用合成数据训练边缘侧火灾检测器

新缸中之脑

于 2024-06-28 10:39:22 发布

阅读量1.1k

点赞数 13

文章标签：人工智能

本文链接：https://blog.csdn.net/shebao3333/article/details/140036246

版权

火灾是人类面临的重大威胁，检测火灾至关重要。目前的火焰传感器在距离检测方面存在局限性。为了克服这个问题，我的目标是使用机器学习方法创建一个轻量级且高度准确的火灾检测系统。当需要实时数据处理或机器学习模型可用的数据集很少时，这个问题变得非常具有挑战性。因此，这里合成数据集就派上用场了。该项目为在火灾检测系统中使用合成数据集的优势提供了概念验证。

合成数据集是一种数据类型，使我们能够模拟在现实生活中可能很少遇到但需要解决的情况。它提供了一种使用真实数据的高度经济高效的替代方案。用于训练深度神经网络的合成数据集在计算机视觉中的应用越来越多。存在不同的策略，例如域随机化，以弥合合成训练数据和实际应用之间的差距。

本指南将引导你完成为火灾检测系统训练对象检测模型的过程。下图可以更好地解释项目的整体架构。

如上图所示，Nvidia Omniverse 工具可用于创建合成数据集。该平台提供逼真的渲染和动态场景创建，能够生成具有不同环境因素（如光线、颜色、背景等）的高度逼真的场景。

然后使用 Edge Impulse Web 平台，我们可以快速在云中的数据上训练 ML 模型。

完成训练过程后，优化的火灾检测模型将部署到 Arduino Nicla Vision 上。Nicla Vision 体积小巧、功耗低，是边缘计算应用的理想选择。该模型在此平台上的部署可实现实时火灾检测，因为它可以在本地处理数据，而无需依赖云连接。

机器学习模型的输出可能用于触发操作，例如打开灯或向智能手机发送通知。

NSDT工具推荐： Three.js AI纹理开发包 - YOLO合成数据生成器 - GLTF/GLB在线编辑 - 3D模型格式在线转换 - 可编程3D场景编辑器 - REVIT导出3D模型插件 - 3D模型语义搜索引擎 - Three.js虚拟轴心开发包 - 3D模型在线减面 - STL模型在线切割