论文部分内容阅读
摘 要：随着社会的飞速发展，在城市智能化的潮流下，各种无人售货机、无人收银系统应运而生。该文提出了一种基于深度学习的智能果蔬秤，其主体结构包括视觉检测系统和系统硬件结构。其工作原理是：以STM32F103RCT6作为主控单元，搭建一个基于视觉的果蔬称重平台秤。通过传统的视觉识别以及基于深度学习的果蔬图像识别在线检测水果种类，并在之后调用数据库中果蔬单价，在上位机上显示出水果实际价格，顾客即可通过扫描液晶屏上的二维码，完成支付。该系统打破了传统智能秤识别上的局限性，能够直接通过摄像头获取的图像进行商品分类和价格计算。同时，作品提出了网络通信模块的构建，顾客能够直接扫描二维码付款，省去了收银的人力消耗。
关键词：图像识别 称重传感 深度学习 智能秤识别支付系统
中图分类号：TH715 文献标识码：A 文章编号：1672-3791（2019）05（c）-0011-02
早在20世纪70年代，国外就开始将机器视觉技术应用于农产品的品质检测分级和品种分类识别中，截至现在，其计算机视觉技术已经广泛应用于农产品的各个领域。跟国外研究进展相比，我国关于计算机视觉在农产品领域的应用研究开展较晚，但是近年来已经取得了一些进步。从国内外研究人员的现有研究成果来看，对于计算机视觉技术在农产品领域的研究应用，大多数集中在农产品的检测分级以及针对单个果蔬的分类识别上面，对于任意多个数量的果蔬识别研究比较少。
近年来，深度卷积网络在计算机视觉方面的良好性能越发凸显。同样是基于模式识别的图像研究，基于卷积神经网络的果蔬识别可以预见到可行性。作为果蔬商品化的一个重要环节，我国果蔬识别分类主要依靠人工完成，分类精度不稳定。目前，传统的超市通过扫描条形码识别商品的价格。但这种方式存在一定的弊端：因为实际生活中，给每个农产品都贴上二维码等标签来进行售卖显然是不可行的。由此可见，果蔬智能秤的研发势在必行。
1 系统整体设计
整个智能果蔬秤由桁架、称重系统和摄像头3个部分组成，外接网络，以实现果蔬的在线检测、智能识别称重以及付款功能。系统结构图如圖1所示。
2 系统上下位机设计
2.1 图像模块设计
为了方便系统管理员实时监控，上位机采集图像需采用云网络方式进行发送。为了便于果蔬识别，装载的摄像头需要有一个较大的视角。因此，该系统选择罗技C270/i的网络摄像头，最高提供78°的视角，满足设计需求，并采用OpenCV-Python进行图像处理。
2.2 硬件结构设计
AD转换传感器采用HX711，该芯片集成了包括稳压电源、片内时钟振荡器等其他同类型芯片所需要的外围电路，具有集成度高、响应速度快、抗干扰性强等优点。
称重传感部分采用半导体压电阻抗扩散压力传感器，在薄片表面形成半导体变形压力，通过外力（压力）使薄片变形而产生压电阻抗效果，从而使阻抗的变化转换成电信号。
光学传感部分采用CMOS图像传感器，当外界光照射像素阵列，发生光电效应，在像素单元内产生相应的电荷，再经过A/D转换成数字图像信号输出。
2.3 程序设计
下位机程序基于Keil4.7 for ARM平台编写，作品通过主控芯片控制传感器采集数据，再通过串口将采集数据传至上位机。
2.4 图像识别与处理设计
对于果蔬识别而言，目前最有效的处理方法是在图像预处理阶段进行颜色空间转换，从BGR空间转到HSV颜色空间。然后从中分离出H（色调）分量，进行颜色判别。相较于传统的机器视觉方法，深度卷积神经网络在大数据的训练下，从大量数据中识别出有用特征，再采用深度学习技术，通过大量样本训练，利用分类器去检测目标。
