在物联网中应用机器学习

**欢迎大家前往[腾讯云+社区](https://cloud.tencent.com/developer/?fromSource=waitui)，获取更多腾讯海量技术实践干货哦~** > 本文由[未来守护者](https://cloud.tencent.com/developer/user/1637280)发表于[云+社区专栏](https://cloud.tencent.com/developer/column/2417?fromSource=waitui) 本项目探讨如何将机器学习（Machine learning）应用到物联网（IoT，Internet of Things）中。我们将使用 **Android Things** 作为我们的物联网平台，并且采用 **Google TensorFlow** 作为我们的机器学习引擎。如今，机器学习与物联网都是技术话题中的大热门。下面是[维基百科上对机器学习的一个简单定义](https://en.wikipedia.org/wiki/Machine_learning)： 机器学习是计算机科学中的一个领域，它使计算机系统能够利用数据进行 “学习”（即逐步提高特定任务的性能），而不需要进行显式编程（Explicitly programmed）。 换句话说，在进行训练步骤以后，系统就可以预测结果（即使这不是专门为这些结果进行编程的）。另一方面，我们都了解物联网以及连接设备的概念。最有前途的话题之一便是如何将机器学习应用于物联网之中，以构建能够 “学习” 的专家系统。此外，该系统会运用这些知识来控制和管理实物。 下面列举一些应用到机器学习，以及物联网能产生重要价值的领域： - 预测维护（Predictive maintenance）中的工业物联网（IIoT，Industrial IoT）。 - 在消费者物联网（Consumer IoT）中，机器学习可以使设备变得更加智能化，从而适应我们的习惯。 在本教程中，我们将探索如何使用 Android Things 和 TensorFlow 将机器学习应用到物联网中。这一 Android Things 物联网项目背后的基本思想就是，探索如何构建一个能够识别一些基本形状（比如箭头）并被控制的机器人小车（Robot car）。我们已经介绍过[如何使用 Android Things 构建机器人小车](https://www.survivingwithandroid.com/2017/12/building-a-remote-controlled-car-using-android-things-gpio.html)，我建议您在开始此项目之前先阅读那篇教程。 本次机器学习和物联网项目主要涵盖以下主题： - 如何使用 Docker 配置 TensorFlow 环境 - 如何训练 TensorFlow 系统 - 如何集成 TensorFlow 与 Android Things - 如何使用 TensorFlow 输出结果来控制机器人小车 本项目衍生自 [Android Things TensorFlow 图像分类器](https://github.com/androidthings/sample-tensorflow-imageclassifier)。 我们开始吧！ ## 如何在 Tensorflow 中创建一个图像分类器 在开始之前，我们有必要先安装并配置好 TensorFlow 环境。我并非机器学习专家，所以我需要找一些速成的东西并准备好使用，以便我们可以构建 TensorFlow 图像分类器。因此，我们可以使用 Docker 来运行一个搭载了 TensorFlow 的映像。照着以下步骤进行： \1. 克隆 TensorFlow 仓库： ```makefile git clone https://github.com/tensorflow/tensorflow.git cd /tensorflow git checkout v1.5.0 ``` \2. 创建一个目录（/tf-data），该目录将保存我们在项目中需要用到的所有文件。 \3. 运行 Docker： ```makefile docker run -it \ --volume /tf-data:/tf-data \ --volume /tensorflow:/tensorflow \ --workdir /tensorflow tensorflow/tensorflow:1.5.0 bash ``` 使用这些命令，我们就可以运行一个交互式 TensorFlow 环境并增加（Mount）一些我们将在项目中使用到的目录。 ### 如何训练 TensorFlow 在 Android Things 系统能够识别图像之前，我们有必要先训练 TensorFlow 引擎，以构建其模型。以此为由，收集一些图片是有必要的。如前所述，我们希望使用箭头来控制 Android Things 机器人小车 —— 所以我们必须收集至少四种类型的箭头： - 向上箭头 - 向下箭头 - 左箭头 - 右箭头 为训练该系统，我们有必要对这四种不同的图像类别创建一个“知识库”。在 /tf-data 中一个名为 images 的目录下创建四个目录，命名如下： - up-arrow - down-arrow - left-arrow - right-arrow 现在是时候去搜集图像资源了。我使用的是 Google 图片搜索，您也可以使用其他方法进行搜集。为了简化图片下载过程，您应该安装 Chrome 插件，它能够一键下载所有图片。可别忘了，您下载的图像越多，其训练过程（Training process）越好（即使创建模型的时间可能会有所增加）。 打开浏览器，开始查找以下四类图像：  每个类别我分别下载了 80 张图。