張野 李帥 劉躍 林李樂 張毅

摘要：基于Tensorflow的產(chǎn)品智能分揀系統(tǒng)采用人工智能技術(shù)，通過對圖像識別進(jìn)行智能分揀，從而提高工廠產(chǎn)品的分揀效率，大大降低了人為產(chǎn)生的誤差，實現(xiàn)工廠自動化。

關(guān)鍵詞：tensorflow;深度學(xué)習(xí);智能識別

中圖分類號：TP311? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2019）18-0197-02

而非監(jiān)督式就不需要人為的標(biāo)簽數(shù)據(jù)，它是監(jiān)督式和強化學(xué)習(xí)等策略之外的一個選擇。典型的非監(jiān)督學(xué)習(xí)有聚類等，它是直接從數(shù)據(jù)中尋找相似性，即規(guī)律。

現(xiàn)在其實機器學(xué)習(xí)除了監(jiān)督式和非監(jiān)督式之外，還有增強學(xué)習(xí)。它是和監(jiān)督式及非監(jiān)督式都有些不同的一種方式。然后，但其實在工業(yè)界用得最多的，其實還是監(jiān)督式學(xué)習(xí)的方式，非監(jiān)督式和增強學(xué)習(xí)現(xiàn)在在工業(yè)界的使用還是相對比較少。本項目主要應(yīng)用方向為工業(yè)生產(chǎn)，所以采用的還是監(jiān)督學(xué)習(xí)。最終通過Tensorflow這一框架，實現(xiàn)深度學(xué)習(xí)的算法。

基于Tensorflow的產(chǎn)品智能分揀系統(tǒng)采用人工智能技術(shù)，首先利用Tensorflow技術(shù)對多類產(chǎn)品的圖像進(jìn)行離線學(xué)習(xí)，得到各種產(chǎn)品的模型;然后利用攝像頭獲得當(dāng)前產(chǎn)品的圖像;其次再利用習(xí)得的模型進(jìn)行智能識別;最后根據(jù)不同產(chǎn)品的類別，為當(dāng)前的產(chǎn)品指定正確的容器。從而精準(zhǔn)無誤地達(dá)到人工智能分揀系統(tǒng)的效果。

傳統(tǒng)的產(chǎn)品、農(nóng)作物等相關(guān)物品的分揀都需要通過人工操作，不僅浪費了大量的人力物力，沒有使得資源得到合理的配置，不再符合當(dāng)今機械化社會的發(fā)展水平，它所需要的是極大地便利操作;而且，人工分揀的過程中存在很多的不確定因素，不能準(zhǔn)確保證分揀的種類都符合相關(guān)的要求，極大地阻礙了生產(chǎn)力的生產(chǎn)效率。隨著經(jīng)濟和生產(chǎn)的發(fā)展，商品趨于“短小輕薄”，流通趨于小批量、多品種和準(zhǔn)時制，各類配送中心的貨物分揀任務(wù)十分艱巨，分揀作業(yè)已成為一項重要的工作環(huán)節(jié)。我國目前多數(shù)配送中心和物流企業(yè)都是人工分揀。顯然，隨著分揀量的增加、分送點的增多、配貨響應(yīng)時間的縮短和服務(wù)質(zhì)量的提高，單憑人工分揀將無法滿足大規(guī)模配貨配送的要求。然而，當(dāng)通過智能分揀系統(tǒng)來進(jìn)行操作，能夠極大地提高工作效率，節(jié)省大量的人力物力，充分發(fā)揮這一系統(tǒng)的獨特優(yōu)勢。能夠為工廠實現(xiàn)自動化推進(jìn)一大步。

近年來，在傳統(tǒng)帶式輸送機和現(xiàn)有智能分揀技術(shù)的基礎(chǔ)上，利用先進(jìn)的條形碼識別技術(shù)和微控制器進(jìn)行控制的智能分揀系統(tǒng)在物流企業(yè)的應(yīng)用不斷擴大。智能分揀系統(tǒng)分揀作業(yè)快速、靈活、準(zhǔn)確，操作、維護(hù)簡單、方便，大大減少了勞動力，提高了工作效率。

