20 januari 2022
Binnen Machine Learning zijn er verschillende mogelijkheden om een algoritme conclusies te laten trekken uit de aangeboden data. Een van de mogelijkheden is Multiple Object Detectie. Door een neuraal netwerk te trainen is het mij gelukt om 2x per seconde vast te stellen wat voor voorwerpen en hoeveel ervan zich voor de camera bevinden. Objecten worden herkend en ook wordt in een variabele x-y coördinaat vastgelegd waar dit object zich bevindt in het aangeboden beeld.
Ik heb gebruik gemaakt een pre-trained model – MobileNet. Na het parametriseren en optimalieren van het aantal training cycles, layers en het testen met een test-set heb ik een optimaal trained model opgesteld Van dit model is bepaald wat de precision score is, hoe snel on-device een inference (besluitvorming door het algoritme) plaatsvindt en ook wat de benodigde RAM en ROM capaciteit is. Eén van de tools die ik hiervoor gebruik EdgeImpulse. Deze workbench is uitgebreid, voorzien van talrijke features en biedt mogelijkheden voor uitrol naar Arduino, Raspberry, ST, NVidia en talrijke andere embedded platforms.
Een van de mogelijke toekomstige studieprojecten is het achterhalen hoe een vendingmachine, met snickers, cola, mondkapjes en kauwgom gebruikt wordt. En daarbij te achterhalen op welke momenten van de dag en dagen van de week deze het meest gebruikt wordt en of er dan betaald wordt met een PIN transactie of met muntbetaling. In de testopstelling ga ik vaststellen of bewegingdectie en/of geluidsdetectie voldoende data genereert en hoe betrouwbaar de resultaten daarmee gegeneerd kunnen worden.
