Arduino Nano 33 BLE Sense的色度计和近接感测器传感器来分类对象

Arduino 肩负着让任何人均可轻松使用机器学习的使命。去年前，我们宣布TensorFlow Lite Micro 可以在 Arduino 库管理器中使用。这样便可使用一些现成的炫酷 ML 示例，例如语音识别、简单的机器视觉，甚至是端到端手势识别训练教程。

在本文中，我们将带您了解一个更为简单的端到端教程：使用 TensorFlow Lite Micro 库，以及Arduino Nano 33 BLE Sense的色度计和近接感测器传感器来分类对象。为此，我们将在开发板上运行一个小型神经网络。

运行 TensorFlow Lite Micro 的 Arduino BLE 33 Nano Sense

Tiny ML 的理念是在设备上用较少的资源（更小巧的外形、更少的能耗和更低成本的芯片）完成更多的工作。若与传感器在同一块开发板上运行推理，无论是对隐私还是电池续航时间都大有裨益，且意味着无需连网即可完成推理。

我们在电路板上安装了近接感应器，这意味着我们可以即时读取开发板前方对象的深度，而无需使用摄像头，也无需通过机器视觉来确定某个对象是否为目标对象。

在本教程中，当对象足够近时，我们可以对颜色进行采样，此时的板载 RGB 传感器可以看作是一个 1 像素的彩色摄像头。虽然此方法存在一定限制，但却让我们只需使用少量资源便可快速分类对象。请注意，实际上您可以在设备端运行完整的基于 CNN 的视觉模型。这块特殊的 Arduino 开发板配有一个板载色度计，因此我们认为以此方式开始演示不仅有趣，还极具指导意义。

基于 CNN 的视觉模型
http://cs231n.github.io/convolutional-networks/

我们将展示一个简单但完整的端到端 TinyML 应用，无需深厚的 ML 或嵌入式背景就可以快速实现。此处所涉内容包括数据采集、训练和分类器部署。我们介绍的是一个演示应用，您可连接一个外部摄像头，在此基础上进行改进和完善。我们希望您能了解我们提供的工具能够实现什么，这里只是为您提供了一个起点。

您需要具备的条件

Arduino BLE 33 Nano Sense

一根 Micro USB 线

装有 Web 浏览器的桌面设备/笔记本电脑

几个具有不同颜色的对象

Arduino 开发板简介

我们所使用的 Arduino BLE 33 Nano Sense 开发板配备 Arm Cortex-M4 微控制器，该控制器运行着 mbedOS，并具备多个板载传感器，包括数字麦克风、加速度计、陀螺仪，以及温度、湿度、压力、光线、颜色和近接感应器。

虽然该微控制器按照云或移动标准来看非常微小，但其功能非常强大，足以运行 TensorFlow Lite Micro 模型并对来自板载传感器的传感器数据进行分类。

设置 Arduino Create 网页编辑器

在本教程中，我们将使用 Arduino Create 网页编辑器，一款基于云端的 Arduino 开发板编程工具。您需要注册一个免费帐户来使用，然后安装一个插件允许浏览器通过 USB 线与 Arduino 开发板进行通信。

您可以按照入门指南的说明进行快速设置，这些说明将引导您完成以下操作：

下载并安装插件

登录或注册免费帐号

入门指南
https://create.arduino.cc/getting-started/plugin?page=1

（请注意，您也可以使用 Arduino IDE 桌面应用，相关设置说明可以在之前的教程中找到）

拍摄训练数据

现在，我们将采集用于在 TensorFlow 中训练模型所需的数据。首先，选择几种颜色不同的对象。在这里，我们将使用水果，但您可以使用任何您喜欢的其他对象。

设置 Arduino，以便采集数据

接下来，我们将使用 Arduino Create 对 Arduino 开发板进行编程，让其运行 object_color_capture.ino 应用，该应用可以采集附近对象的颜色数据样本。开发板会通过 USB 线将颜色数据以 CSV 日志形式发送至您的桌面设备。

如需将 object_color_capture.ino 应用加载到 Arduino 开发板，请执行以下操作：

通过 USB 线将开发板连接到笔记本电脑或 PC

Arduino 开发板需连接 Micro USB 公口

点击此链接，在 Arduino Create 中打开 object_color_capture.ino。

链接
https://create.arduino.cc/editor/TensorFlowExamples/ca761558-13ed-4190-baee-89ced06147c3/preview

您的浏览器将打开 Arduino Create 网页应用（参见上方的 GIF 图）

点按“OPEN IN WEB EDITOR”（在网页编辑器中打开）

对于现有用户，此按钮将被标记为“ADD TO MY SKETCHBOOK”（添加至我的 Sketchbook）

点击 Upload & Save（上传并保存）

此操作需要等待一会儿才能完成

您会看到开发板上的黄灯在闪烁，说明其正在“接受编程”