我并不关心图片的扩展。 一旦所有类别都有其图像，请按照以下步骤操作（在 Docker 界面中）： ```makefile python /tensorflow/examples/image_retraining/retrain.py \ --bottleneck_dir=tf_files/bottlenecks \ --how_many_training_steps=4000 \ --output_graph=/tf-data/retrained_graph.pb \ --output_labels=/tf-data/retrained_labels.txt \ --image_dir=/tf-data/images ``` 这操作可能需要花费一些时间，所以要耐心等待。最后，在你的文件夹 /tf-data 中应有两个文件： 1. retrained_graph.pb 2. retrained_labels.txt 第一个文件包含我们的模型，这是 TensorFlow 训练过程的结果。而第二个文件则包含了与我们的四个图像类别相关的标签。 ### 如何测试 Tensorflow 模型 如果你想测试模型，以检查一切是否正常，你可以使用以下命令： ```makefile python scripts.label_image \ --graph=/tf-data/retrained-graph.pb \ --image=/tf-data/images/[category]/[image_name.jpg] ``` ### 优化模型 在能够使用这个 TensorFlow 模型到 Android Things 项目中之前，我们有必要优化它： ```js python /tensorflow/python/tools/optimize_for_inference.py \ --input=/tf-data/retrained_graph.pb \ --output=/tf-data/opt_graph.pb \ --input_names="Mul" \ --output_names="final_result" ``` 这就是我们的模型。我们将使用此模型将机器学习应用于物联网（即集成 Android Things 与 TensorFlow）。其目标是为 Android Things 应用提供智能识别箭头图像，并作出相应反应，从而控制机器人小车的方向。 如果您想了解更多关于 TensorFlow 的细节，以及如何生成模型，请查看官方文档和[这个教程](https://codelabs.developers.google.com/codelabs/tensorflow-for-poets/#0)。 ## 如何使用 Android Things 和 TensorFlow 将机器学习应用到物联网中 一旦 TensorFlow 数据模型准备就绪，我们就可以进入下一步：如何集成 Android Things 与 TensorFlow。为达成这一目的，我们可以将此任务分为两步： 1. 硬件部分，我们将电机和其他外围设备（Peripheral）连接到 Android Things 板上 2. 实现应用程序 ### Android Things 原理图 在深入探讨如何连接外围设备之前，我们先看看下面这个 Android Things 项目中使用的组件列表： 1. Android Things 板（树莓派 3，Raspberry Pi 3） 2. 树莓派相机 3. 一个 LED 灯 4. LN298N 双H桥（用以控制电机） 5. 带两个轮子的机器人小车底盘 我不在此介绍[如何使用 Android Things 控制电机，](https://www.survivingwithandroid.com/2017/12/building-a-remote-controlled-car-using-android-things-gpio.html)因为我们已经在之前的文章中介绍过这一点。 以下是原理图：  上图中，相机组件并未表现出来。其最终的结果如下：  ### 基于 TensorFlow 实现 Android Things App 最后一步便是实现 Android Things 应用程序。为此，我们可以重用 GitHub 上名为[ TensorFlow 图像分类器示例](https://github.com/androidthings/sample-tensorflow-imageclassifier)的示例项目。在开始之前，先克隆 GitHub 仓库，以便您可以修改源代码。 该 Android Things 应用与原来的应用有所不同，在于： 1. 它不使用按钮来启动相机捕捉图像 2. 它使用不同的模型 3. 它使用一个闪烁的 LED 进行通知，摄像机在 LED 停止闪烁后拍摄照片 4. 它在 TensorFlow 检测到图像（箭头）时控制电机。此外，在从步骤 3 开始循环之前，先打开电机 5 秒 要处理闪烁的 LED，请使用以下代码： ```js private Handler blinkingHandler = new Handler(); private Runnable blinkingLED = new Runnable() { @Override public void run() { try { // If the motor is running the app does not start the cam if (mc.getStatus()) return ; Log.d(TAG, "Blinking.."); mReadyLED.setValue(!mReadyLED.getValue()); if (currentValue <= NUM_OF_TIMES) { currentValue++; blinkingHandler.postDelayed(blinkingLED, BLINKING_INTERVAL_MS); } else { mReadyLED.setValue(false); currentValue = 0; mBackgroundHandler.post(mBackgroundClickHandler); } } catch (IOException e) { e.printStackTrace(); } } }; ``` 当 LED 停止闪烁时，应用程序将捕获图像。 