適用于智能行業的自適應視覺計數器

2513695 2023-07-13 | zip | 0.00 MB | 次下載 | 免費

資料介紹

描述

自動計數在大型行業中對于準確包裝至關重要。目前，工業中使用機械計數或基于重量的計數。除了耗時和忙碌之外，機械計數還受到產品尺寸和形狀的限制。基于重量的計數假設每個部分都與前一個部分具有相同的重量。計算產品需要將產品的平均重量除以一個產品的重量。無論制造系統多么復雜，部件的尺寸和形狀總是存在一些差異。在木材和橡膠等材料中，密度變化高達 50%。

這是我們基于視覺的適應性計數器，它實際上使用 AI 進行計數。該設備可以輕松計算有缺陷和無缺陷的零件。考慮是否有更多的缺陷零件，我們可以假設生產單元中可能出現問題。這些數據還可用于提高生產質量，從而使行業能夠在更短的時間內生產出更多的產品。因此，我們的適應性強的計數器正在發展成為滿足世界準確和靈活的計數需求的解決方案。自適應計數器實際上是由 Rapsberry pi 4 和攝像頭模塊組成的設備，計數過程完全由 FOMO 驅動。所以它比任何其他方法都能更快、更準確地計數。自適應計數器與網站集成，

用例

這些案例可以應用于行業的任何地方。

1、從上往下數

在這種情況下，我們計算有缺陷和無缺陷的墊圈。

2. 動態計數

在這種情況下，我們正在計算通過傳送帶的螺栓和墊圈以及有缺陷的墊圈。

3. 數數

在這種情況下，我們正在數一束棒棒糖。

4. 多零件計數

在這種情況下，我們正在計算多個零件，例如墊圈和螺栓

軟件

物體檢測模型訓練

Edge Impulse 是領先的邊緣設備機器學習開發平臺之一，對開發人員免費，深受企業信賴。對于此設備，我們使用 FOMO，這是 Edge Impulse 用于對象檢測的一種新型機器學習算法。然后我們將我們的機器學習模型部署到 Raspberry Pi 4B 上，使我們的工作變得可操作。

數據采集

每個機器學習項目都從數據收集開始。良好的數據收集是影響模型性能的主要因素之一。確保您對行業中提供的項目具有廣泛的視角和縮放級別。您可以從任何設備或開發板獲取數據，或上傳您自己的數據集，進行數據采集。因為我們有自己的數據集，所以我們使用“數據采集”選項卡上傳它們。

只需導航至“數據采集”選項卡并選擇要上傳的文件。之后，給它打個標簽，上傳到訓練區。Edge Impulse 僅接受 JPG 或 PNG 圖像文件。如果您有任何其他格式，請使用互聯網轉換器將其轉換為 JPG 或 PNG 格式。

在我們的例子中，我們有四個標簽 - Washer、Faulty Washer、Lollipop、Bolt 。我們已經上傳了這四個不同類別的所有收集數據。因此，計算機在計數時只會識別這些項目。如果你想識別除這些之外的任何其他物體，你必須上傳其他物體的數據集。神經網絡訪問的數據越多，它們識別物體的能力就越好。

這是我們的計數設置（剛剛將可適應計數器連接在一塊小木板的頂部）

標簽數據

您可以在標記隊列中查看數據集的所有未標記數據。向對象添加標簽就像在對象周圍拖出一個框一樣簡單。我們試圖通過在后臺運行對象跟蹤算法來自動執行此過程，以使生活更輕松。如果您在多張照片中有相同的物體，我們可以為您移動方框，您只需確認新方框即可。拖動框，然后單擊保存標簽。繼續這樣做，直到標記了整個數據集。

設計一個沖動

是時候設計沖動了。Impulse 實際上是一個用于生成特征的機器學習管道。如果您需要了解更多關于沖動的信息，請看這里。

在我們的 Impulse 中，我們將圖像寬度和圖像高度設置為96px ，將調整大小模式設置為適合最短軸，因為它提供了更準確的模型。

然后在圖像選項卡中，我們使用灰度作為顏色深度。然后我們保存參數。

在我們為數據生成特征之后，特征實際上是一個單獨的可測量屬性。下圖顯示了從我們的數據集生成的特征。生成的特征本身可以用我們的眼睛很好地區分。

是時候訓練機器學習模型了。從頭開始生成機器學習模型需要大量的時間和精力。因此我們將使用一種稱為遷移學習的技術，該技術在我們的數據上使用經過良好預訓練的模型。然后我們可以用更少的數據創建準確的機器學習模型。

然后轉到模型生成的對象檢測選項卡。

在這種情況下，我們使用 FOMO 算法來訓練模型。所以我們將物體檢測模型改為FOMO (Faster Objects, More Objects) MobileNetV2 0.35 。FOMO 是一種新型的邊緣脈沖機器學習算法，專為高度受限的設備而設計。它與 Raspberry pi 4 配合得很好。

這些是我們的神經網絡設置，如圖所示。我們現在已經訓練了我們的模型，訓練精度為 96.7%，相當不錯。

現在是在現實世界中測試模型的時候了。結果實際上令人驚訝。這里我們達到了 87.5% 的準確率，這對于數據量如此之少的模型來說非常好。

火力地堡設置

在我們的項目中，我們使用 Firebase 實時數據庫來即時發布和檢索數據，這樣就沒有時間延遲。這里我們使用了Pyrebase庫，它是 Firebase 的 python 包裝器。

要安裝 pyrebase，請運行以下命令pip install pyrebase

Pyrebase 是為 python 3 編寫的，可能無法與 python 2 一起正常工作。

首先我們在數據庫中創建了一個項目

然后轉到構建部分并創建一個實時數據庫

然后選擇測試模式，這樣我們就可以在不進行任何身份驗證的情況下更新數據

這是我們的實時數據庫

對于僅用于基于用戶的身份驗證，我們可以創建以下配置，并且應該將其添加到我們的 python 代碼中

import pyrebase
config = {
"apiKey": "apiKey",
"authDomain": "projectId.firebaseapp.com",
"databaseURL": "https://databaseName.firebaseio.com",
"storageBucket": "projectId.appspot.com"
}
firebase = pyrebase.initialize_app(config)

然后添加 apikey、authDomain 和 databaseURL（您可以在項目設置中找到所有這些）。然后我們可以將這些值存儲在實時數據庫中。

網站

使用 HTML、CSS 和 JS 創建網頁以實時顯示計數。Firebase 中更新的數據實時反映在網頁中。當盤點過程停止時，網頁顯示最近計數，當盤點過程正在進行時，網頁顯示當前計數。

硬件

樹莓派 4B

Raspberry Pi4 B 是系統的大腦。這款 Raspberry Pi 4 集成了 64 位四核 cortex-A72 ARM v8，broadcom BCM2711，運行速度為 1.5GHz。所以計數可以完美地完成。Edge Impulse 完全支持這款微型計算機。要使用 Edge Impulse 設置 Raspberry pi，請查看此處。