经典的卷积神经网络包括卷积神经层、ReLU层、Pooling层和规范化层。卷积神经网络沿用了普通的神经元网络，即多层感知器的结构，是一个前馈网络。以应用于图像领域的CNN为例（如图2所示），CNN的模型与BP神经网络的模型类似，都选用前向传播计算输出值，反向传播调整权重和偏置的方法;但它们两者之间的最大差异是 CNN中相邻两层的神经元之间采用部分连接的方式，而不是BP神经网络中采用的全连接方式。
该文采用的图像采集设备是分辨率为640×580的数码相机，此次选取了10种水果，在不同光照条件下从多个不同角度对水果进行图像采集。从计算角度考虑，我们将所有图像分别缩放到64×64和32×32两种尺寸，并将RGB图像进行灰度化处理转换成灰度图像。经过预处理得到水果图像样本并在每类水果中随机选取500张图像建立训练数据集，剩下100张图片作为测试数据集。训练数据集和测试数据集之间没有重叠。
2.5 界面设计
上位机界面设计如图3所示。
3 结语
该文对基于深度学习的智能果蔬秤进行研究与设计能够实现果蔬的智能识别和品质分类。区别于传统智能秤和现存的通过扫描条形码来识别的智能秤，仅通过图像处理就可以实现准确的分类，更加简便，易于使用。同时采用网络摄像头可以实时传输图像，有利于市场的实时监管。作品设计了扫码支付模块，无需人工收款，实现了称重支付的一体化服务。作品建立了深度学习的数据集，在3种不同光照条件下从多个角度对果蔬图像进行采集，可以识别不同光照、不同角度的果蔬，提高识别准确性和适应能力。
参考文献
[1] 葛纪帅，赵春江，黄文倩，等.基于智能称重水果分级生产线设计[J].农机化研究，2012（1）：126-130.
[2] 朱明，田爽，周峰，等.基于图像处理的果蔬溯源秤系统设计与开发[J].电子器件，2016，39（2）：488-494.
[3] 苏军雄，见雪婷，刘玮，等.基于可变卷积神经网络的手势识别方法[J].计算机与现代化，2018（4）：63-67.
[4] 王振，高茂庭.基于卷积神经网络的图像识别算法设计与实现[J].现代计算机：专业版，2015（20）：61-66.
[5] 高瑞军，黄永胜，虞玲，等.一种应用于溯源秤的计算机视觉果蔬识别算法[J].信息化研究，2013，39（6）：15-18.
关键词：图像识别 称重传感 深度学习 智能秤识别支付系统
中图分类号：TH715 文献标识码：A 文章编号：1672-3791（2019）05（c）-0011-02
早在20世纪70年代，国外就开始将机器视觉技术应用于农产品的品质检测分级和品种分类识别中，截至现在，其计算机视觉技术已经广泛应用于农产品的各个领域。跟国外研究进展相比，我国关于计算机视觉在农产品领域的应用研究开展较晚，但是近年来已经取得了一些进步。从国内外研究人员的现有研究成果来看，对于计算机视觉技术在农产品领域的研究应用，大多数集中在农产品的检测分级以及针对单个果蔬的分类识别上面，对于任意多个数量的果蔬识别研究比较少。
近年来，深度卷积网络在计算机视觉方面的良好性能越发凸显。同样是基于模式识别的图像研究，基于卷积神经网络的果蔬识别可以预见到可行性。作为果蔬商品化的一个重要环节，我国果蔬识别分类主要依靠人工完成，分类精度不稳定。目前，传统的超市通过扫描条形码识别商品的价格。但这种方式存在一定的弊端：因为实际生活中，给每个农产品都贴上二维码等标签来进行售卖显然是不可行的。由此可见，果蔬智能秤的研发势在必行。
1 系统整体设计
整个智能果蔬秤由桁架、称重系统和摄像头3个部分组成，外接网络，以实现果蔬的在线检测、智能识别称重以及付款功能。系统结构图如圖1所示。
2 系统上下位机设计
2.1 图像模块设计
