RK3588 邊緣計算應用：文冠果成熟度檢測
60 多年過去了，盡管輝光管已經(jīng)停產(chǎn)，有很多工程師仍然對它情有獨鐘。我用 8 塊液晶顯示屏制作了一個擬輝光管時鐘，感受復古元素的美感，表達對過去經(jīng)典的敬意。
文冠果是一種生長于北方的木本油料樹種，其所產(chǎn)的高級木本食用油非常適合長期儲存。目前傳統(tǒng)檢測文冠果的技術相對落后，并且存在人工檢測效率低的問題。香橙派5 Plus主控芯片為RK3588，它是瑞芯微電子推出的一款高性能芯片，該芯片集成了強大的CPU和NPU，提供高達6TOPS的算力，使其在復雜的視覺處理任務中表現(xiàn)卓越，特別適合機器視覺邊緣計算應用。為了深入挖掘RK3588的視覺檢測潛力，我們將其應用于農(nóng)業(yè)領域文冠果的成熟度檢測。這個任務涉及圖像識別中以文冠果為目標的成熟度檢測，通過圖像分析來判斷文冠果的成熟狀態(tài)，從而為果農(nóng)提供有價值的信息。
設計方案
首先我們構建了一個文冠果成熟度檢測系統(tǒng)，利用 RK3588 的計算能力實現(xiàn)自動化識別，檢測效果如圖 1 所示。系統(tǒng)首先使用攝像頭捕捉文冠果的圖像，然后通過預訓練的深度學習模型對圖像進行分析。模型能夠識別不同成熟度的果實，并根據(jù)成熟度等級提供相應的反饋。當系統(tǒng)識別到果實達到最佳采摘時期時，會發(fā)送通知給果農(nóng)，提示果實可以采摘。
這個任務要求系統(tǒng)能夠從攝像頭圖像中識別文冠果并準確判斷其成熟度。由于一張圖像中可能包含多個不同成熟階段的文冠果，且每個文冠果的大小、形狀和顏色都不相同，因此這一任務融合了圖像分類與位置定位。要求在文冠果成熟度檢測中不僅能夠識別圖中的文冠果，還需要給出每個文冠果的具體位置和成熟度，這比單一的分類任務要復雜得多。Yolo 算法是一種創(chuàng)新的目標檢測方法，其核心特點：一次性檢測、統(tǒng)一的框架以及實時處理能力。因此我們選用了較新的 Yolov8 算法。
硬件清單
本文用到的部分硬件清單見附表。
制作過程
本系統(tǒng)利用高清攝像頭對文冠果拍攝進行樣本采集，通過 USB 接口傳輸至香橙派 5 Plus 邊緣計算平臺。在香橙派 5 Plus 上，將采集的文冠果圖片數(shù)據(jù)導入部署的 Yolov8 模型上，經(jīng)模型快速訓練推理后，在顯示屏上呈現(xiàn)推理結果。系統(tǒng)流程如圖 2 所示。大家可以掃描目錄頁電子資源二維碼獲取程序文件。
第一步：進行文冠果的樣本采集，實地拍攝樣本大于 1000 張。建議使用與實際拍攝時一致的手機、拍攝環(huán)境和拍攝角度，通過對照片進行初步篩選，獲取不同時期的果實照片，如圖 3 所示。
第 二 步： 對 采 集 的 文冠 果 數(shù) 據(jù) 進 行 標 注， 安 裝Labelimg進行數(shù)據(jù)集標注。
（1）通過輸入 pip 命令，安裝 Labelimg 標注軟件。
（2）配置 predefined_classes.txt，以便于提高標注的速度。
（3）通過在終端輸入Labelimg 啟 動 軟 件， 單 擊“Open Dir”打開照片所在的文件夾，單擊“ChangeSave Dir”將保存路徑設置為照片的原始路徑，并在 View 菜單中，修改為自動保存模式（Auto Save Mode）。
（4） 我 們 將 文 冠 果 照 片 為 3 類，Immature標簽為未成熟，Ripe 標簽為成熟，可采摘標簽為Bursts。按 W 鍵啟用標注功能，用鼠標畫出矩形方框，對果實進行標注，松開鼠標后，并在彈出的菜單中選擇我們預先設定好的 3 類標簽。重復以上步驟，將所有圖片標注完成就組成了文冠果的數(shù)據(jù)集，標注文冠果數(shù)據(jù)如圖 4 所示。
