如何使用 Android Things 和 TensorFlow 在物联网上应用机器学习

如何使用 Android Things 和 TensorFlow 在物联网上应用机器学习 | Linux 中国

2018 年 8 月 2 日 Linux中国

致谢

编译自　|　
https://www.survivingwithandroid.com/2018/03/apply-machine-learning-iot-using-android-things-tensorflow.html
　作者　|　Francesco Azzola
　译者　|　qhwdw 共计翻译：140 篇贡献时间：270 天

探索如何将 Android Things 与 Tensorflow 集成起来，以及如何应用机器学习到物联网系统上。学习如何在装有 Android Things 的树莓派上使用 Tensorflow 进行图片分类。

这个项目探索了如何将机器学习应用到物联网上。具体来说，物联网平台我们将使用 Android Things，而机器学习引擎我们将使用 Google TensorFlow。

现如今，Android Things 处于名为 Android Things 1.0 的稳定版本，已经可以用在生产系统中了。如你可能已经知道的，树莓派是一个可以支持 Android Things 1.0 做开发和原型设计的平台。本教程将使用 Android Things 1.0 和树莓派，当然，你可以无需修改代码就能换到其它所支持的平台上。这个教程是关于如何将机器学习应用到物联网的，这个物联网平台就是 Android Things Raspberry Pi。

物联网上的机器学习是最热门的话题之一。要给机器学习一个最简单的定义，可能就是维基百科上的定义[1]：

机器学习是计算机科学中，让计算机不需要显式编程就能去“学习”（即，逐步提升在特定任务上的性能）使用数据的一个领域。

换句话说就是，经过训练之后，那怕是它没有针对它们进行特定的编程，这个系统也能够预测结果。另一方面，我们都知道物联网和联网设备的概念。其中前景最看好的领域之一就是如何在物联网上应用机器学习，构建专家系统，这样就能够去开发一个能够“学习”的系统。此外，还可以使用这些知识去控制和管理物理对象。在深入了解 Android Things 的细节之前，你应该先将其安装在你的设备上。如果你是第一次使用 Android Things，你可以阅读一下这篇如何在你的设备上安装 Android Things[2] 的教程。

这里有几个应用机器学习和物联网产生重要价值的领域，以下仅提到了几个有趣的领域，它们是：

◈ 在工业物联网（IIoT）中的预见性维护

◈ 消费物联网中，机器学习可以让设备更智能，它通过调整使设备更适应我们的习惯

在本教程中，我们希望去探索如何使用 Android Things 和 TensorFlow 在物联网上应用机器学习。这个 Adnroid Things 物联网项目的基本想法是，探索如何去构建一个能够识别前方道路上基本形状（比如箭头）并控制其道路方向的无人驾驶汽车。我们已经介绍了如何使用 Android Things 去构建一个无人驾驶汽车[3]，因此，在开始这个项目之前，我们建议你去阅读那个教程。

这个机器学习和物联网项目包含如下的主题：

◈ 如何使用 Docker 配置 TensorFlow 环境

◈ 如何训练 TensorFlow 系统

◈ 如何使用 Android Things 去集成 TensorFlow

◈ 如何使用 TensorFlow 的成果去控制无人驾驶汽车

这个项目起源于 Android Things TensorFlow 图像分类器[4]。

我们开始吧！

如何使用 Tensorflow 图像识别

在开始之前，需要安装和配置 TensorFlow 环境。我不是机器学习方面的专家，因此，我需要找到一些快速而能用的东西，以便我们可以构建 TensorFlow 图像识别器。为此，我们使用 Docker 去运行一个 TensorFlow 镜像。以下是操作步骤：

1、克隆 TensorFlow 仓库：

   
   
     
    
    
      git clone https://github.com/tensorflow/tensorflow.git
    
    
      cd /tensorflow
    
    
      git checkout v1.5.0

2、创建一个目录（/tf-data），它将用于保存这个项目中使用的所有文件。

3、运行 Docker：

   
   
     
    
    
      docker run -it \
    
    
      --volume /tf-data:/tf-data \
    
    
      --volume /tensorflow:/tensorflow \
    
    
      --workdir /tensorflow tensorflow/tensorflow:1.5.0 bash

使用这个命令，我们运行一个交互式 TensorFlow 环境，可以挂载一些在使用项目期间使用的目录。

如何训练 TensorFlow 去识别图像

在 Android Things 系统能够识别图像之前，我们需要去训练 TensorFlow 引擎，以使它能够构建它的模型。为此，我们需要去收集一些图像。正如前面所言，我们需要使用箭头来控制 Android Things 无人驾驶汽车，因此，我们至少要收集四种类型的箭头：

