食物识别可用于广泛的应用，如家电（智能冰箱、微波炉）、餐厅、医院，或用于食品工业中。 基于FD-MobileNet模型，应用可以识别18种不同类型的食物和饮料，包括披萨、啤酒、薯条等等。
方法
- 我们使用一个摄像头模块（B-CAMS-OMV）来捕捉场景
- 我们选择了一个预先训练好的 FD-Mobilenet NN 模型来进行食物识别
- 该模型已集成在功能包 FP-AI-VISION1 中（为 STM32H747 探索套件制作）
- 然后使用 STM32Cube.AI 对该模型进行了优化。
- 我们选择了一个预先训练好的 FD-Mobilenet NN 模型来进行食物识别
- 该模型已集成在功能包 FP-AI-VISION1 中（为 STM32H747 探索套件制作）
- 然后使用 STM32Cube.AI 对该模型进行了优化。
传感器
视觉：相机模块捆绑包（参考： B-CAMS-OMV）
数据
数据格式
- 18 个类别："苹果派"、"啤酒"、"凯撒沙拉"、"卡布奇诺"、"芝士蛋糕"、"鸡翅"、"巧克力蛋糕"、"可乐"、"杯子蛋糕"、"甜甜圈"、"薯条"、"汉堡"、"热狗"、"千层面"、"比萨"、"意大利调味饭"、"肉酱意面"、"牛排"
- RGB 彩色图像
- 18 个类别："苹果派"、"啤酒"、"凯撒沙拉"、"卡布奇诺"、"芝士蛋糕"、"鸡翅"、"巧克力蛋糕"、"可乐"、"杯子蛋糕"、"甜甜圈"、"薯条"、"汉堡"、"热狗"、"千层面"、"比萨"、"意大利调味饭"、"肉酱意面"、"牛排"
- RGB 彩色图像
结果
我们提供两种不同的网络，它们在推理时间和准确率之间实现了特定的平衡。
模型：“标准”量化卷积神经网络
输入大小：224x224x3
内存占用：
132 KB闪存 ，用于权重
148 KB RAM，用于激活
准确率： 72.8%
STM32H747（高功能）上的性能 @ 400 MHz
推断时间： 79 ms
帧频： 11.8 帧/秒
模型：“优化”的量化卷积神经网络
输入大小：224x224x3
内存占用：
148 KB闪存 ，用于权重
199 KB RAM，用于激活
准确率： 77,5%
在 STM32H747（高功能）上的性能 @ 400 MHz
推理时间： 145 毫秒
帧频： 6.6 帧/秒
食品识别示例的板载验证信息摘要
资源 ![STM32Cube.AI]()
![STM32Cube.AI]()
![STM32H7系列]()
![STM32H7系列]()
优化工具 STM32Cube.AI
X-CUBE-AI是一个免费的STM32Cube扩展包，可帮助开发人员将预训练的AI算法（例如神经网络和机器学习模型）自动转换为经过优化的STM32 C代码。
兼容 STM32H7系列
STM32系列32位微控制器基于Arm Cortex®-M处理器，旨在为MCU用户提供新的开发自由度。它包括一系列产品，集高性能、实时功能、数字信号处理、低功耗/低电压操作、连接性等特性于一身，同时还保持了集成度高和易于开发的特点。