SCI论文（www.lunwensci.com）
摘 要：刺梨具有药用和食用价值,含有多种氨基酸和微量元素,但现有的刺梨产业面临着鲜果贮存和加工能力不足的挑 战,亟需提高刺梨的分拣加工水平。本文以 Docker 为容器技术,以 OpenDataCam 系统为机器视觉和应用展示框架,设计并 实现了一套刺梨分拣实验平台。试验结果表明,该平台能够有效地提升刺梨分拣的效率和规模化程度,并为未来水果机器视觉 平台的构建提供了借鉴。
关键词：容器技术,刺梨果实,机器视觉
Construction of Rosa Roxburghii Tratt Fruit Sorting Experimental Platform Based on Container Technology
WANG Xu, FU Xiaofeng, ZHANG Xiaoyuan
(Nankai University Binhai College, Tianjin 300270)
【Abstract】： Rosa roxburghii Tratt fruit has medicinal and edible value, containing various amino acids and trace elements. However, the existing prickly pear industry is facing the challenge of insufficient fresh fruit storage and processing capacity, and it is urgent to improve the sorting and processing level of prickly pear. In this paper, we design and implement a Rosa roxburghii Tratt fruit sorting experimental platform based on Docker as the container technology and OpenDataCam system as the machine vision and application demonstration framework. The experimental results show that the platform can effectively improve the efficiency and scalability of Rosa roxburghii Tratt fruit sorting, and provide a reference for the construction of future fruit machine vision platforms.
【Key words】： container technology;rosa roxburghiitratt fruit;machine vision
0 引言
刺梨是一种具有高附加值和市场竞争力的特色农产 品,富含多种氨基酸、矿物质、黄酮类化合物等有益成 分,可用于预防和治疗多种疾病 ;同时,刺梨还可以加 工成果汁、果茶等多种产品,满足不同消费者的需求和 喜好。贵州省是中国最大的刺梨生产基地之一,拥有丰 富的资源优势和良好的生态环境 [1]。然而,在快速发展 的同时,贵州省刺梨产业面临着鲜果贮存和加工能力不 足的挑战。由于刺梨鲜果成熟期较短,易于腐烂,因此 需要在 24 小时内进行分拣加工 [2]。
为了提高刺梨的分拣效率和质量,本文搭建了基于容器技术的刺梨分拣实验平台,该实验平台能够对刺梨 果实大小及形状进行识别,减少了人为干预。相比现有 的分选设备,该实验平台具有结构简单、能耗低、成本 低、对人的依赖性弱等优点,在工业生产中将会具有广 泛的应用前景。
1 相关技术
本研究采用了多种工具和技术,如图 1 所示为实验 过程中所用到的工具和技术关系。
1.1 数据采集与分析：OpenDataCam
OpenDataCam[3] 是一种开源的工具,它能够利用 人工智能在任何视频流上进行对象的检测、跟踪和计数。 本实验 以 OpenDataCam 搭建平 台是 由于 ：(1) 支持多种视频输入源,无需特殊的硬件设备 ;(2)兼容 多种物体检测算法,可根据刺梨分拣场景和需求进行定 制 ;(3)能够实时显示视频分析结果,并提供可视化界 面和来查询和导出刺梨分拣数据。
