ivdon3@bk.ru
В статье рассмотрено влияние освещенности и расстояния на качество распознавания для различных моделей нейронных сетей встраиваемых систем. Описаны платформы на которых проводилось тестирование, а также используемые модели. Приведены результаты исследования влияния освещенности на качество распознавания.
Ключевые слова: искусственный интеллект, машинное зрение, встраиваемые системы, распознавание образов, YOLO, Inception, Peoplenet, ESP32, Sipeed, Jetson, Nvidia, Maix
В статье рассмотрены методы оптимизации вычислений с плавающей точкой на микроконтроллерных устройствах. Рассмотрены аппаратный и программный способы ускорения вычислений. Приведены алгоритмы Карацубы и Шёнхаге-Штрассена для операции умножения. Предложен способ замены вычислений с плавающей точкой на целочисленные вычисления. Описано использование фиксированной точки вместо плавающей. Рассмотрен вариант использования хэш-памяти и оптимизации кода. Представлены результаты измерения вычислений на микроконтроллере AVR.
Ключевые слова: вычисления с плавающей точкой, вычисления с фиксированной точкой, микроконтроллер, AVR, ARM
В статье рассмотрено применение методов машинного зрения для встраиваемых систем с применением современных микроконтроллеров. Описаны методы машинного обучения, которые используют в встроенных системах для решения задач распознавания, а также модели нейронных сетей. Предложено использование обученных моделей для решения задач распознавания изображений в встроенных системах. Проведено сравнение архитектур нейронных сетей YOLOv3 и R-CNN. Рассмотрена аппаратная платформа Jetson TX2. Представлены результаты сравнения скорости вычисления для различных режимов устройства.
Ключевые слова: машинное зрение, нейронные сети, искусственный интеллект, встраиваемые системы, распознавание образов, YOLO, R-CNN, Jetson, Tensorflow