打开串口 Monitor（监视器）

此操作会打开网页应用左侧的Monitor面板

现在，当对象在开发板顶部附近时，您将会在此处看到 CSV 格式的颜色数据

将每个对象的数据采集至 CSV 文件中

我们会针对每一个要分类的对象采集一些颜色数据。我们只针对每个类快速采集一个示例，这样做显然无法训练通用模型，但我们仍然可以通过手头的对象来快速验证概念！

例如，我们正在对一个苹果进行采样：

使用顶部的白色小按钮重置开发板。

除非您想对手指采样，否则请确保其远离传感器！

Arduino Create 中的Monitor将提示“Serial Port Unavailable”（串行端口不可用），提示时间为一分钟

然后，您应该会看到串口监视器的顶部出现 Red,Green,Blue 字样

将开发板的正面朝向苹果。

开发板只有在检测到有对象靠近传感器且照明充足（开灯或靠近窗户）时，才会执行采样

在对象表面来回移动开发板，采集颜色变化

您会看到 RGB 颜色值以逗号分隔的数据形式显示在串口监视器中。

采集对象的样本（持续几秒钟）

从Monitor复制此日志数据，并将其粘贴到文本编辑器中

提示：取消勾选底部 AUTOSCROLL（自动滚动）对应的复选框，即可停止文字移动

将文件另存为apple.csv

使用顶部的白色小按钮重置开发板。

重复执行上述操作，以采集其他对象并保存日志信息（例如 banana.csv、orange.csv）。

注意：每个 .csv 文件的第一行均应显示为：Red,Green,Blue

如果您未在顶部看到此内容，则只需将其复制并粘贴到代码行的上方。

训练模型

现在，我们将借助 colab，使用您在上一节中采集的数据来训练 ML 模型。

首先，在 colab 中打开 Jupyter Notebook

按照 colab 中的说明操作

上传您的 *.csv 文件

解析并准备数据

使用 Keras 训练模型

输出 TensorFlowLite Micro 模型

下载此模型以在 Arduino 上运行分类器

colab
https://colab.research.google.com/github/arduino/ArduinoTensorFlowLiteTutorials/blob/master/FruitToEmoji/FruitToEmoji.ipynb

完成上述步骤后，您应该已经下载了可以在 Arduino 开发板上运行对象分类的 model.h 文件！

Colab 会引导您将 .csv 文件拖放入文件窗口，结果如上图所示

Colab 会对 Arduino 开发板采集的标准化颜色样本进行绘制

将 TFLM 模型编写到 Arduino 开发板

最后，我们会对上一阶段训练得到的模型进行编译，然后使用 Arduino Create 将其上传至 Arduino 开发板。

打开 Classify_Object_Color.ino

Classify_Object_Color.ino
https://create.arduino.cc/editor/TensorFlowExamples/8508c70f-5155-4e3b-b982-c5f6bd36ea5c/preview

您的浏览器将打开 Arduino Create 网页应用：

点击OPEN IN WEB EDITOR（在网页编辑器中打开）按钮

使用Import File to Sketch（将文件导入 Sketch）导入从 colab 下载的 model.h 文件：

导入从 colab 下载的 model.h 文件

model.h 标签页应如上所示

编译并将应用上传至 Arduino 开发板

此操作需要等待一会儿才能完成

完成后，您将在Monitor中看到以下消息：

将 Arduino 的 RGB 传感器放在您训练的对象旁边

您将在Monitor中看到分类结果输出：

Arduino Create Monitor 中的分类器输出

您也可以编辑 object_color_classifier.ino sketch 以输出颜文字来替代名字（我们在代码注释中保留了 unicode！），您可以关闭 Arduino Create 所在的网页浏览器标签页，重置开发板并输入 cat /cu/usb.modem[n]，在 Mac OS X 或 Linux 终端中查看这些表情符号。

从 Arduino 串口输出到 linux 终端并使用 ANSI 突出显示的结果，以及 unicode 表情符号

结论

至此，我们了解了一个在 Arduino 上运行的机器学习的快速端到端的演示。这个框架也可用于对不同传感器进行采样，以及训练更为复杂的模型。对于按颜色分类对象的任务，我们还可以在更多条件下采集更多示例样本，以泛化该模型。

在未来的研究当中，我们还会探索如何运行设备端 CNN。与此同时，我们希望于您而言，这将会是一个有趣而精彩的项目。请尽情体验 TinyML 带来的乐趣吧！

责任编辑：lq