通過現(xiàn)有的的智能分揀系統(tǒng)而言，這已經(jīng)在人工智能方面取得了巨大的進(jìn)步。通過對人工智能方面的語言的學(xué)習(xí)，了解了一點與其相關(guān)的編程原理等知識。在現(xiàn)有的人工智能的基礎(chǔ)上進(jìn)行相應(yīng)對的創(chuàng)新，以此達(dá)到完善，發(fā)展這一人工智能分揀系統(tǒng)的作用。

但是，當(dāng)前已經(jīng)轉(zhuǎn)入智能分揀階段，即依靠二維碼、RFID或各種傳感器來識別貨物，再進(jìn)行分類。但這種分揀系統(tǒng)的成本較高，對產(chǎn)品也有較多的限制（如二維碼、RFID等）。這些限制阻礙了相關(guān)產(chǎn)品的智能分揀，需要對這一階段進(jìn)行優(yōu)化，使它的功能更加完善，更能廣泛地應(yīng)用于各個領(lǐng)域。使得它能夠具有低成本，高效率，寬領(lǐng)域等特點。因此，可以通過在現(xiàn)有的智能分揀系統(tǒng)上進(jìn)行相應(yīng)改進(jìn)，完善。一定程度上減少了制作實施過程中的難度系數(shù)。

在了解了人工智能方面的知識，學(xué)習(xí)了與人工智能技術(shù)密切相關(guān)的編程語言：Python。當(dāng)前人工智能分揀系統(tǒng)的基礎(chǔ)上突破已有的限制，對其進(jìn)行完善，使得它能夠應(yīng)用于多領(lǐng)域。對多類產(chǎn)品的圖像進(jìn)行離線學(xué)習(xí)。

智能分揀這一系統(tǒng)是基于人工智能技術(shù)，當(dāng)前，國內(nèi)外的人工智能技術(shù)都處于發(fā)展階段，沒有相對完善的技術(shù)系統(tǒng)，沒有形成相應(yīng)的體系來支撐人工智能技術(shù)的發(fā)展。在這方面的發(fā)展，人類還需要走很長的路，進(jìn)行探索，不斷進(jìn)行完善，使得它形成具有特色，相對完善，相對前沿的人工智能技術(shù)。

在整個項目的進(jìn)展前期主要是相關(guān)系統(tǒng)和軟件、硬件的安裝與配置，其中包括樹莓派相關(guān)器械的組裝;安裝風(fēng)扇用于避免樹莓派溫度過高，造成樹莓派的損壞。之后需要對樹莓派進(jìn)行導(dǎo)入相關(guān)系統(tǒng)，導(dǎo)入之前需要一定的前期準(zhǔn)備，需要下載SD Card Formatter、Win32DiskImager以及最新的樹莓派系統(tǒng)等相關(guān)軟件。SD Card Formatter用于格式化樹莓派中的SD卡;Win32DiskImager用于將最新的樹莓派系統(tǒng)鏡像燒錄到SD卡中，以此將樹莓派系統(tǒng)導(dǎo)入樹莓派。其次，需要將攝像頭安裝置樹莓派，用于拍照來實現(xiàn)智能分揀的功能。安裝完成后需要對樹莓派進(jìn)行相關(guān)配置的修改，通過python語言實現(xiàn)攝像頭拍照并保存的功能。其間存在的問題主要是樹莓派系統(tǒng)的導(dǎo)入，顯示屏上不能顯示樹莓派系統(tǒng)界面，經(jīng)過查找相關(guān)資料以及指導(dǎo)老師的幫助下發(fā)現(xiàn)插入樹莓派的SD卡沒有徹底格式化，起初認(rèn)為通過電腦可以直接將SD卡格式化，但在導(dǎo)入系統(tǒng)時不能正確顯示界面，因此電腦并沒有將SD卡清理干凈，需要格式化軟件來進(jìn)行操作，故而下載了SD Card Formatter。最后成功解決了顯示不了界面的情況。以及樹莓派線路連接過程中，HDMI接口并沒有連接，起初以為會造成影響，但實驗證明并沒有對實驗的結(jié)果產(chǎn)生影響。這些問題的存在在隨著項目的推進(jìn)并沒有產(chǎn)生什么影響。

