Análise da aplicação de redes neurais convolucionais em sistemas de visão computacional embarcados

Abstract

A inteligência artificial vêm sendo amplamente difundida e utilizada para auxiliar ou permitir a solução de certos problemas. Uma área que recebe atenção especial é a de visão computacional, com avanços significativos a cada ano. Entretanto, aplicações embarcadas, visando Edge Computing, IoT, ou similares, que utilizem conceitos de Deep Learning, ainda são limitadas em virtude dos modelos exigirem elevado poder de processamento, alcançando resultados pouco expressivos em aplicações de tempo real. O trabalho toma como objetivo estudar a aplicação de redes neurais convolucionais em aplicações embarcadas, tendo como plataforma o dispositivo Intel Movidius Neural Compute Stick. Tomando como base o dataset Plant Village, composto por folhas de plantas saudáveis ou doentes, é realizada a análise das bibliografias pertinentes e as principais redes de Deep Learning são identificadas. A partir disso, o trabalho se inicia analisando os parâmetros pertinentes resultantes dessas redes, propõem a substituição de modelos de classificação por redes de detecção de características, apresenta um estudo de influência das camadas que compõem o modelo nos resultados de tempo de treinamento, tempo de inferência, consumo energético e acurácia, além de apresentar um método de inferência em dois estágios. Os resultados mostram que a utilização de redes para detecção possibilitam uma significativa redução no tempo de inferência e consumo energético, frente as redes normalmente empregadas. Já a inferência em dois estágios pode gerar ganhos que superam os 90%, dependendo da taxa de detecção positiva.

Abstract : Artificial intelligence has been widely disseminated and used to help or enable the solution of certain problems. One area that receives special attention is the computer vision, with significant advances every year. However, embedded applications, aimed at Edge Computing, IoT, or similar, using concepts of Deep Learning, are still limited because the models require high processing power, reaching poor results in real-time applications. The work aims to study the application of convolutional neural networks in embedded applications, having as platform the device Intel Movidius Neural Compute Stick. Based on the dataset Plant Village, composed of healthy or diseased plant leaves, the relevant bibliographies are analyzed and the main networks of Deep Learning are identified. From this, the work begins by analyzing the pertinent parameters resulting from these networks, proposes the substitution of classification models by networks of detection of characteristics, presents a study of the influence of the layers that make up the model in the results of training time, time of inference, energy consumption and accuracy, as well as presenting a two-stage inference method. The results show that the use of networks for detection allows a significant reduction in the time of inference and energy consumption, compared to the networks normally employed. Two-stage inference can generate gains in excess of 90 %, depending on the positive detection rate.