基于Qt与Arm NN的嵌入式喷码检测系统设计与实现
发布时间：2021-01-24 00:52
现存的喷码检测系统大多基于工控PC电脑实现,其在价格、体积、功耗、灵活性等方面存在着较大的局限性。为此,设计了一种基于Qt与Arm NN的嵌入式喷码检测系统,该系统的核心处理器采用Arm cortex-a9,搭载配置有相关软件工具的嵌入式linux操作系统,采用位置检测算法来实现软件检测待测目标的位置,通过由图像预处理、喷码区域提取、条形码识别、字符子串分割、基于卷积神经网络及caffe框架的喷码字符识别模型训练、利用Arm NN将识别模型引入到ARM端实现喷码字符识别、识别结果处理等过程组成的喷码检测算法来实现对喷码内容的检测。该系统还基于Qt多线程技术开发了具有完善系统功能的图形应用程序,便于现场生产人员使用。经相关测试表明该系统有效可行、正检率高,能够满足包装生产流水线喷码检测的实际需求。
【文章来源】：计算技术与自动化. 2020,39(01)
【文章页数】：7 页
【部分图文】：
图９?Ｑｔ多线程雇满程序揚．．构??４系统功能实现及应用测试??
／２ｉ，?５／２ｉ］…［２ｉ－３／??２ｉ?ｔ２ｉ－ｌ／２ｉ博区间内分别寻找该Ｋ间内列黑像素数??点和最少的列，将其视作Ｋ间内相邻粘连字翁的＃??际分割列ｔ再使用Ｈ０Ｉ提取实际分割区域以聱成??分割《效果如西６（ｂ）所示。??２０１８１１０９??ｆ＿ａ）喷码手串的全局与局部自ｉｉｓ应二值：化数幕??６３１８０６１２１??（ｂ．）粘连．喷码子串分割錄＊??图６字符子＿分爾??３．２．２．４喷瑪字符识别模型训鍊??在大量生产的过程中，、难免地会产生规整性较??產的喷码字符，如图７．所示。??图７规整性翁差的喷码專符??相对于传统机器学习，卷积神齄网络不＿手??动或使用特征提取算法来进行特征提取，而是趙多??个不词的卷积核在训练阶段就完成了特征提取及??抽象。此外■，由于其采用了局部连接、权值共享、下??采样层等能大幅降低参数总量的特性，能够在参数??量可接受的情况下加＇深网络层数，使得网络整体的??表达能力更强，实现更好的孛习效果。Ｌｅ％ｔ基一??种经典的卷积神经网络结构，Ｓ麗在手写数字数??据集Ｍｎｉｓｔ上取得的优异的识别效果，所以我们祖??Ｉｅａｅｔ－５网络的義上作出调整＿于喷码字符的??识别：根据分割后喷码字符的纵横比，将输入层数??据尺寸改为３２＊?１６ａ这样可以减少形变丢失特征信??皋也减少了参数量＊加快了网路训练及推理的速??度ｐ此外，池化屢的池化方式改掲最大值池化，激活??函数改用ＰＲｅＬＵ?—函数，输出层的分类器改用??Ｓｔｒｆｔｎｉａｓｒ：厲處＿．分类＿難。调整后ｌｅｕｅｆ网络．结：物如虜??８．所示。寬中，由于标准ＲＥＬＵ函数在讽绿过釋中??可能出现部分神经元＂坏死”现象，ＰＲｅ
出ｅ??率个检挪“主要用于苹个纸箱检测、自动检测模??式下的遗漏复检、检测本地纸箱喷码懷片等需求，??查询模块分为属性查询与统计查询．系统会将??毎次识别的纸箱信息自动保存到本地数据库。属性??查宽胺照检测日期、纸箱序列号、检测编号、型号容??量、是否成功等属性来查询某条检测记录。如图所??示ａ而统计查询可以进行设定首尾０期内的检测的??成功率，着号、容曇检测数奮的统计＿??调试稹块可以实时显示检侧算法各步骤运行??的结果以及对一ｇ步骤的参数进行调整。系统整体??的软件功如图１０所示。??图１０系统软件功能图??４．２系统应用测试??分别在６组不同．型号、容瀵的包装纸箱进行生??产时，调：节好对应的相机距离ｔ让系统进人自动检??测模式进行持续麵试，当系统识别异常报警ｆｔ进??行人工复检，确认该纸箱喷码是否喷印异常Ｖ最后??依据公式（５）统计得出系统的正检率。统计结果如??讓：２所ｓｆ＃??正检率＝（１?－??识别异常－确认异常??检测总数??ｘ?１００％??（５）??测试结果基本达到了系统预设的指标，表明本．??系统＿生产线上运转良好，能实现对多种型号、容??董下的纸箱喷码检测。??表２系统运行正检率??组别??产品??型号??容量??检测??总数??识别??成功??识别??异常??人工确??认异常??雜率??１??５Ｓ１１??５Ｌ??５３５??５２１??１４??５??９８．３％??２??５Ｄ１１??５Ｌ??５３７??５３０??７??３??９９．２％??３??Ｓ１１??１０Ｌ??４１８??４１２??９??３??９８．５％??４??Ｄ１１??１０Ｌ??４０２??３９６??６??１??９８．７％??
