省エネルギーはますます優先事項になっています。 住宅、ビル、都市のスマート化は、エネルギーを節約する効果的な方法です。 例えば、在室状況をモニタリングして照明を極力消灯する、在室者の数に基づいて暖房システムを最適化する、あるいは人通りがないときに街路灯を消灯するといったことが考えられますが、さまざまな理由で通りにカメラが設置されているとは限りません。 NanoEdge AI Studioを使用すれば、レーダーやToF(Time-of-Flight)測距センサなどの各種センサからの時系列データを解読して人間にとって意味のあるものにする機械学習ライブラリの開発が可能です。
一例として、AIライブラリに人間と動物を識別する方法を学習させて、1人または複数の人の入室または退室をカメラがなくても検出できるようにしました。 このアプローチは、他の多くのユース・ケースに容易に適用できます。
アプローチ
地上から2.4mのゲートの上にToF測距センサを地上に向けて設置し、(犬やスーツケースなどを検出しないように)1.4m以上の動きをモニタリングするように検出距離を変更しました。
このToF測距センサは人が視野に入るとトリガされます。 方向(入室または退室)を捉えるために、センサ信号を15Hz(最大)の周波数で32個連結します。
通り抜ける人の身長に関する情報は不要なため、ToF測距センサによってキャプチャされた距離を2値化しました。
4クラスのデータセットを作成しました(1人の入室と1人の退室に関する各1,000の信号と、2人の入室と2人の退室に関する各400の信号)。
そして、NanoEdge AI Studioで「Nクラス分類」モデル(4クラス)を作成し、NUCLEO_F411RE(およびX-NUCLEO-53L5A1拡張ボード)で実際にテストしました。
センサ
データ
4クラスのデータ1人が中に入る、2人が中に入る、1人が外に出る、2人が外に出る
信号長2048(8x8の連続32行列)
データレート15 Hz
結果
3クラス分類:
98.14%の精度、27.1 KB RAM、229 KB フラッシュ緑の点は正しく分類された信号を表し、赤い点は誤って分類された信号を表します。 横座標はクラス、縦座標は正常状態に対する類似度です。