現(xiàn)存的噴碼檢測系統(tǒng)大多基于工控PC電腦實現(xiàn),其在價格、體積、功耗、靈活性等方面存在著較大的局限性。為此,設(shè)計了一種基于Qt與Arm NN的嵌入式噴碼檢測系統(tǒng),該系統(tǒng)的核心處理器采用Arm cortex-a9,搭載配置有相關(guān)軟件工具的嵌入式linux操作系統(tǒng),采用位置檢測算法來實現(xiàn)軟件檢測待測目標(biāo)的位置,通過由圖像預(yù)處理、噴碼區(qū)域提取、條形碼識別、字符子串分割、基于卷積神經(jīng)網(wǎng)絡(luò)及caffe框架的噴碼字符識別模型訓(xùn)練、利用Arm NN將識別模型引入到ARM端實現(xiàn)噴碼字符識別、識別結(jié)果處理等過程組成的噴碼檢測算法來實現(xiàn)對噴碼內(nèi)容的檢測。該系統(tǒng)還基于Qt多線程技術(shù)開發(fā)了具有完善系統(tǒng)功能的圖形應(yīng)用程序,便于現(xiàn)場生產(chǎn)人員使用。經(jīng)相關(guān)測試表明該系統(tǒng)有效可行、正檢率高,能夠滿足包裝生產(chǎn)流水線噴碼檢測的實際需求。 

【文章來源】：計算技術(shù)與自動化. 2020,39(01)

【文章頁數(shù)】：7 頁

【部分圖文】：

圖９?Ｑｔ多線程雇滿程序揚．．構(gòu)??４系統(tǒng)功能實現(xiàn)及應(yīng)用測試??

／２ｉ，?５／２ｉ］…［２ｉ－３／??２ｉ?ｔ２ｉ－ｌ／２ｉ博區(qū)間內(nèi)分別尋找該Ｋ間內(nèi)列黑像素數(shù)??點和最少的列，將其視作Ｋ間內(nèi)相鄰粘連字翁的＃??際分割列ｔ再使用Ｈ０Ｉ提取實際分割區(qū)域以聱成??分割《效果如西６（ｂ）所示。??２０１８１１０９??ｆ＿ａ）噴碼手串的全局與局部自ｉｉｓ應(yīng)二值：化數(shù)幕??６３１８０６１２１??（ｂ．）粘連．噴碼子串分割錄＊??圖６字符子＿分爾??３．２．２．４噴瑪字符識別模型訓(xùn)鍊??在大量生產(chǎn)的過程中，、難免地會產(chǎn)生規(guī)整性較??產(chǎn)的噴碼字符，如圖７．所示。??圖７規(guī)整性翁差的噴碼專符??相對于傳統(tǒng)機器學(xué)習(xí)，卷積神齄網(wǎng)絡(luò)不＿手??動或使用特征提取算法來進行特征提取，而是趙多??個不詞的卷積核在訓(xùn)練階段就完成了特征提取及??抽象。此外■，由于其采用了局部連接、權(quán)值共享、下??采樣層等能大幅降低參數(shù)總量的特性，能夠在參數(shù)??量可接受的情況下加＇深網(wǎng)絡(luò)層數(shù)，使得網(wǎng)絡(luò)整體的??表達能力更強，實現(xiàn)更好的孛習(xí)效果。Ｌｅ％ｔ基一??種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，Ｓ麗在手寫數(shù)字?jǐn)?shù)??據(jù)集Ｍｎｉｓｔ上取得的優(yōu)異的識別效果，所以我們祖??Ｉｅａｅｔ－５網(wǎng)絡(luò)的義上作出調(diào)整＿于噴碼字符的??識別：根據(jù)分割后噴碼字符的縱橫比，將輸入層數(shù)??據(jù)尺寸改為３２＊?１６ａ這樣可以減少形變丟失特征信??皋也減少了參數(shù)量＊加快了網(wǎng)路訓(xùn)練及推理的速??度ｐ此外，池化屢的池化方式改掲最大值池化，激活??函數(shù)改用ＰＲｅＬＵ?—函數(shù)，輸出層的分類器改用??Ｓｔｒｆｔｎｉａｓｒ：厲處＿．分類＿難。調(diào)整后ｌｅｕｅｆ網(wǎng)絡(luò)．結(jié)：物如虜??８．所示。寬中，由于標(biāo)準(zhǔn)ＲＥＬＵ函數(shù)在諷綠過釋中??可能出現(xiàn)部分神經(jīng)元＂壞死”現(xiàn)象，ＰＲｅ

