Ce diaporama a bien été signalé.
Nous utilisons votre profil LinkedIn et vos données d’activité pour vous proposer des publicités personnalisées et pertinentes. Vous pouvez changer vos préférences de publicités à tout moment.

IoTとDeep Learningで自宅警備員を育ててみる

22 239 vues

Publié le

AITCオープンラボ 第5回IoT勉強会~人工知能xIoT~
「IoTとDeep Learningで
自宅警備員を育ててみる」の資料です

Publié dans : Technologie
  • Soyez le premier à commenter

IoTとDeep Learningで自宅警備員を育ててみる

  1. 1. AITCオープンラボ 第5回IoT勉強会~人工知能xIoT~
 IoTとDeep Learningで 自宅警備員を育ててみる 1 2015/06/18
  2. 2. 自己紹介 2 •菅井康之      •株式会社イーグル所属 •AITCクラウドテクノロジー活用部会 サブリーダー https://www.facebook.com/yasuyuki.sugai よろしくお願いしまーす ※この資料の内容は、 個人の見解です 人工知能的なことは門外漢
  3. 3. - プロローグ - 3
  4. 4. 理解力の乏しいわたしは、世間で 持て囃されているDeep Learningに 全く付いていけていませんでした。 4 マジムリ。。 才能ない。。
  5. 5. 今回のテーマがAIxIoTということなので 自分の触ったことしか話せないわたしは とりあえずなんか作ってみることにしました 5 色々やってきたけど 今回はハードル高いな。。。
  6. 6. 今日のお話 6
  7. 7. 今日のお話の流れ・・・ • こんなん作ってみました編 ←前振り – 家族を認識させよう – 在宅?留守?を認識させよう – 留守中の訪問を認識させよう – (おまけ)今日の天気を喋らせよう • こんな風に作ってみました編 ←メイン – : 7 以上、2本でお送りしまーす
  8. 8. 今日お話しないこと・・・ • Deep LearningやIoTってなんぞや? – わたしが説明できないので – 時間の都合により・・・ – 数式とかも出てきません • 何も無いのも寂しいので、過去のクラウド部会で
 開催したニューラルネットワーク勉強会の資料を
 (人のだけど勝手に)置いときます 8 何度も 読み返してます http://www.slideshare.net/kzokm/ss-41622970
  9. 9. こんなん作ってみました編 9
  10. 10. 人工知能=ロボットと安易に結びつけた わたしは、IoTとDeep Learningの力を
 駆使して、立派な自宅警備員を育てる ことを決意しました 10 ロボットはロマン
  11. 11. 育てる上で、二つのことを肝に銘じます 11 少しずつ学んでいきましょう • 多くを求めすぎない • 人見知りするので、他人との
 コミュニケーションは諦める
  12. 12. 今回使用したロボット 12 http://www.rapiro.com
  13. 13. 13 http://www.rapiro.com ロボット(Rapiro)は頭部に Raspberry Pi2(OS:Linux)を 搭載して動作させています ちなみに・・・
  14. 14. こんなん作ってみました編 ①家族を認識させよう 14
  15. 15. 自宅警備員たるもの、家族の協力が 無いと生きていけません 家族と家族以外の人を区別できるよう、 訓練します 15 基本的には全部教師ありの 学習となります
  16. 16. どうやって家族を識別するか? 16 • Rapiroの前面にカメラを配置し、画像撮影 • 事前に学習したモデルと画像を用いて分類 – 特定の人物の顔 – それ以外の顔 カメラ
  17. 17. 顔の区別ができるようになったら、 玄関付近で人の顔を監視させ、 家族以外の顔を検知した場合に メールで通報させることにしました 17 自宅警備員の本領発揮ですね
  18. 18. 18 • 家族を検知した場合 • 家族以外を検知した場合 ど、どちらさまですか? とりあえず通報しました 写真付きで メール送信 おかえりなさいませ、 ご主人様💕
  19. 19. こんなん作ってみました編 ②在宅?留守?を認識させよう 19
  20. 20. 調子にのって顔の検知をするのですが、、 結果、煩わしい →留守の時だけ検知するようにします  (留守から復帰後の初回のみ) 20 • 付近を通るたびに検知される • 知ってる人や来訪者には失礼 – お客さんを迎えたり・・・ – 配達で届けてもらったり・・・
