp 923 MHz)和NUCLEO-WL55JC2(433Accord470 MHz)。與此同時，有兩種基于Nucleo的Nucleo板可用于快速原型開發(fā)。該項目基于NUCLEO-WL55JC2開發(fā)板。

  除了NUCLEO-WL55JC2，該項目的另一個關鍵組成部分是攝像頭。

  攝像頭模塊(基于低成本的OV2640傳感器)通過標準GPIO直接連接到NUCLEO-WL55JC2開發(fā)板，因為STM32WL系列產品不提供DCMI接口。為方便進行演示，我們使用了一款常見的電磁計數器，這樣更容易進行模型演示。

  實驗系統如下圖所示。我們將直流電源轉化成方波，用于驅動電磁計數器，然后攝像頭就可以采集計數器的讀數畫面，通過GPIO傳輸到NUCLEO-WL55JC2,由MCU上運行的AI模型進行識別。

  所有硬件準備就緒后，我們就可以自己制作一個數據集，用于模型訓練。

  在計算機視覺應用中，有一個經典的入門級項目 - 識別MNIST數據集。MNIST數據集收集0-9這10個阿拉伯數字的手寫字體，包括訓練集中的60000個樣本和測試集中的1000個樣本。有的用戶想要通過真實數據來嘗試學習技巧和模式識別方法，同時盡可能地節(jié)省在預處理和格式化方面花費的精力，對于此類用戶， MNIST是一個很好的練手項目。

  但是我們不使用該數據集，因為水表上的數字的字體和顏色與該數據集差別很大。為了使模型獲得更好的表現，我們將使用上面提到的設備制作一個類似于MNIST的數據集。

  該數據集大約有4000個樣本。每個樣本包含5位數字。數據集的部分樣本如下所示：

  擁有數據集之后，我們可以構建一個神經網絡，并用自己的數據集來訓練模型。在該模型中，我們輸入一幅40 X32(單個字符)的灰度圖像來識別從0到19(0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19)的20個類。下圖顯示了訓練中的損失和準確率的變化。該數據集的特點是背景簡單和字體規(guī)則，看起來訓練效果非常好。實際上，我們可以收集不同的水表讀數(不同的字體和顏色)進行訓練，這樣一個模型就可以識別多個不同水表讀數。

  訓練結束后，我們將得到一個模型文件。此時，我們可以使用前面文章中提到的STM32cube.AI工具將模型轉換為優(yōu)化的代碼，并快速將其部署到NUCLEO-WL55JC2板。

  STM32Cube集成使STM32Cube.AI用戶能夠有效地在廣泛的STM32微控制器系列產品之間移植模型，并且(在相似型號適用于不同產品的情況下)在STM32產品之間輕松遷移。該項目使用STM32cube.AI將模型部署到STM32WL。

  該插件擴展了STM32CubeMX功能，可自動轉換預訓練人工智能模型和將生成的優(yōu)化庫集成到用戶項目中，而不是人工構建代碼，并支持將深度學習解決方案嵌入到廣泛的STM32微控制器產品組合中，從而為每個產品添加新的智能化功能。

  STM32Cube.AI原生支持各種深度學習框架，如Keras、TensorFlow? Lite、ConvNetJs，并支持可導出為ONNX標準格式的所有框架，如PyTorch?、Microsoft®Cognitive Toolkit、MATLAB®等。

  此外，STM32Cube.AI支持來自廣泛ML開源庫Scikit-Learn的標準機器學習算法，如孤立森林、支持向量機(SVM)、K-Means。

  在該項目中，我們使用的是TensorFlow框架。

  最后，讓我們看看實際表現如何。為了便于演示，我們將攝像頭捕捉到的圖像和MCU上的識別結果傳輸到計算機屏幕上。視頻中黑色背景上的數字(白色字體)是攝像頭捕捉到的圖像，一行是AI模型的識別結果。我們將水表設置為每五秒鐘驅動一次，這樣數字每隔五秒就會更新一次。該視頻顯示的是未經編輯的錄屏。在演示過程中，我們采用了遮擋的光線的方式，去模擬不同的光照條件，證明模型的魯棒性很好。