为了方便系统管理员实时监控，上位机采集图像需采用云网络方式进行发送。为了便于果蔬识别，装载的摄像头需要有一个较大的视角。因此，该系统选择罗技C270/i的网络摄像头，最高提供78°的视角，满足设计需求，并采用OpenCV-Python进行图像处理。
2.2 硬件结构设计
AD转换传感器采用HX711，该芯片集成了包括稳压电源、片内时钟振荡器等其他同类型芯片所需要的外围电路，具有集成度高、响应速度快、抗干扰性强等优点。
称重传感部分采用半导体压电阻抗扩散压力传感器，在薄片表面形成半导体变形压力，通过外力（压力）使薄片变形而产生压电阻抗效果，从而使阻抗的变化转换成电信号。
光学传感部分采用CMOS图像传感器，当外界光照射像素阵列，发生光电效应，在像素单元内产生相应的电荷，再经过A/D转换成数字图像信号输出。
2.3 程序设计
下位机程序基于Keil4.7 for ARM平台编写，作品通过主控芯片控制传感器采集数据，再通过串口将采集数据传至上位机。
2.4 图像识别与处理设计
对于果蔬识别而言，目前最有效的处理方法是在图像预处理阶段进行颜色空间转换，从BGR空间转到HSV颜色空间。然后从中分离出H（色调）分量，进行颜色判别。相较于传统的机器视觉方法，深度卷积神经网络在大数据的训练下，从大量数据中识别出有用特征，再采用深度学习技术，通过大量样本训练，利用分类器去检测目标。
经典的卷积神经网络包括卷积神经层、ReLU层、Pooling层和规范化层。卷积神经网络沿用了普通的神经元网络，即多层感知器的结构，是一个前馈网络。以应用于图像领域的CNN为例（如图2所示），CNN的模型与BP神经网络的模型类似，都选用前向传播计算输出值，反向传播调整权重和偏置的方法;但它们两者之间的最大差异是 CNN中相邻两层的神经元之间采用部分连接的方式，而不是BP神经网络中采用的全连接方式。
该文采用的图像采集设备是分辨率为640×580的数码相机，此次选取了10种水果，在不同光照条件下从多个不同角度对水果进行图像采集。从计算角度考虑，我们将所有图像分别缩放到64×64和32×32两种尺寸，并将RGB图像进行灰度化处理转换成灰度图像。经过预处理得到水果图像样本并在每类水果中随机选取500张图像建立训练数据集，剩下100张图片作为测试数据集。训练数据集和测试数据集之间没有重叠。
2.5 界面设计
上位机界面设计如图3所示。
3 结语
该文对基于深度学习的智能果蔬秤进行研究与设计能够实现果蔬的智能识别和品质分类。区别于传统智能秤和现存的通过扫描条形码来识别的智能秤，仅通过图像处理就可以实现准确的分类，更加简便，易于使用。同时采用网络摄像头可以实时传输图像，有利于市场的实时监管。作品设计了扫码支付模块，无需人工收款，实现了称重支付的一体化服务。作品建立了深度学习的数据集，在3种不同光照条件下从多个角度对果蔬图像进行采集，可以识别不同光照、不同角度的果蔬，提高识别准确性和适应能力。
参考文献
[1] 葛纪帅，赵春江，黄文倩，等.基于智能称重水果分级生产线设计[J].农机化研究，2012（1）：126-130.
[2] 朱明，田爽，周峰，等.基于图像处理的果蔬溯源秤系统设计与开发[J].电子器件，2016，39（2）：488-494.
[3] 苏军雄，见雪婷，刘玮，等.基于可变卷积神经网络的手势识别方法[J].计算机与现代化，2018（4）：63-67.
[4] 王振，高茂庭.基于卷积神经网络的图像识别算法设计与实现[J].现代计算机：专业版，2015（20）：61-66.
[5] 高瑞军，黄永胜，虞玲，等.一种应用于溯源秤的计算机视觉果蔬识别算法[J].信息化研究，2013，39（6）：15-18.