【参考文献】：
期刊论文
[1]基于Caffe深度学习框架的车牌数字字符识别算法研究[J]. 欧先锋,向灿群,郭龙源,涂兵,吴健辉,张国云. 四川大学学报(自然科学版). 2017(05)
[2]基于深度卷积神经网络的图像检索算法研究[J]. 刘海龙,李宝安,吕学强,黄跃. 计算机应用研究. 2017(12)
[3]基于Zbar条形码图像识别的实现[J]. 吴兆林. 数字技术与应用. 2016(08)
[4]基于ARM920T的嵌入式图像处理平台搭建及应用[J]. 姚宇乐,陈强,张九卫,徐晨峰. 计算机系统应用. 2016(07)
[5]基于机器视觉的宽厚板喷码自动识别系统[J]. 李潘,吴少波,王丽娜,潘秋娟. 冶金自动化. 2013(04)
硕士论文
[1]车牌识别算法及其在QT平台上的实现[D]. 张庆.北方工业大学 2017
本文编号：2996243
【文章来源】：计算技术与自动化. 2020,39(01)
【文章页数】：7 页
【部分图文】：
图９?Ｑｔ多线程雇满程序揚．．构??４系统功能实现及应用测试??
／２ｉ，?５／２ｉ］…［２ｉ－３／??２ｉ?ｔ２ｉ－ｌ／２ｉ博区间内分别寻找该Ｋ间内列黑像素数??点和最少的列，将其视作Ｋ间内相邻粘连字翁的＃??际分割列ｔ再使用Ｈ０Ｉ提取实际分割区域以聱成??分割《效果如西６（ｂ）所示。??２０１８１１０９??ｆ＿ａ）喷码手串的全局与局部自ｉｉｓ应二值：化数幕??６３１８０６１２１??（ｂ．）粘连．喷码子串分割錄＊??图６字符子＿分爾??３．２．２．４喷瑪字符识别模型训鍊??在大量生产的过程中，、难免地会产生规整性较??產的喷码字符，如图７．所示。??图７规整性翁差的喷码專符??相对于传统机器学习，卷积神齄网络不＿手??动或使用特征提取算法来进行特征提取，而是趙多??个不词的卷积核在训练阶段就完成了特征提取及??抽象。此外■，由于其采用了局部连接、权值共享、下??采样层等能大幅降低参数总量的特性，能够在参数??量可接受的情况下加＇深网络层数，使得网络整体的??表达能力更强，实现更好的孛习效果。Ｌｅ％ｔ基一??种经典的卷积神经网络结构，Ｓ麗在手写数字数??据集Ｍｎｉｓｔ上取得的优异的识别效果，所以我们祖??Ｉｅａｅｔ－５网络的義上作出调整＿于喷码字符的??识别：根据分割后喷码字符的纵横比，将输入层数??据尺寸改为３２＊?１６ａ这样可以减少形变丢失特征信??皋也减少了参数量＊加快了网路训练及推理的速??度ｐ此外，池化屢的池化方式改掲最大值池化，激活??函数改用ＰＲｅＬＵ?—函数，输出层的分类器改用??Ｓｔｒｆｔｎｉａｓｒ：厲處＿．分类＿難。调整后ｌｅｕｅｆ网络．结：物如虜??８．所示。寬中，由于标准ＲＥＬＵ函数在讽绿过釋中??可能出现部分神经元＂坏死”现象，ＰＲｅ
出ｅ??率个检挪“主要用于苹个纸箱检测、自动检测模??式下的遗漏复检、检测本地纸箱喷码懷片等需求，??查询模块分为属性查询与统计查询．系统会将??毎次识别的纸箱信息自动保存到本地数据库。属性??查宽胺照检测日期、纸箱序列号、检测编号、型号容??量、是否成功等属性来查询某条检测记录。如图所??示ａ而统计查询可以进行设定首尾０期内的检测的??成功率，着号、容曇检测数奮的统计＿??调试稹块可以实时显示检侧算法各步骤运行??的结果以及对一ｇ步骤的参数进行调整。系统整体??的软件功如图１０所示。??图１０系统软件功能图??４．２系统应用测试??分别在６组不同．型号、容瀵的包装纸箱进行生??产时，调：节好对应的相机距离ｔ让系统进人自动检??测模式进行持续麵试，当系统识别异常报警ｆｔ进??行人工复检，确认该纸箱喷码是否喷印异常Ｖ最后??依据公式（５）统计得出系统的正检率。统计结果如??讓：２所ｓｆ＃??正检率＝（１?－??识别异常－确认异常??检测总数??ｘ?１００％??（５）??测试结果基本达到了系统预设的指标，表明本．??系统＿生产线上运转良好，能实现对多种型号、容??董下的纸箱喷码检测。??表２系统运行正检率??组别??产品??型号??容量??检测??总数??识别??成功??识别??异常??人工确??认异常??雜率??１??５Ｓ１１??５Ｌ??５３５??５２１??１４??５??９８．３％??２??５Ｄ１１??５Ｌ??５３７??５３０??７??３??９９．２％??３??Ｓ１１??１０Ｌ??４１８??４１２??９??３??９８．５％??４??Ｄ１１??１０Ｌ??４０２??３９６??６??１??９８．７％??
【参考文献】：
期刊论文
[1]基于Caffe深度学习框架的车牌数字字符识别算法研究[J]. 欧先锋,向灿群,郭龙源,涂兵,吴健辉,张国云. 四川大学学报(自然科学版). 2017(05)
[2]基于深度卷积神经网络的图像检索算法研究[J]. 刘海龙,李宝安,吕学强,黄跃. 计算机应用研究. 2017(12)
[3]基于Zbar条形码图像识别的实现[J]. 吴兆林. 数字技术与应用. 2016(08)
[4]基于ARM920T的嵌入式图像处理平台搭建及应用[J]. 姚宇乐,陈强,张九卫,徐晨峰. 计算机系统应用. 2016(07)
[5]基于机器视觉的宽厚板喷码自动识别系统[J]. 李潘,吴少波,王丽娜,潘秋娟. 冶金自动化. 2013(04)
硕士论文
[1]车牌识别算法及其在QT平台上的实现[D]. 张庆.北方工业大学 2017
本文编号：2996243
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/2996243.html