項目進(jìn)展中期，主要是識別代碼的編寫。起初希望通過利用手寫體數(shù)字識別過渡到圖像識別，因此，中期花費了大量時間研究手寫體識別，通過在網(wǎng)上查找相關(guān)資料來實現(xiàn)，但是由于代碼的問題不能精準(zhǔn)識別圖片，因此，在老師的指導(dǎo)下找到了簡單的代碼并進(jìn)行了相關(guān)學(xué)習(xí)，不久就實現(xiàn)了識別的功能。基于tensorflow的產(chǎn)品智能分揀系統(tǒng)關(guān)鍵在于識別，我們認(rèn)手寫體識別為后期的圖像識別作鋪墊，因此后期圖像識別只需要修改一下數(shù)據(jù)集就可以解決，但事實遠(yuǎn)非如此。

項目進(jìn)展后期，雖然中期完成了手寫體數(shù)字識別，但由于手寫體數(shù)字識別的數(shù)據(jù)集是集成好的，并沒有制作過程，相對而言實現(xiàn)的比較困難，并沒有起先想的那么容易。因此后期放棄了原先的想法，從另外一個途徑入手。按照傳統(tǒng)圖像識別的步驟通過一步步編程來進(jìn)行相關(guān)操作。編程涉及圖片數(shù)據(jù)集的制作、圖片的輸入處理、建立網(wǎng)絡(luò)模型、神經(jīng)網(wǎng)絡(luò)的訓(xùn)練以及對圖片測試五個模塊。數(shù)據(jù)集制作時主要是對圖片進(jìn)行預(yù)處理，但是起初在網(wǎng)上下載圖片時并沒有在意圖片格式，因此在代碼執(zhí)行過程中出現(xiàn)了reshape問題的錯誤，通過在網(wǎng)上查閱資料以及對圖片格式的比對發(fā)現(xiàn)編寫的代碼只能對.jpg格式的圖片進(jìn)行處理。圖片輸入處理的過程相對比較簡單，主要是對指定大小的生成圖片進(jìn)行sample與label分類制作，獲得神經(jīng)網(wǎng)絡(luò)輸入的get_files文件，同時為了方便網(wǎng)絡(luò)的訓(xùn)練，輸入數(shù)據(jù)進(jìn)行batch處理。網(wǎng)絡(luò)模型的編寫過程相對而言比較困難，由于是初學(xué)者，有關(guān)代碼是通過老師或者網(wǎng)絡(luò)資源獲取的。其中涉及卷積層、池化層、全連接、softmax層、激活函數(shù)和損失函數(shù)。神經(jīng)網(wǎng)絡(luò)訓(xùn)練時為了提高圖片識別的精準(zhǔn)度會對圖片進(jìn)行多次訓(xùn)練。圖片測試模塊相對比較容易。最后主要是數(shù)據(jù)的采集，由于樹莓派上帶有攝像頭，則可直接通過它來采集圖片資源。因此就需要超高像素的攝像頭，從而提高分辨率，減少識別過程中的誤差。在拍攝過程中仍然需要注意其他因素對拍攝效果圖片的影響，比如光線的強度、拍攝的角度等。這些存在的問題都會在制作數(shù)據(jù)集時產(chǎn)生影響。