◈ 向上的箭头

◈ 向下的箭头

◈ 向左的箭头

◈ 向右的箭头

为训练这个系统，需要使用这四类不同的图像去创建一个“知识库”。在 /tf-data 目录下创建一个名为 images 的目录，然后在它下面创建如下名字的四个子目录：

◈ up-arrow

◈ down-arrow

◈ left-arrow

◈ right-arrow

现在，我们去找图片。我使用的是 Google 图片搜索，你也可以使用其它的方法。为了简化图片下载过程，你可以安装一个 Chrome 下载插件，这样你只需要点击就可以下载选定的图片。别忘了多下载一些图片，这样训练效果更好，当然，这样创建模型的时间也会相应增加。

扩展阅读

◈ 如何使用 API 去集成 Android Things [5]

◈ 如何与 Firebase 一起使用 Android Things [6]

打开浏览器，开始去查找四种箭头的图片：

TensorFlow image classifier

每个类别我下载了 80 张图片。不用管图片文件的扩展名。

为所有类别的图片做一次如下的操作（在 Docker 界面下）：

   
   
     
    
    
      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

这个过程你需要耐心等待，它需要花费很长时间。结束之后，你将在 /tf-data 目录下发现如下的两个文件：

☉ retrained_graph.pb

☉ retrained_labels.txt

第一个文件包含了 TensorFlow 训练过程产生的结果模型，而第二个文件包含了我们的四个图片类相关的标签。

如何测试 Tensorflow 模型

如果你想去测试这个模型，去验证它是否能按预期工作，你可以使用如下的命令：

   
   
     
    
    
      python scripts.label_image \
    
    
      --graph=/tf-data/retrained-graph.pb \
    
    
      --image=/tf-data/images/[category]/[image_name.jpg]

优化模型

在 Android Things 项目中使用我们的 TensorFlow 模型之前，需要去优化它：

   
   
     
    
    
      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"

那个就是我们全部的模型。我们将使用这个模型，把 TensorFlow 与 Android Things 集成到一起，在物联网或者更多任务上应用机器学习。目标是使用 Android Things 应用程序智能识别箭头图片，并反应到接下来的无人驾驶汽车的方向控制上。

如果你想去了解关于 TensorFlow 以及如何生成模型的更多细节，请查看官方文档以及这篇教程[7]。

如何使用 Android Things 和 TensorFlow 在物联网上应用机器学习

TensorFlow 的数据模型准备就绪之后，我们继续下一步：如何将 Android Things 与 TensorFlow 集成到一起。为此，我们将这个任务分为两步来完成：

☉ 硬件部分，我们将把电机和其它部件连接到 Android Things 开发板上

☉ 实现这个应用程序

Android Things 示意图

在深入到如何连接外围部件之前，先列出在这个 Android Things 项目中使用到的组件清单：

☉ Android Things 开发板（树莓派 3）

☉ 树莓派摄像头

☉ 一个 LED 灯

☉ LN298N 双 H 桥电机驱动模块（连接控制电机）

☉ 一个带两个轮子的无人驾驶汽车底盘

我不再重复如何使用 Android Things 去控制电机[3] 了，因为在以前的文章中已经讲过了。

下面是示意图：

Integrating Android Things with IoT

上图中没有展示摄像头。最终成果如下图：

Integrating Android Things with TensorFlow

使用 TensorFlow 实现 Android Things 应用程序

最后一步是实现 Android Things 应用程序。为此，我们可以复用 Github 上名为 TensorFlow 图片分类器示例[4] 的示例代码。开始之前，先克隆 Github 仓库，这样你就可以修改源代码。

这个 Android Things 应用程序与原始的应用程序是不一样的，因为：

☉ 它不使用按钮去开启摄像头图像捕获

☉ 它使用了不同的模型

☉ 它使用一个闪烁的 LED 灯来提示，摄像头将在 LED 停止闪烁后拍照

☉ 当 TensorFlow 检测到图像时（箭头）它将控制电机。此外，在第 3 步的循环开始之前，它将打开电机 5 秒钟。

为了让 LED 闪烁，使用如下的代码：

   
   
     
    
    
      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 停止闪烁后，应用程序将捕获图片。

现在需要去关心如何根据检测到的图片去控制电机。修改这个方法：

   
   
     
    
    
      @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() &lt; 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();
    
    
      }

在这个方法中，当 TensorFlow 返回捕获的图片匹配到的可能的标签之后，应用程序将比较这个结果与可能的方向，并因此来控制电机。

最后，将去使用前面创建的模型了。拷贝 assets 文件夹下的 opt_graph.pb 和 reatrained_labels.txt 去替换现在的文件。

打开 Helper.java 并修改如下的行：

   
   
     
    
    
      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";