资源受限MCU的轻量化部署策略和实现

为实现低资源嵌入式设备的图像分类识别,针对能实现简单图像识别任务、对图像识别准确率要求不高,且要求低成本的场景,将卷积神经网络(CNN:Convolutional NeuralNetwork)部署到资源受限的微控制器单元(MCU:Microcontroller Units)上。首先提出一种在资源受限MCU上的轻量化部署策略:为降低模型的参数量,提出一种轻量化的神经网络算法;为保证模型大小能适应有限的随机存取存储器(RAM:Random Access Memory),提出了一种基于闪存(FLASH:Flash Memory)扇区的替存储算法。其次,在资源受限的嵌入式设备上部署该策略。针对采集图像的质量和采集速度不匹配问题,设计了摄像头外围电路;对采集图像进行基于高斯分布的自适应阈值二值化处理并对图像样本完整性进行校验。实验结果表明,该系统取得大约80%~89%的识别准确率。虽然该准确率低于训练精度10%左右,但在上述对精度要求不高的实际场景中可以较好地应用。