描述

每天，數(shù)十億個可變數(shù)據(jù)標(biāo)簽被用來提供重要的消費(fèi)者信息、捍衛(wèi)品牌、提供品牌保護(hù)和標(biāo)識，以及跟蹤或識別事物。如此多的功能被打包到一個很短的區(qū)域。寫在標(biāo)簽上的信息，無論是用作郵寄物品上的路由條形碼還是用于幫助識別產(chǎn)品，都必須清晰準(zhǔn)確，標(biāo)簽本身也必須放置得當(dāng)。標(biāo)簽檢測系統(tǒng)提供的功能可確保滿足這些標(biāo)準(zhǔn)。

打印質(zhì)量受多種因素影響很大，包括機(jī)器設(shè)置、環(huán)境條件和原材料質(zhì)量。貼錯標(biāo)簽、墨水溢出、污跡斑斑的文字、缺失的印刷品、圓點(diǎn)和標(biāo)記是與印刷相關(guān)的常見現(xiàn)象。這些缺陷不僅會留下誤解和錯誤信息的可能性，還會導(dǎo)致客戶反復(fù)拒絕并降低品牌價值。檢查印刷質(zhì)量是一個關(guān)鍵步驟，可以讓您的生產(chǎn)免于所有這些麻煩。

因此，我們正在嘗試構(gòu)建一個自動化標(biāo)簽快速準(zhǔn)確的檢測系統(tǒng)，利用 FOMO 的功能來檢測墨水污跡、異物、不需要的點(diǎn)和標(biāo)記、倒置標(biāo)簽以及許多其他打印問題。由于 FOMO 快速準(zhǔn)確，因此可以以極低的價格構(gòu)建自動標(biāo)簽檢測系統(tǒng)，并具有極高的準(zhǔn)確性和速度。

?

?

的

它是如何工作的

我們的系統(tǒng)由一個 Raspberry Pi 4 和一個兼容的 5 MP 攝像頭模塊組成。該系統(tǒng)不斷運(yùn)行使用 FOMO 構(gòu)建的 AI 模型。該模型目前能夠檢測墨水溢出、墨水污跡、模切和倒置標(biāo)簽。可以輕松添加更多類，并且可以使系統(tǒng)更加健壯。

如果系統(tǒng)檢測到任何已知缺陷，它會在 Web 界面中生成警報，可以輕松監(jiān)控。這個系統(tǒng)可以很容易地調(diào)整，只要在印刷機(jī)本身檢測到缺陷，機(jī)器就會立即停止以防止操作員干預(yù)，從而減少由于機(jī)器錯誤導(dǎo)致任何此類缺陷的可能性。或者，該系統(tǒng)可以很容易地用于使用分類器設(shè)備從一組印刷標(biāo)簽中對有缺陷的標(biāo)簽進(jìn)行分類。

?

的

硬件要求

• 樹莓派 4
• 5 MP 攝像頭模塊

軟件要求

• 邊緣脈沖
• Python

硬件設(shè)置

硬件設(shè)置非常簡單。它由一個 Raspberry Pi 4 Model B 和一個兼容的 5 MP 攝像頭模塊組成。

?

?

軟件設(shè)置

Raspberry Pi 4 隨附快速入門指南，可幫助您在設(shè)備上設(shè)置 Edge Impulse。按照說明將您的設(shè)備連接到 Edge Impulse Dashboard。

?

的

構(gòu)建 TinyML 模型

一旦我們設(shè)置了硬件和軟件，現(xiàn)在就可以構(gòu)建 tinyML 模型了。讓我們從收集一些數(shù)據(jù)開始。

1. 數(shù)據(jù)采集與標(biāo)注

我們的數(shù)據(jù)由四類組成：墨水污跡、墨水溢出、模切和倒置標(biāo)簽。

弄臟

?

?

墨水溢出

?

?

模切

?

?

反轉(zhuǎn)字符

?

?

