描述

自動計數(shù)在大型行業(yè)中對于準確包裝至關重要。目前，工業(yè)中使用機械計數(shù)或基于重量的計數(shù)。除了耗時和忙碌之外，機械計數(shù)還受到產(chǎn)品尺寸和形狀的限制。基于重量的計數(shù)假設每個部分都與前一個部分具有相同的重量。計算產(chǎn)品需要將產(chǎn)品的平均重量除以一個產(chǎn)品的重量。無論制造系統(tǒng)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(shù)器，它實際上使用 AI 進行計數(shù)。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(chǎn)單元中可能出現(xiàn)問題。這些數(shù)據(jù)還可用于提高生產(chǎn)質量，從而使行業(yè)能夠在更短的時間內生產(chǎn)出更多的產(chǎn)品。因此，我們的適應性強的計數(shù)器正在發(fā)展成為滿足世界準確和靈活的計數(shù)需求的解決方案。自適應計數(shù)器實際上是由 Rapsberry pi 4 和攝像頭模塊組成的設備，計數(shù)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(shù)。自適應計數(shù)器與網(wǎng)站集成，

用例

這些案例可以應用于行業(yè)的任何地方。

1、從上往下數(shù)

在這種情況下，我們計算有缺陷和無缺陷的墊圈。

2. 動態(tài)計數(shù)

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(shù)數(shù)

在這種情況下，我們正在數(shù)一束棒棒糖。

4. 多零件計數(shù)

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(fā)平臺之一，對開發(fā)人員免費，深受企業(yè)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(shù)據(jù)采集

每個機器學習項目都從數(shù)據(jù)收集開始。良好的數(shù)據(jù)收集是影響模型性能的主要因素之一。確保您對行業(yè)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(fā)板獲取數(shù)據(jù)，或上傳您自己的數(shù)據(jù)集，進行數(shù)據(jù)采集。因為我們有自己的數(shù)據(jù)集，所以我們使用“數(shù)據(jù)采集”選項卡上傳它們。

只需導航至“數(shù)據(jù)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(qū)。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(lián)網(wǎng)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(jīng)上傳了這四個不同類別的所有收集數(shù)據(jù)。因此，計算機在計數(shù)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(shù)據(jù)集。神經(jīng)網(wǎng)絡訪問的數(shù)據(jù)越多，它們識別物體的能力就越好。

這是我們的計數(shù)設置（剛剛將可適應計數(shù)器連接在一塊小木板的頂部）

標簽數(shù)據(jù)

您可以在標記隊列中查看數(shù)據(jù)集的所有未標記數(shù)據(jù)。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(zhí)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(xù)這樣做，直到標記了整個數(shù)據(jù)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(shù)。

在我們?yōu)閿?shù)據(jù)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(shù)據(jù)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(qū)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(shù)據(jù)上使用經(jīng)過良好預訓練的模型。然后我們可以用更少的數(shù)據(jù)創(chuàng)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(jīng)網(wǎng)絡設置，如圖所示。我們現(xiàn)在已經(jīng)訓練了我們的模型，訓練精度為 96.7%，相當不錯。

現(xiàn)在是在現(xiàn)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(shù)據(jù)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(shù)據(jù)庫來即時發(fā)布和檢索數(shù)據(jù)，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(shù)據(jù)庫中創(chuàng)建了一個項目

然后轉到構建部分并創(chuàng)建一個實時數(shù)據(jù)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(shù)據(jù)

這是我們的實時數(shù)據(jù)庫

對于僅用于基于用戶的身份驗證，我們可以創(chuàng)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(shù)據(jù)庫中。

網(wǎng)站

使用 HTML、CSS 和 JS 創(chuàng)建網(wǎng)頁以實時顯示計數(shù)。Firebase 中更新的數(shù)據(jù)實時反映在網(wǎng)頁中。當盤點過程停止時，網(wǎng)頁顯示最近計數(shù)，當盤點過程正在進行時，網(wǎng)頁顯示當前計數(shù)。

硬件

• 樹莓派 4B

Raspberry Pi4 B 是系統(tǒng)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(shù)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。

• 相機模組

此 Raspberry Pi 相機模塊是為 Raspberry Pi 定制設計的附加組件。這對我們的應用程序來說已經(jīng)足夠了。

• 電源適配器

我們使用 5V 2A 適配器為系統(tǒng)供電。在這種情況下，我們沒有任何耗電的外圍設備，因此 2A 電流就足夠了。如果您有 3A 電源，請使用它。

為了方便起見，我們還使用了一個亞克力外殼來安裝所有硬件。

?

?