出ｅ??率個檢挪“主要用于蘋個紙箱檢測、自動檢測模??式下的遺漏復(fù)檢、檢測本地紙箱噴碼懷片等需求，??查詢模塊分為屬性查詢與統(tǒng)計查詢．系統(tǒng)會將??毎次識別的紙箱信息自動保存到本地數(shù)據(jù)庫。屬性??查寬胺照檢測日期、紙箱序列號、檢測編號、型號容??量、是否成功等屬性來查詢某條檢測記錄。如圖所??示ａ而統(tǒng)計查詢可以進行設(shè)定首尾０期內(nèi)的檢測的??成功率，著號、容曇檢測數(shù)奮的統(tǒng)計＿??調(diào)試稹塊可以實時顯示檢側(cè)算法各步驟運行??的結(jié)果以及對一ｇ步驟的參數(shù)進行調(diào)整。系統(tǒng)整體??的軟件功如圖１０所示。??圖１０系統(tǒng)軟件功能圖??４．２系統(tǒng)應(yīng)用測試??分別在６組不同．型號、容瀵的包裝紙箱進行生??產(chǎn)時，調(diào)：節(jié)好對應(yīng)的相機距離ｔ讓系統(tǒng)進人自動檢??測模式進行持續(xù)麵試，當(dāng)系統(tǒng)識別異常報警ｆｔ進??行人工復(fù)檢，確認該紙箱噴碼是否噴印異常Ｖ最后??依據(jù)公式（５）統(tǒng)計得出系統(tǒng)的正檢率。統(tǒng)計結(jié)果如??讓：２所ｓｆ＃??正檢率＝（１?－??識別異常－確認異常??檢測總數(shù)??ｘ?１００％??（５）??測試結(jié)果基本達到了系統(tǒng)預(yù)設(shè)的指標(biāo)，表明本．??系統(tǒng)＿生產(chǎn)線上運轉(zhuǎn)良好，能實現(xiàn)對多種型號、容??董下的紙箱噴碼檢測。??表２系統(tǒng)運行正檢率??組別??產(chǎn)品??型號??容量??檢測??總數(shù)??識別??成功??識別??異常??人工確??認異常??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％??

【參考文獻】：
期刊論文
[1]基于Caffe深度學(xué)習(xí)框架的車牌數(shù)字字符識別算法研究[J]. 歐先鋒,向燦群,郭龍源,涂兵,吳健輝,張國云.  四川大學(xué)學(xué)報(自然科學(xué)版). 2017(05)
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像檢索算法研究[J]. 劉海龍,李寶安,呂學(xué)強,黃躍.  計算機應(yīng)用研究. 2017(12)
[3]基于Zbar條形碼圖像識別的實現(xiàn)[J]. 吳兆林.  數(shù)字技術(shù)與應(yīng)用. 2016(08)
[4]基于ARM920T的嵌入式圖像處理平臺搭建及應(yīng)用[J]. 姚宇樂,陳強,張九衛(wèi),徐晨峰.  計算機系統(tǒng)應(yīng)用. 2016(07)
[5]基于機器視覺的寬厚板噴碼自動識別系統(tǒng)[J]. 李潘,吳少波,王麗娜,潘秋娟.  冶金自動化. 2013(04)

碩士論文
[1]車牌識別算法及其在QT平臺上的實現(xiàn)[D]. 張慶.北方工業(yè)大學(xué) 2017



本文編號：2996243