我們收集了屬于每個類別的 20 張圖像，并使用數(shù)據(jù)上傳器上傳了它們。從Labeling Queue中給它們打上標(biāo)簽，按照 80:20 的比例分成訓(xùn)練集和測試集，這樣就形成了一個很好的數(shù)據(jù)集，可以開始模型訓(xùn)練了。

2. 脈沖架構(gòu)

由于我們使用 FOMO 作為我們的對象檢測模型，它在 96 X 96 圖像上表現(xiàn)更好，我們將圖像寬度和高度設(shè)置為 96px。保持調(diào)整大小模式以適合最短軸，向脈沖添加圖像處理塊和對象檢測（圖像）學(xué)習(xí)塊。

?

?

繼續(xù)保持設(shè)置不變，并使用Feature Explorer查看數(shù)據(jù)集合和類的分離程度。

?

3. 模型訓(xùn)練與測試

一旦我們設(shè)計了我們的沖動，讓我們繼續(xù)訓(xùn)練模型。我們使用的模型訓(xùn)練設(shè)置如圖所示。您可以調(diào)整參數(shù)，使經(jīng)過訓(xùn)練的模型顯示出更高的準(zhǔn)確性，但在使用模型訓(xùn)練設(shè)置時要小心過度擬合。

?

在本例中，我們使用FOMO (MobileNet V2 0.35)作為神經(jīng)網(wǎng)絡(luò)，輸出快速、輕量級且可靠的機(jī)器學(xué)習(xí)模型。我們使用 225 個學(xué)習(xí)周期和 0.003 的學(xué)習(xí)率來構(gòu)建一個功能齊全的模型。

?

經(jīng)過訓(xùn)練的模型準(zhǔn)確率達(dá)到 97%，非常棒。現(xiàn)在讓我們測試模型如何處理一些以前未知的數(shù)據(jù)。繼續(xù)進(jìn)行模型測試和全部分類以評估模型的性能。

?

我們有 87.5% 的準(zhǔn)確率，非常有前途。現(xiàn)在讓我們用一些實(shí)時分類再次驗(yàn)證它。導(dǎo)航到實(shí)時分類并從您的開發(fā)板或上傳的測試數(shù)據(jù)中收集一些圖像樣本。

4.直播分類

在這里，我們從 RPI 4 收集一些數(shù)據(jù)并進(jìn)行測試。

?

該模型運(yùn)行良好。現(xiàn)在讓我們將它部署回設(shè)備。

Firebase 實(shí)時數(shù)據(jù)庫

對于我們的項目，我們使用了 Firebase 實(shí)時數(shù)據(jù)庫，它使我們無需等待即可快速上傳和檢索數(shù)據(jù)。在這種情況下，我們利用了 Pyrebase 包，它是 Firebase 的 Python 包裝器。

要安裝 Pyrebase，

pip install pyrebase

在數(shù)據(jù)庫中，按照給定的步驟操作。

• 創(chuàng)建項目
• 然后導(dǎo)航到構(gòu)建部分并創(chuàng)建一個實(shí)時數(shù)據(jù)庫。
• 以測試模式啟動，因此我們可以在不進(jìn)行任何身份驗(yàn)證的情況下更新數(shù)據(jù)
• 從項目設(shè)置中，復(fù)制配置。

現(xiàn)在通過替換配置詳細(xì)信息將這段代碼添加到您的 python 文件中以從 firebase 訪問數(shù)據(jù)。

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

網(wǎng)絡(luò)界面

我們正在使用一個使用 HTML、CSS 和 JS 創(chuàng)建的網(wǎng)頁來實(shí)時顯示缺陷。Firebase 實(shí)時數(shù)據(jù)庫中更新的數(shù)據(jù)在網(wǎng)頁上實(shí)時更新。該網(wǎng)頁顯示各種缺陷及其發(fā)生情況，以便操作員可以輕松查找特定問題。

?

代碼

該項目的代碼是使用 Python 和 Edge Impulse Python SDK 開發(fā)的。整個代碼和資產(chǎn)在 github 存儲庫中可用。

?

?

?