一种基于AIot和TinyML技术进行情绪分析和食品推荐的方法
技术领域
本发明涉及一种基于AIot和TinyML技术进行情绪分析和食品推荐的方法，属于物联网
技术领域
。背景技术
人工智能（AI）和物联网（IoT）是计算机科学中的流行领域。 AIoT将AI和IoT融合在一起，从而将AI应用于IoT。 当对“事物”进行编程并将其连接到网络时，物联网就形成了。但是，当这些物联网系统能够在无需人工干预的情况下分析数据并具有决策潜力时，就可以实现AIoT。 人工智能通过决策和机器学习为物联网提供动力，物联网通过数据交换和连接性为人工智能提供动力。然后将大重量的人工智能模型通过TinyML（轻量化机器学习）技术进行模型轻量化，以便于可以部署到算力有限的开发板上面， 借助AI的大脑、IoT的身体和TinyML的轻量化，这些系统可以提高效率，提高性能并提高通用性。
当前健康生活越来越被得到关注，心理健康是健康生活的基础，食物可以调节人的心情，合理的饮食可以使人保持心理健康，目前缺乏一种可以智能判断人的情绪状况并推荐改善心情食物的方法。
发明内容
本发明目的是提供了一种基于AIot和TinyML技术进行情绪分析和食品推荐的方法，可以通过图像处理分析出人的情绪状态，并推荐改善情绪的食品。
本发明为实现上述目的，通过以下技术方案实现：
一种基于AIot和TinyML技术进行情绪分析和食品推荐的方法，包括以下步骤，
步骤1：根据不同情绪的图像数据进行分类，然后对应不同情绪标记可以改善情绪的食物；
步骤2：将不同情绪的图像数据集和分别对应的改善情绪的食物利用深度学习框架进行模型的训练，得到模型文件；
步骤3：得到的模型进行TFLite格式的转换，然后再将TFLite格式的模型进行二进制格式的模型固化，转换为.cpp的二进制模型文件和.h的模型头文件；
步骤4：根据不同的端设备的MCU开发板进行模型的部署和推理；
步骤5：根据端设备捕捉到的用户的表情去进行适合的食物的推荐。
优选的，所述步骤2中模型训练的具体步骤如下：收集不同情绪的数据集，然后通过卷积神经网络进行训练。
优选的，所述步骤2中模型训练的具体步骤如下：收集不同情绪的数据集，然后通过分类模型进行训练，所述分类模型有感知机、回归、支持向量机。
本发明的优点在于：可以根据不同情绪的人去推荐不同类型的食物，并且利用TinyML技术进行模型轻量化，最后将模型部署到算力有限的端设备上进行推理，降低了使用成本。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明基于情绪分析的食品推荐应用的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了本发明是一种基于AIot（人工智能物联网）和TinyML（轻量化机器学习）技术进行情绪分析和食品推荐的方法，通过深度学习的模型训练和TinyML的模型轻量化，部署到算力有限的微型控制器设备上，然后利用图像传感器进行用户表情的捕捉，最后在微控制器单元根据捕捉到的表情进行食物的推荐的推理。其中传感器进行数据的捕捉，然后模型的推理完全在微型控制器设备端，即使不能连接到网络，设备依旧可以就行图像的捕捉和情感的分析和推理。
包括以下步骤，
步骤1：根据不同情绪的图像数据进行分类，例如喜、怒、哀、乐。然后对应不同情绪标记可以改善情绪的食物。
步骤2：将不同情绪的图像数据集和分别对应的改善情绪的食物利用深度学习框架（Tensorflow）进行模型的训练。首要要收集不同情绪的数据集，然后通过分类模型，例如感知机，回归，支持向量机等方法进行训练，或者利用卷积神经网络进行训练。最后会得到一个模型文件。
步骤3：得到的模型进行TFLite格式的转换，然后再将TFLite格式的模型进行二进制格式的模型固化，转换为.cpp的二进制模型文件和.h的模型头文件。
步骤4：根据不同的端设备的MCU开发板进行模型的部署和推理
步骤5：根据端设备捕捉到的用户的表情去进行适合的食物的推荐。
- 上一篇：石墨接头机器人自动装卡簧、装栓机
- 下一篇：标签抽取方法、装置、设备及存储介质