1.2 应用开发与部署：DeepStream SDK
DeepStream SDK 是一个基于 GStreamer 多媒体框 架的流分析工具包,旨在利用 AI 技术实现多传感器处理、 视频、音频和图像理解。本实验平台采用 DeepStream SDK 进行刺梨机器视觉应用模型的开发和部署,主要 基于以下考虑 ：(1)充分发挥 NVIDIA GPU 的强大计 算能力,提升刺梨识别模型的性能和效率 ;(2)支持多 种输入源和输出格式,便于对不同类型的刺梨图像进行 处理和展示 ;(3)方便与其他框架和工具协作,简化刺 梨识别模型的训练和优化过程。
1.3 目标检测与识别：YOLO
YOLO[4](You Only Look Once) 是一种基于深度学 习的目标检测算法,它可以在一张图像中检测出多个物 体,并识别出它们在图像中的位置 [5]。相比于以往的目 标检测算法, YOLO v4 具有更快的检测速度和更高的 准确率。本实验平台选用 YOLO v4 模型进行刺梨果实 的检测,有以下几个原因 ：(1)在保证高检测精度的前 提下, YOLO v4 模型具有实时性的优势 ;(2) 能够适 应目标物体的多样性,包括大小和形状的变化 ;(3)能 够有效地避免过拟合和特征冗余的问题。
1.4 数据集制作与整理：LabelImg
LabelImg[6] 是一种图形化的图像标注工具,能够 生成适用于分类和目标检测任务的标签。该工具在机器视觉领域具有广泛的应用和优势,本实验平台采用 LabelImg 进行刺梨图像数据集的制作与整理,有以下 几个原因 ：(1)可以快速地对大量的刺梨图像进行批量 标注,提高了数据集制作的效率 ;(2)可以根据不同的 刺梨种类,选择不同的标注格式,并且可以随时修改或 删除已有的标注信息 ;(3)预览标注结果,并且提供了 缩放、旋转、翻转等功能,方便了对刺梨图像进行处理 和调整。
1.5 环境配置与迁移：Docker
Docker 是一个开源的平台,可以让开发者构建、部 署、运行、更新和管理容器 [7]。本实验平台使用 Docker 进行机器视觉模型环境配置与开发,主要基于以下考 虑 ：(1)提供一致的运行环境,消除因操作系统、软件 版本、依赖库等差异引起的兼容性问题 ;(2)实现刺梨 图像识别模型的快速封装、分发和执行,便于在不同的 设备上进行测试和验证 ;(3)利用镜像和容器的机制, 实现模型的复用和共享,提高开发效率 ;(4)支持多个 容器同时运行,实现刺梨图像识别模型的并行处理和负 载均衡。
2 刺梨分拣实验平台架构
本实验平台将分拣设备与 Docker 容器结合,利用 容器技术和 OpenDataCam 系统实现了刺梨果实的图像 识别、跟踪和分拣功能。该平台由硬件和软件部分组成。
2.1 硬件部分
硬件主要包含五个部分, 如图 2 所示 ：(1) 上料 机构采用单果上料的方式,保证每次只上料一个刺梨果 实 ;(2)输送机构的功能是接收、输送和运送刺梨果 实,为图像采集和分拣提供条件 ;(3)分选机构的功 能是根据检测结果,将刺梨果实分别卸入不同的收集装 置 ;(4)图像采集装置的功能是获取刺梨果实表面信 息,为图像处理提供数据 ;(5)控制系统是基于机器 视觉的刺梨果实分选研究的核心部分,由控制单元和检 测单元构成。图像采集、图像处理和控制三部分协同工 作,实现对刺梨的分拣。
2.2 软件部分
本实验提出了一个刺梨图像识别和跟踪系统,该系 统是完全可扩展的。该系统由 OpenDataCam 工具扩 展和额外集成的模块组成,系统示意如图 3 所示。
本实验平台的软件部分是基于 YOLOv4 Darknet CNN 模型的刺梨图像识别和跟踪系统,具有模块化的 特点。主要包括以下几个部分 ：
(1)模型训练服务 ：部署模型新权重的扩展服务, 供神经网络执行环境使用 ;
(2) 神经网络执行环境 (Neural Network Execution Environment, NNEE) ：此 Docker 镜像存储了预训练 的刺梨图像识别模型。该镜像通过 OpenCV 模块接收摄 像头输入的视频流, 并将刺梨识别数据传递给 NodeJS 应用程序 ;
