一.项目介绍  

1.M5Stack UnitV2模块硬件：

引用官方介绍:UnitV2是M5Stack一款AI识别模块,采用Sigmstar SSD202D，集成128MB-DDR3内存，512MB NAND Flash, 1080P摄像头，内嵌Linux系统，实物本体很小巧，不到一指长，内部SOC采用QFN封装，比BGA封装大一些，摄像头通过USB ISP转换芯片，将MIPI转换为USB信号，转换模块是FPC形式，成本不小。

2.M5Stack UnitV2模块相关软件： 

UnitV2是AI模块，特点是本地AI识别，需要先通过M5Stack官方的V-Traning网站来进行模型学习，该网站操作比较简单，注册后，载入需要识别的模型照片，对每张图片中的待训练目标框出来。

需要注意：（1）尽量选择训练目标和背景对比度强的图片，（2）训练目标需要边缘尽量清晰，（3）识别框因为是矩形，需要尽量贴和训练目标的边缘，（4）有效识别图片需要多于30张，但是不要多于80张，这样会提高模型学习速度，也防止图片过多，出现载入错误，这些坑都是通过多次的训练模型踩过的。

训练模型大概需要10-20分钟，结束后下载.tar格式的文件待用。

因为UnitV2没有Display，需要通过Type-C USB连接到PC，网页打开Unit V2的识别界面。

此处注意别踩坑：（1）先接上UnitV2模块，等待约30s后再打开网页（此时摄像头Linux系统在开机初始化，等红灯亮后约10S再打开网页）。（2）打开网页后，选择Object Recongnition选项，再点击训练模型列表下方的add，添加.tar文件后，点击所选择模型前的‘V’，再点击run来载入，才能使用到需要的模型。（3）如果使用识别功能，尽量用支架固定UnitV2，镜头晃动对识别率有不小的影响。（4）识别时的环境光照需要跟训练模型时的环境光照尽量保持一致。

二.开发思路和过程  

此次活动我选取了任务2：通过图像识别，来甄别流水线的异常品，发现异常品后记录。

以下对本次任务进行分解：

第一步：熟悉UnitV2模块。

主要通过活动页面的链接，到M5Stack官网学习UnitV2软硬件和使用方法等。

第二步：分解需求

1.图像识别：

此处具体操作参考上面对UnitV2软件介绍的部分即可。训练模型之前没用过，官网说明比较简单，多花费了约一周时间来摸索。不过由此对AI模型的训练有一个清晰的认识，跟Funpack9中训练模型很类似，也很高兴国内能有这类的训练模型，不需要科学上网。

2.甄别不良品并保存记录：

此处可以通过自己编写程序抓取网页中的数据，奈何python没用过，在努力学习尝试大半个月后发现此路不通，只能使用现成的软件来抓取网页数据，软件抓取网页的操作和编写的程序类似，选取网页上特定的区域，自动抓取并保存到本地。建议大家如果有编程基础，还是用python/C/JAVA等来实现，可以定制自己的需求。

第三步：实现和调试

需要调试的部分：

（1）训练模型时的环境光照需要和实际使用的场景相近，在视频中有演示，训练模型时灯光较好，但实际使用时，灯光不好了，就会出现误识别，这种情况可通过增加训练模型数量来解决。

（2）在抓取网页数据时，需要确认好网页数据输出的位置，如果通过python等自己编写程序，需要通过浏览器的“开发者工具”在网页中找到对应的关键字，并在程序中抓取关键字，识别结果输出是JSON格式，本次使用抓取网页软件情况如下：

第四步：演示效果  

如下面的图，识别结果显示出不同的物品出现各自对应的描述。

在保存下来的本地文件中，也有对应的不同物品不同描述，选取了13条识别结果。

三.活动总结，一些感想

本次活动，学习了怎样操作训练AI模型，见到了AI识别的强大能力，初步学习了python，虽然没采用，但是后续会继续学习，直到能用python实现这次活动的各项要求。

最后，对电子森林，硬禾学堂表示感谢，提供这次体验的机会！