基于嵌入式深度学习的工业包装监控加速度计数据事件分类
机器学习
2025-06-09 v1 人工智能
摘要
包装监控是工业应用中的重要议题，对 operational efficiency 和生态可持续性具有重大意义。本研究提出了一种方法，采用嵌入式系统放置于可重复使用的包装上，以检测其状态（在叉车上、在卡车内或在不可确定的位置）。我们的目标是设计一个可持续数年的系统，对应于可重复包装的寿命。我们的分析表明，最大化设备寿命需要最小化唤醒时间。我们提出了一个包括数据处理、训练和评估深度学习模型的管道，用于处理来自嵌入式传感器的不平衡、多类时间序列数据。该方法使用一种一维卷积神经网络架构来分类来自IoT设备的加速度计数据。在训练之前，测试了两种数据增强技术来解决数据集的不平衡问题：合成少数过采样技术( Synthetic Minority Oversampling TEchnique)和自适应合成采样方法。训练后，实施压缩技术以获得小型模型。在考虑的二分类问题上，该方法在第一个类别上实现了94.54%的精度，在第二个类别上实现了95.83%的精度，而压缩技术将模型大小缩小为原来的四分之一。将训练好的模型部署在IoT设备上后，它在推理期间的功耗为316 mW。
引用
@article{arxiv.2506.05435,
title = {Event Classification of Accelerometer Data for Industrial Package Monitoring with Embedded Deep Learning},
author = {Manon Renault and Hamoud Younes and Hugo Tessier and Ronan Le Roy and Bastien Pasdeloup and Mathieu Léonardon},
journal= {arXiv preprint arXiv:2506.05435},
year = {2025}
}