本項目擬設(shè)計與實現(xiàn)基于人工智能技術(shù)的產(chǎn)品分揀系統(tǒng)。采用人工智能技術(shù)對產(chǎn)品進(jìn)行智能識別，從而達(dá)到對產(chǎn)品的分類，進(jìn)一步提高產(chǎn)品的分揀效率，節(jié)省大量的人力物力，降低分揀過程中存在的誤差。促使這一人工智能分揀系統(tǒng)能夠廣泛應(yīng)用于多領(lǐng)域，大大提高自動化水平。對產(chǎn)品的圖像進(jìn)行離線學(xué)習(xí)，以此來得到各產(chǎn)品的相應(yīng)模型;利用攝像頭獲取并識別相應(yīng)產(chǎn)品的動態(tài)圖像;利用所得的模型進(jìn)行智能識別。從而達(dá)到人工智能分揀的效果。通過人工智能控制策略實現(xiàn)產(chǎn)品在分揀過程中準(zhǔn)確的信息采集、傳輸、反饋與控制。最終制作出智能識別零件產(chǎn)品的簡易裝置。

突破目前產(chǎn)品分揀系統(tǒng)中依賴二維碼、RFID等主動信息的限制，依靠智能視覺來識別產(chǎn)品。本項目除了可以產(chǎn)品的分揀之外，還可以推廣到農(nóng)產(chǎn)品的分類等應(yīng)用場景，極大地擴展了智能分揀系統(tǒng)的應(yīng)用范圍。對之前的分揀系統(tǒng)進(jìn)行了改進(jìn)，能夠在不同的領(lǐng)域進(jìn)行相應(yīng)的擴展。具有高效率，低成本，寬領(lǐng)域等獨具特色的特點，打破以往的智能分揀系統(tǒng)限制，使得這一人工智能分揀系統(tǒng)趨于更加完善。

該項目具體步驟為：

1）準(zhǔn)備原始數(shù)據(jù)

準(zhǔn)備好訓(xùn)練的原始數(shù)據(jù)，將原來大小不一的圖片轉(zhuǎn)換成規(guī)定的格式。各類圖片放入同一文件夾下的不同文件夾中（成片放入成片文件夾，贗品放入贗品文件夾）。主要調(diào)用image.resize（width，length）方法，制作Tensflow數(shù)據(jù)集。

讀取Tfrecords數(shù)據(jù)集獲得image和label，打印驗證并保存生成的圖片，查看文件夾驗證是否與圖片對應(yīng)。

2） 輸入圖片處理

獲取上一步生成的數(shù)據(jù)集，對圖片進(jìn)行sample與label分類制作，同時為了方便網(wǎng)絡(luò)訓(xùn)練對輸入數(shù)據(jù)進(jìn)行批處理，返回image_batch與label_batch。

3） 構(gòu)造神經(jīng)網(wǎng)絡(luò)模型

卷積層與池化層凸顯圖片特征，激勵函數(shù)用于將隱層與輸出層結(jié)點的輸入和輸出表現(xiàn)出來，這些操作將原始數(shù)據(jù)隱射到隱層特征空間。全連接層用于將學(xué)到的分布式特征表示映射到樣本標(biāo)記空間，即將前面提取的特征綜合起來，與卷積操作類似。

在此構(gòu)造“卷積1*池化1*卷積2*池化2*全連接1*全連接2*回歸層”回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

4） 訓(xùn)練神經(jīng)網(wǎng)絡(luò)

訓(xùn)練神經(jīng)網(wǎng)絡(luò)主要分為三個步驟 1.定義神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和前向傳播的輸出結(jié)果。2.定義損失函數(shù)以及選擇反向傳播優(yōu)化的算法。3.生成會話并且在訓(xùn)練數(shù)據(jù)上反復(fù)運行反向傳播優(yōu)化算法。

用之前創(chuàng)建的數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)，保存訓(xùn)練后的網(wǎng)絡(luò)參數(shù)。

5） 測試神經(jīng)網(wǎng)絡(luò)

從數(shù)據(jù)集中隨機選取一張圖片，送入神經(jīng)網(wǎng)絡(luò)中進(jìn)行識別，輸出最大概率的結(jié)果。

實驗數(shù)據(jù)為工廠生產(chǎn)的產(chǎn)品：包括正品和次品兩類如下圖所示：

【通聯(lián)編輯：梁書】