  21. 21. どうやって在宅/留守を認識するか? 21 • 玄関の扉にセンサーを設置 – 加速度センサー – 人感センサー • センサーの値の変化から、人が外に出たのか
 入って来たのかを判定 – 在宅 • まだ外に出ていない人がいる • 外から入ってきた人がいる – 留守 • 全員が外に出た
  22. 22. こんなん作ってみました編 ③留守中の訪問を認識させよう 22
  23. 23. 在宅か留守かが認識できるように なったので、留守中の訪問を通知して もらうようにします。 (人見知りなので、応対は無理) ここでは、二つの違いを識別できる ようにします 23 • マンションのエントランスからの訪問 • 玄関先まで来ている訪問
  24. 24. どうやって場所を判別するか? 24 • 音センサーを設置 • ブザーの鳴り方が異なるため、その違いから判定 • 結果はメールで通知
  25. 25. こんなん作ってみました編 ④今日の天気を喋らせよう 25
  26. 26. 在宅が分かり、かつ玄関付近に人が 来ることを検知できるようになったため、 朝の通勤時間に今日の天気を教えて もらいます。(朝は忙しいので2倍速で) 夜や夕方に雨が降りそうな場合は、 聞かなくてもわかるよう視覚的に 教えてもらいます。 26
  27. 27. どうやるか? 27 • 気象庁の公開データから府県天気概況を取得 • 天気は合成音声で通知 • 視覚的な表現はRapiroのLEDの色変化で通知 RGBフルカラー
  28. 28. こんな風に作ってみました編 28
  29. 29. こんな風に作ってみました編 ①家族を認識させよう 29
  30. 30. 概要 30 • 画像の分類、識別にDeep Learning – 画像からの特徴量抽出が最大の魅力 • Deep LearningのライブラリにはCaffeを採用 – 画像分類の分野では一番話に聞くので – GPUでもCPUでも動作 – サンプルやドキュメントが充実 • 課題 – Caffeの動作環境の準備 – 学習用の画像データの用意
  31. 31. 課題① Caffeの動作環境の準備 31 • Caffeのセットアップは大変と聞くけど。特にCUDA周り。 – 最近ではCaffeが動作する環境が公開されているので、
 比較的楽チンに • Docker • AWSのAMI • GPU環境なんて持ち合わせてないんですけど。 – CPUでも動作するけど、学習時間を考えるとGPUがオススメ – AWSのGPUインスタンスを使おう • GPUインスタンスってお高いんでしょ。 – スポットインスタンスで節約 – バージニア州だと、1時間$0.1くらいあれば大体いける
  32. 32. 余談① 32 Deep Learningで GPUの利用が急増? (日本のみ・・・)
  33. 33. 余談② 33 二日かけてまわしていた パラメータチューニングが・・・
  34. 34. スポットインスタンスの ご利用は計画的に・・・ ケチりすぎるのもダメ。。。
  35. 35. 課題② 学習用の画像の用意 35 • Deep Learningでは大量の画像が必要って
 聞くけど・・・ – 学習用データ超重要 – ここのデータの精度で学習結果に如実に影響が • 今回のデータの準備は・・・ – 家族の顔写真の用意 • OpenCVで5日間に分けて一人あたり3千枚生成 • パソコンの前にいると勝手に撮影 • 流出すると変質者と思われるぐらいの量。。。
 (しかも全部自分の画像。。。) – 家族以外の顔写真 • LFWのデータを利用
  36. 36. LFW (Labeled Face in the Wild) http://vis-www.cs.umass.edu/lfw/ • 研究用に作成された、著名人がラベル付けされた画像集 – 1万枚以上の画像が収録 – 一人あたりの画像枚数は少なめ • 今回の使い方 – ラベルは考慮しない – 画像の質を重視してスクリーニング – ある程度のグループに分類(機械的に+最後は人力) – 最終的に秘伝のタレみたいな状態に。。 36 選ばれる人の基準が よくわからん・・・
  37. 37. • 何を変えるとどう変わるかが全く予測できない・・ – ただの知識不足という噂も – いくつか用意されているモデルのパラメータを参考に
 • 進化的アルゴリズム – こちらも過去のクラウド部会で開催した
 進化的アルゴリズム勉強会の資料を
       (人のだけど勝手に)置いときます パラメータチューニング 何度も(ry http://www.slideshare.net/kzokm/genetic-algorithm-41617242
  38. 38. 余談③ 38 ただこれが言いたかっただけです。。。 Pythonの進化的アルゴリズムの ライブラリも「DEAP」 deep x deap!!