(3) NodeJS 应用程序 ：由两个服务器应用程序组 成,分别是 HTTP 代理和后端服务 ;
1) HTTP 代理 ：负责接收模型配置并启动 NNEE Docker 镜像。同时,该代理也启动用户界面,并通过 MJPEG 流将视频数据发送到前端应用程序。
2) 后端服务 ：从 NNEE JSON 流接收识别结果,并 将其处理后存储在数据库中。该服务还将识别结果对应 的视频帧送入跟踪器模块,以跟踪和计数识别出的刺梨。
(4)数据库存储 ：保存对每个刺梨对象识别类别进 行跟踪的信息。
3 实验过程及结果分析
实验过程如图 4 所示,可以分为三个阶段 ：
(1) 数据阶段 ：采集并标注了大量刺梨图像, 对原 始数据进行了预处理和增强操作。
(2) 模型阶段 ：选择或设计了合适的网络结构, 优 化了刺梨图像识别模型的性能。
(3)结果阶段 ：测试了刺梨图像识别模型在不同场 景下的特性,设计并开发了用户界面和反馈机制。
3.1 数据采集
数据采集是构建刺梨图像分拣实验平台的重要环节,它决定了模型训练服务的输入质量和泛化能力。通过采集图像、数据增强和数据标注过程后,本实验构建了一个包含约 400 张刺梨图片的数据集,如图 5 所示, 覆盖了刺梨图像识别模型所需的各种场景和特征,为模 型的训练和测试奠定了基础。
3.2 模型训练
模型训练是刺梨图像识别模型的关键部分,其效果 直接决定了刺梨图像识别模型的性能和准确度,因此需 要选用合适的网络结构、超参数和优化方法,来提升模 型训练的效率和质量。为了训练刺梨图像识别模型,本 实验从先前制作的数据集中随机选取 36 张作为验证集, 剩余的刺梨图片作为训练集。在模型训练中设置了 200 轮的训练过程,每轮使用 32 张图片进行批量梯度下降 优化。
3.3 结果分析
在训练过程中,实验记录了刺梨图像识别模型在训 练集和验证集上的损失函数值和精度指标,如图 7 所 示。图中黄色曲线表示训练损失,反映了模型对训练数据的拟合程度 ;绿色曲线表示验证精度,反映了模型对 新数据的泛化能力。
结合图 6 和表 1 可以看出,在第 30 轮迭代后,刺 梨图像识别模型的性能就不再提升,说明已经达到了最 优状态或者过拟合。因此,本实验选择第 30 轮迭代后 得到的模型参数作为最终结果,并将其封装在神经网络 执行环境容器中,供识别和追踪模块调用。
如图 7 所示, 本文所设计的基于容器技术的刺梨分 拣实验平台能够实现对刺梨果实的高效识别,识别率超 过 70%。根据算法在不同环境条件下对刺梨果实的识 别率和实时性的分析,本实验平台具有较高的准确性和 实时性,能够适应自动化装置的作业需求。
4 总结
本文针对贵州省刺梨产业面临的鲜果贮存和加工能 力不足的挑战,搭建了基于容器技术的刺梨分拣实验平 台,通过实验验证了该平台的可行性和有效性。本文为 贵州省刺梨产业的优化发展提供了一种新的技术方案, 并为其他水果机器视觉平台的构建提供了借鉴和启示。
参考文献
[1] 罗其琪,欧娟,李咏富,等.贵州省刺梨产业技术研究进展[J]. 农技服务,2022.39(8):58-63.
[2] 史官清,涂兴蜓,李慧君.贵州省刺梨产业优化发展的问题与 对策研究[J].中国果树,2021(11):103-108.
[3] OpenDataCam[EB/OL]. https://opendata.cam/.
[4] YOLO:Real-Time Object Detection[EB/OL].https:// pjreddie.com/darknet/yolo/.
[5] Sharma A.Introduction to the YOLO Family[EB/OL]// PyImageSearch.(2022-04-04).https://pyimagesearch. com/2022/04/04/introduction-to-the-yolo-family/.
[6] Heartexlabs/labelImg[CP].Heartex,2023.
[7] Docker overview[EB/OL]//Docker Documentation. (2023-03-20).https://docs.docker.com/get-started/overview/.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/61297.html
