本次專題主要是以樹莓派為基礎進行「輸送帶影像辨識分類機電整合」專題製作,在這次專題製作裡,我們採用的影像辨識分類的神經網路訓練平台是透過Teachable Machine的Image Project進行,並且匯出成Tensorflow-Lite框架於樹莓派上進行推論,程式設計是以Python為基礎進行影像辨識分類、馬達控制、光遮斷偵測等動作。
此外,輸送帶本身是透過金屬加工的H型鋁架與3D列印件組成基本的機構,輸送帶本身採用與產業界輸送帶相同的編織面輸送帶材質進行製作。這個專題製作基本上只有模擬輸送帶一小段的過程,透過串接不同長度規模的輸送帶,即可以做出類似生產線上的運作過程。
一、影像辨識部分
1. Teachable Machine
- 網站連結:https://teachablemachine.withgoogle.com/train/image
- 平台使用教學連結:https://www.rs-online.com/designspark/google-teachable-machine-raspberry-pi-4-cn
Teachable Machine在本專題應用時匯出模型使用的是Tensorflow-Lite框架作為神經網路的推論引擎,基本上Tensorflow-Lite是一個精巧版的Tensorflow模型框架,較小的模型代表著在執行推論時可以有較快的運算速度,很適合用於邊緣運算裝置的使用。
2. 影像分類程式
透過Python3執行影像分類程式,程式的運作流程是採用「觸發辨識」的概念進行設計,為降低樹莓派在執行程式的運算負荷,影像辨識程式採用的是偵測觸發而後進行影像分類神經網路運算,這樣樹莓派的在運作的過程便可以不需要一直處於大量運算的狀態而降低整體系統運作效能。
3. 架設影像辨識攝影機
影像辨識的攝影機採用羅技系列的Webcam,架設在輸送帶的上方以俯視的視角進行影像資料的擷取,這樣的設計可以有效綜覽辨識物件的外觀,透過3D列印件固定於輸送帶的運作軌道上,詳細的架設照片如圖1與圖2。
只需不到短短一分鐘...
輸入您的信箱與ID註冊即可享有一切福利!
會員福利
免費電子報
會員搶先看
主題訂閱
好文收藏