现在有必要关注如何根据检测到的图像来控制电机。修改方法如下： ```js @Override public void onImageAvailable(ImageReader reader) { final Bitmap bitmap; try (Image image = reader.acquireNextImage()) { bitmap = mImagePreprocessor.preprocessImage(image); } final List<Classifier.Recognition> results = mTensorFlowClassifier.doRecognize(bitmap); Log.d(TAG, "Got the following results from Tensorflow: " + results); // Check the result if (results == null || results.size() == 0) { Log.d(TAG, "No command.."); blinkingHandler.post(blinkingLED); return ; } Classifier.Recognition rec = results.get(0); Float confidence = rec.getConfidence(); Log.d(TAG, "Confidence " + confidence.floatValue()); if (confidence.floatValue() < 0.55) { Log.d(TAG, "Confidence too low.."); blinkingHandler.post(blinkingLED); return ; } String command = rec.getTitle(); Log.d(TAG, "Command: " + rec.getTitle()); if (command.indexOf("down") != -1) mc.backward(); else if (command.indexOf("up") != -1) mc.forward(); else if (command.indexOf("left") != -1) mc.turnLeft(); else if (command.indexOf("right") != -1) mc.turnRight(); } ``` 在这种方法中，当 TensorFlow 返回匹配捕获图像的可能标签后，应用程序会将结果与可能的方向进行比较，从而控制电机。 最后，是时候使用在刚开始时创建的模型了。拷贝 assets 文件夹下的 opt_graph.pb 与 reatrained_labels.txt 文件，并替换现有文件。 打开 Helper.java 并修改以下几行： ```js public static final int IMAGE_SIZE = 299; private static final int IMAGE_MEAN = 128; private static final float IMAGE_STD = 128; private static final String LABELS_FILE = "retrained_labels.txt"; public static final String MODEL_FILE = "file:///android_asset/opt_graph.pb"; public static final String INPUT_NAME = "Mul"; public static final String OUTPUT_OPERATION = "output"; public static final String OUTPUT_NAME = "final_result"; ``` 运行应用程序，试试向相机展示箭头，并检查结果。机器人小车必须按照所示的箭头进行移动。 ## 小结 在本教程的最后，我们介绍了如何运用 Android Things 与 TensorFlow 将机器学习应用到物联网中。我们可以使用图像控制机器人小车，并根据显示的图像移动机器人小车。 >**相关阅读** >[【每日课程推荐】机器学习实战！快速入门在线广告业务及CTR相应知识](https://cloud.tencent.com/developer/edu/course-1128?fromSource=waitui) **此文已由作者授权腾讯云+社区发布，更多原文请[点击](https://cloud.tencent.com/developer/article/1115668?fromSource=waitui )** **搜索关注公众号「云加社区」，第一时间获取技术干货，关注后回复1024 送你一份技术课程大礼包！** 海量技术实践经验，尽在[云加社区](https://cloud.tencent.com/developer?fromSource=waitui)！