第三步：配置 Yolov8 環(huán)境訓練模型。
（1）安裝 pytorch、ultralytics 等。
（2）分割數(shù)據(jù)集，運行腳本 Split_Dataset.py，按照 8:2 的比例將文冠果數(shù)據(jù)集拆分為訓練集和驗證集，其中訓練集用于訓練 Yolov8 網(wǎng)絡的網(wǎng)絡參數(shù)權值，驗證集用于驗證訓練的參數(shù)權重是否滿足文冠果成熟度的量化要求。
（3） 編 寫 配 置 文 件 train-config.yaml， 及訓 練 腳 本 Yolo-train.py。 然 后 通 過 運 行 python Yolo-train.py 命 令 進 行 訓 練， 等 待 訓 練 結 束，Yolov8 模型訓練結束，如圖 5 所示，展示了 3 種文冠果標簽的訓練結果。
第四步：轉化為 RKNN 模型部署至 RK3588。
（1）將 best.pt 文件導出為 ONNX 的通用模型文件，圖 6 所示為 ONNX 模型轉化完畢。
（2） 在 Ubuntu 20.04 系 統(tǒng) 中 安 裝 RKNNToolkit2 進行模型轉換的環(huán)境準備工作，再準備所要用到的文件。
（3）使用 convert.py 對 ONNX 模型進行轉換，轉化為 RKNN 模型以方便部署。
（4）在香橙派板端利用 rknn-toolkit2-lite 的Python API 板端推理模型，通過運行 Yolov8.py進行模型推理。模型推理部分結果如圖 7 所示。
實驗訓練
在數(shù)據(jù)集的準備過程中，我們需要將文件的圖片隨機分配到 train（訓練集）和 val（驗證集）兩個文件夾中，用于模型的訓練和驗證。首先設置數(shù)據(jù)集劃分的比例，訓練集占 80%，驗證集占 20%。然后遍歷數(shù)據(jù)集文件夾下的所有圖像和對應的標注文件，并根據(jù)設定的比例隨機分配到訓練集和驗證集。最后將圖像和標注文件移動到目標文件夾中，確保每個圖像和其對應的標注文件一起被分配。具體實現(xiàn)如程序 1 所示。
在模型部署過程中，我們經(jīng)常需要將模型從一種格式轉換為另一種格式，以適應不同的硬件平臺。例如，將 ONNX 格式的模型轉換為 RKNN 格式，以便RK3399Pro、RK1808 等在瑞芯微 NPU 上運行。程序 2 描述了如何將 ONNX 模型轉換為 RKNN 模型，并通過提供的數(shù)據(jù)集來改進模型的量化精度。
在目標檢測的實際應用中，我們需要加載訓練好的模型，對圖像進行推理和檢測。Yolov8.py 演示了如何加載 Yolov8 模型，并對指定的圖像進行推理，提供了從模型加載、圖像預處理、推理、結果后處理到結果展示的完整流程，幫助我們在不同的平臺上快速部署和驗證模型的性能，簡化后主要的程序如程序 3 所示。
結語
深度學習一定需要很高的專業(yè)水平、很復雜的技術嗎？ RK3588 的高性能邊緣計算、廣泛應用、易部署的優(yōu)勢，降低了嵌入式 AI 應用落地的難度。在實際應用中，這樣的系統(tǒng)可以幫助農(nóng)業(yè)生產(chǎn)者更準確地進行收獲決策，優(yōu)化收獲時間和提高整體產(chǎn)量。如果你有一個好玩的基于目標檢測的創(chuàng)意，進行采樣、標記、訓練之后，Yolov8 算法會提供現(xiàn)成訓練環(huán)境，完善的訓練工具，就能為你的興趣和夢想插上一雙翅膀。本項目由沈陽師范大學創(chuàng)新創(chuàng)業(yè)訓練計劃項目資助，申請編號：202407035。
熱門跟貼