基于神经网络进行图像识别的嵌入式监控设备

基于神经网络进行图像识别的嵌入式监控设备

本文在嵌入式设备上实现了一种基于神经网络算法进行数字图像识别的监控设备。通过嵌入式设备的摄像头采集图像数据，在上位机上进行图像处理后利用神经网络算法进行训练，然后将训练的神经元参数存入嵌入式设备。系统开始运行后，实时采集图像数据，通过神经网络进行识别分析，根据识别结果进行控制操作。此设备价格低廉，携带方便，易于后期扩展，后期会进一步增加通信等功能，实现采集数据的实时保存。

标签：嵌入式系统；神经网络算法；图像识别；生产监控

一、引言

本单位使用的生产设备大部分从国外进口，均是当时的成熟设备，随着生产工艺提高的需求，以及客户对品质要求越来越“苛刻”，这些设备逐渐显露出一些弊端。在生产过程中，产品品质主要受众多设备参数的影响，比如，加工过程中的温度、电压、电流、真空度、时间等，要获得更高品质的产品，就要严格的控制这些参数，而控制的前提就是能够“即时获取”。对于这些设备，获取这些信息往往都是通过员工拿着钟表周期性的人工检查记录，然后再输入计算机进行各种质量分析，在这一过程中，既耗费了大量的人力，记录和处理的准确性和时效性也大打折扣。过程信息无法即时获取，无法实时分析控制成为了一个亟待解决的问题。

我们对这些设备进行了一定程度的改造，加装了数据采集和监控，实现了数据的实时自动传输、存储、处理、异常示警等，通过对过程数据进行实施后期分析，为产品品质的提高提供了参考方向。但是对于一些高价值稀缺设备，加装监控有可能会对设备性能产生影响，甚至可能对设备造成破坏。为实现这类设备的实时监控，考虑通过不接触设备的图像识别技术将设备显示屏上的图像数据识别出来，根据识别的数据进行监控处理。最开始笔者考虑使用计算机采集数据并进行识别处理，这种方式相对简单，开发效率高，但是存在成本高、不易携带、占用空间等缺点。而嵌入式系统可以完美解决这些问题，因此决定采用嵌入式设备实现监控功能。

二、系统基本结构及原理

本设备的系统整体框图如下：

本设备分为两个流程，一个图像是数据训练流程，另外一个图像识别流程。

训练流程通过装在嵌入式设备上的摄像头将需要采集的数据采集到嵌入式设备，并进行简单的图像处理，将处理的数据保存在嵌入式设备，在采集到足够多的数据之后，在计算机通过神经网络算法进行图像识别训练，训练完成之后将得到的神经元参数下载到嵌入式设备。

图像识别流程将摄像头采集的数据在嵌入式设备上进行图像处理，然后通过已经训练好的神经网络进行图像识别，根据识别后的数据进行示警、存储、处理等操作。

以下对主要的部分加以介绍：

1.嵌入式系统平台和交叉编译环境

本设备处理器使用三星的ARM微处理器S3C2440，软件内核采用Linux2.6.32.2。计算机主机为Windows 10系统，Linux虚拟机使用Fedora9操作系统，三者通过网线和串口连接，构成了开发所需要的交叉编译环境。

2.摄像头与图像采集

由于S3C2440自带COMS摄像头引脚，为开发方便，本文使用与微处理器引脚兼容的OV9650摄像头，摄像头驱动使用了系统自带的摄像头驱动。嵌入式设备处理程序中通过使用摄像头驱动采集图像数据，在训练流程中，使用开源的libjpeg软件模块将采集的数据保存为jpg图像。而在识别流程中则直接采集到内存，在内存中进行后续的图像处理和识别等操作。

3.图像处理

因为采集到的图像数据为16位彩色数据，图像处理首先进行图像灰度化和二值化处理，将图像变成二值化的数据，然后通过去除噪声、倾斜度调整、字符切割，将图像数据切割成多个独立的字符，最后将字符进行归一化处理，将字符图像转换为大小相同的对象，为后续的训练和识别提供素材。

4.神经网络算法

因為本版本只是实现识别0～9共10个阿拉伯数字，功能相对简单，为加快识别速度，本文采用两层神经网络，即1个隐藏层，一个输出层。隐藏层神经单元数量采用5个，输出层神经单元数量为10个。在训练过程中，学习率定为0.1，经过5000次迭代，误差低于0.001，达到较好的识别效果。在训练后，将得到的神经网络参数下载到嵌入式设备，嵌入式设备在运行时通过相同的神经网络进行数据计算，实现了图像数据的准确识别。

5.嵌入式处理程序

在处理程序中，实现了数据采集、图像处理、神经网络识别、数据存储、监控报警等功能，提高工艺监控能力，保证了生产稳定性与可靠性。

三、结束语

本设计最大的特点是嵌入式系统与神经网络相结合，实现了不接触价值高昂的设备，通过视觉识别采集设备参数，提高了生产的可靠性，为工艺提高提供了数据支持。实践表明，本设备工作可靠，价格低廉、易于携带，便于后期扩展，适合各种设备的监控处理。但是也存在一些可以改进的地方，如可以增加英文字符和汉字的识别功能，增加FPGA进行数据处理以提高图像处理速度，增加网络通信功能实现数据的分布式保存。笔者会在日后的工作中改进本设备的效率、扩宽适用环境，为日常生产监控提供一套完整的解决方案。

参考文献：

[1]侯志祥，李河清，张玉萍.《基于神经网络的压力传感器数据融合》传感器技术2002（4）.

[2]张铁壁，马文华.《振动筒式压力传感器的FLANN非线性校正》微计算机信息，2005（2）.

[3]林广宇.《基于嵌入式技术的车载图像监控系统研究》博士论文，长安大学，2009.

[4]江俊辉.《基于ARM的嵌入式系统硬件设计》微计算机信息，2005（10）.