体态识别算法在 Android 端部署实例

背景介绍

  随着软硬件技术的发展，智能穿戴式设备逐渐从概念走向商用化。在过去几年内，Google、Apple以及Sony等科技公司在体积、功耗控制以及成本等方面做得越来越好，推出了一大批可穿戴产品，具有代表性的成果有：1. 智能手环：产品具备运动监测、睡眠监测、心率测量以及震动唤醒等功能；2. 智能眼镜：广泛应用于VR、AR领域。

  近来，在哔哩哔哩上看到一个很有趣的成果：项目中将陀螺仪集成到狗狗衣服内，后续通过无线的方式将关节数据传输给手机APP，在手机端通过人工智能算法识别狗的运动状态，并且通过three.js将结果进行可视化。整个项目主要包含硬件和软件两部分，其中硬件部分主要是对传感器的输出信号进行采集，前期文章中具有详细描述，具体可以参考：数据采集版以及血压信号采集等；近来，想要在软件方面做一些初期工作，将深度学习模型集成到Android 端，具体过程如下所示：

图1 体态识别算法的应用实例

  附1、不管是现阶段非常火的机器学习，还是研究生阶段从事的有限元模拟，其本质都是如何利用数据，让数据发挥应有的价值。

系统框架

  前期推文中详细介绍了体态识别算法的原理、模型的训练过程以及算法的应用实例等，然而如何将模型部署到手机端是一个亟待解决的问题。调研发现，项目实施过程主要包含：1. 将现有的checkpoints模型文件转化为 .tflite文件；2. 在 Android 端加载 .tflite文件，具体过程如下所示：

图2 体态识别算法在Android 端部署实例

深度学习模型格式转化

  预想中这部分应该没有任何难度，通过几行代码就能实现模型格式转化，奈何实际执行过程中一直报错，显示找不到相应的库函数，场面一度极为尴尬。因为环境问题折腾了大半天，最后将tensorflow升级到1-14版本，成功解决该问题（在此记录一波，希望大家能够少走弯路）~

converter = tf.compat.v1.lite.TFLiteConverter.from_session(sess, [X], [y_pred_softmax])
tflite_model = converter.convert()
open("converted_model.tflite", "wb").write(tflite_model)

程序运行后能够自动输出 .tflite文件，具体如图3所示：

图3 模型转换结果文件

深度学习模型在Android 端的部署

  近来在同学小A的帮组下，将深度学习模型部署在Android studio 内，我们通过调用 'org.tensorflow : tensorflow - lite- support:0.1.0’实现 .tflite 模型的加载，后续编写数据接口函数，对硬件端传输的数据进行解算，并作为输入参数传递给深度学习模型，图4展示了模型的预测结果（与Linux端部署完全一致）。

图4 深度学习在Linux端部署时的预测结果

项目中用到的程序代码为：

val outputs = model.process(inputFeature0)
            val resultByteBuffer = outputs.outputFeature0AsTensorBuffer.buffer
            val arr = ByteArray(resultByteBuffer.limit())
            resultByteBuffer.position(0)
            resultByteBuffer.get(arr, 0, arr.size)
            findViewById<TextView>(R.id.tv_result).apply {
                text = "原始数据: ${arr.contentToString()}\n解析数据: ${Utils.byteArrayToFloatArray(arr).contentToString()}"
            }
            model.close()