  39. 39. • 40,000回の試行で93.04%の精度となった – AWS g2.2xlargeインスタンスで2時間程度 – 10,000回あたりで収束? 学習結果 39
  40. 40. • 学習には時間がかかるけど、学習モデルを
 使った評価は早い – CPUで十分な速度(CPUでも一枚の画像を数秒で分類) – GPUで学習モデルを作成し、評価はCPUで行うと
 お財布にも優しい • 分類の精度は学習用データによるところが大きい – テスト精度が99%まで行っても、新しいデータが軒並み
 誤判定だったり – 過学習っぽい感じ – LFWの画像増やすとそっちに持ってかれたり、比率も重要 学習モデルの利用
  41. 41. ざっくりの構成 41 • 一通りの検証を終えるまでの
 AWS費用は300円位でした 画像分類用の簡単な Webインタフェースを構築
  42. 42. こんな風に作ってみました編 ②在宅?留守?を認識させよう 42
  43. 43. 概要 43 • センサーデータから実環境の状況把握 – 今回は加速度センサーと人感センサーを利用 • センサーとRapiro間は無線通信 – 配置場所の制約から逃れる – Zigbee通信で近距離無線通信 • 課題 – 入室と退室をどうやって判別するか
  44. 44. センサーの構成 44 人感センサー 加速度センサー Arduino Zigbeeモジュール
  45. 45. 課題① 入室と退室をどうやって判別 45 • まずは測定してプロットしてみる – 特徴や分散、相関や偏りから考える 人感センサー 加速度センサー 退室 入室 加速度センサーよりも前に人感センサーが 反応しているか否かの違いが見受けらる
  46. 46. 46 • 二つのセンサーの値変化の関係性から、
 判別ができそう • けどそのまま判別しても面白くない、、、
 IoTとDeep Learningを組み合わせてみたい • センサーデータは時系列となる事が多いので
 時系列データの波形を特徴量として。。。 数列として扱うのではなく、 グラフを画像化して画像識別で いけるんじゃね?
  47. 47. センサーデータとDeep Learning 47 • Deep Learningで時系列データのグラフから
 特徴量の抽出、分類を行う – 数列から特徴量を抽出して分類するのは結構大変 • グラフの波形が同じようになるよう前処理は必要 – 間隔の均一、階差、補間、移動平均などを施したり – 線だけでなく、面で表現することで特徴量を認識しやすく – 部分的にデータ抽出するところにはルール化が必要になる – 顔識別と同様に、ここの出来が悪いと結果にも影響 • 学習用データの準備 – 基は数列なので、いくらでもデータは増やせる – ノイズを加えたり画像の水増しもお茶の子さいさい
  48. 48. 結果、時系列データの波長形状からの 分類ができちゃいました 48 簡単に出来すぎて なんだか怖い。。。 • 時代はグラフで如何に特徴量を
 出すかに突入?
  49. 49. こんな風に作ってみました編 ③留守中の訪問を認識させよう 49
  50. 50. 50 玄関 エントランス ②と大体同じような 話になるので割愛 時間もないし。。。 同じ時間軸で比較 音センサーが反応している 時間の長さに違いが 見受けられる
  51. 51. こんな風に作ってみました編 ④今日の天気を喋らせよう 51
  52. 52. 気象庁XML用API (クラウド部会で公開中) http://api.aitc.jp/ 52
  53. 53. 53この部分を使用 府県天気概況のXML
  54. 54. 夕方か夜に雨が降りそうの判定 54 • ある日の天気概況 • 夕方や夜などの単語の後で、近い距離に雨を 表す単語が現れるかで判定 • IoTもDeep Learningも機械学習も
 関係ないのであくまでおまけ・・・ 15日は、晴れますが夕方から雲が広がり、雨や雷雨となる所があるでしょ う。東京都では高温が予想されます。熱中症などの健康管理に注意してくだ さい。16日は、曇りで昼過ぎ一時雨の見込みです。
  55. 55. デモ(時間があれば・・・) 55
  56. 56. まとめ(というか感想) 56
  57. 57. 今日お話しした内容をざっくり纏めると Deep Learningの特徴量抽出技術を IoTでよくあるシチュエーションに 適用してみたというお話でした。 ・生活動向のセンシング ・パターン検出時のアラート 57
  58. 58. ロボットということもあってか 本当に賢くなっているような 感覚が味わえました(小並感) 58
  59. 59. そしてあらためて・・・ 59
  60. 60. 人間の特徴量抽出力って半端ない 60
  61. 61. fin... 61

×