ĐỌC CHỈ SỐ NƯỚC TỰ ĐỘNG ỨNG DỤNG TINYML

Abstract

Mục tiêu của đề tài là thiết kế một thiết bị có thể đọc chỉ số nước trên đồng hồ nước dạng cơ một cách tự động sử dụng máy ảnh ứng dụng mô hình máy học sâu chạy trực tiếp trên vi điều khiển, để hỗ trợ việc theo dõi lượng nước đã sử dụng hàng tháng. Một mô hình thiết bị được thiết kế để lắp đặt trực tiếp lên đồng hồ nước. Board mạch ESP32-CAM tích hợp sẵn máy ảnh OV2640 được sử dụng để thu thập dữ liệu ảnh và chạy mạng học sâu TinyML. Quá trình thực hiện mạng học sâu để đọc chỉ số đồng hồ nước được thực hiện thông qua bốn bước. Bước thứ nhất, một chương trình được phát triển để thu thập ảnh các chữ số trên đồng hồ, các số được thay đổi bằng cách xoay các bánh răng trên đồng hồ. Dữ liệu cũng được tăng cường để đảm bảo đủ để huấn luyện mạng. Bước thứ hai, dữ liệu được đánh nhãn, chia nhóm để huấn luyện các cấu trúc mạng học sâu TinyML đề xuất trên máy tính cá nhân. Bước thứ ba, mạng có độ chính xác tốt nhất sẽ được chuyển sang dạng rút gọn để chạy trực tiếp trên ESP32. Mô hình sẽ được kiểm tra trực tiếp bằng ảnh chụp từ máy ảnh để đánh giá độ chính xác của các số nhận dạng được, nếu độ chính xác không đạt, dữ liệu mới sẽ được thêm vào bộ dữ liệu đã thu thập và quay lại bước đầu tiên. Sau cùng, nếu độ chính xác đạt yêu cầu, mạng TinyML sẽ được áp dụng để đọc các chữ số trên đồng hồ và đổi thành số m3 nước đã tiêu thụ. Mô hình mạng TinyML đề nghị cũng được so sánh với mô hình mạng LeNet5 để đánh giá tính hiệu quả. Kết quả thực nghiệm cho thấy, với bộ dữ liệu gồm 3045 ảnh 32x24 pixel thu thập được mô hình mạng TinyML đề nghị đã đạt độ chính xác khi huấn luyện là 99.5 %, độ chính xác kiểm tra thực tế trên vi điều khiển là 97.3 %, F1-Score đạt 97.3 %. Mô hình đề nghị có độ chính xác cao hơn 27 % so với LeNet5. Tuy nhiên, đề tài chỉ dừng lại ở việc thử nghiệm với trường hợp các số hiện rõ trên đồng hồ, chưa đề xuất thuật toán đọc trường hợp chuyển từ số này sang số khác. Từ khóa: Đọc chỉ số nước, TinyML, Deep Learning, ESP32-CAM.