63、机器学习在触觉模态分类与风力发电机叶片结冰检测中的应用

机器学习在触觉模态分类与风力发电机叶片结冰检测中的应用

1. TinyCNN在触觉模态分类中的应用

1.1 能耗计算

TinyCNN的能耗计算方式为 (E = P × T)，其中 (P) 是功耗，(T) 是延迟时间。功耗 (P = V × I)，平均电流和电压值由STM32CubeIDE提供。

1.2 性能对比

与现有解决触觉模态分类任务的方案相比，TinyCNN展现出了卓越的性能。以下是不同机器学习算法的性能对比：
|算法|参数数量|kFLOPS|平均准确率(%)|
| ---- | ---- | ---- | ---- |
|RLS|–|–|73.7|
|SVM|67.2K|545K|71|
|LSTM|1113|23.6|74.51|
|GRU - 10|843|17.82|73.1|
|GRU - 12|1083|23.6|73.43|
|1D - CNN|1963|530K|79.78|
|TinyCNN|698|13.2|81.5|

从表格中可以看出，TinyCNN在参数数量和FLOPS方面有显著减少，同时平均准确率达到了81.5%，相比其他算法有一定提升。

1.3 部署情况

TinyCNN已部署在STM32 H743ZI2 MCU上，它仅需2.73 KB用于模型参数，320字节用于输出激活。这种设计允许将模型分配到RAM中，显著加速推理过程。在3V电源下，输入触摸可在0.5 ms内完成分类，能耗仅为65.36 µJ。

1.4 不同嵌入式ML算法的适用性