基于5G網絡的工業產品識別系統設計

林若波，姚 亮，謝 揚，陳旭文，吳容冰，許澤波

(1. 揭陽職業技術學院，522000，廣東，揭陽；2. 廣東偉興電子科技有限公司，522000，廣東，揭陽)

0 引言

隨著AI技術和5G網絡在我國的大規模商用，基于5G網絡的各項應用將如雨后春筍般不斷推陳出新，各種智能身份識別設備更是廣泛地應用于各個領域，并得到很好的應用效果，也取得很多相關研究成果[1-4]和專利成果[5-6]。如朱靜在面向再制造拆卸產品的工業機器人視覺識別與定位研究方面，提出一種輕卷積層的特征金字塔SSD目標檢測網絡，并以可視化界面的形式進行成果展示[1]。顧丹鵬等人在基于云原生技術的工程數據管理平臺研究方面，采用云原生微服務Spring Cloud 框架進行設計與實現，使平臺具備資源按需分配和彈性伸縮以及自動化部署和管理的能力[3]。孫堅提出一種基于5G和AI云邊協同的工業智能質檢系統，通過綜合識別性能、識別效率、成本等多個維度，采用云服務和邊緣計算相結合的部署方式，通過5G網絡對需要云端識別的數據進行傳輸，從而實現高效、高性能、低成本的工業智能質檢系統[6]。以上研究表明：在工業視覺檢測中的應用，應用各種神經卷積網絡以及AI智能算法進行機器學習和訓練，對提高工業產品識別正確率，起到決定性的作用，但同時也消耗了大量存儲資源，特別是高速海量數據傳輸，對傳輸網絡提出更高的技術要求。為此，本文基于5G網絡，研究工業產品識別裝置及系統設計，利用開源底層物體識別設備傳輸大批量數據，并從靜態和動態上進行掃描，實現多種工業產品的樣本采集和機器學習，提高識別準確度和管控效率。

1 基于5G網絡的工業產品識別系統構架

圖1給出了基于5G網絡的工業產品識別系統框圖，包括：識別裝置采集端、識別裝置控制板、5G網絡、云端識別系統、識別裝置管控端5個部分。

圖1 基于5G網絡的工業產品識別系統框圖

識別裝置采集端利用移動機器人Jetson系列進行動態掃描，可根據具體識別物體或識別精度調整模塊級別，并可配合巡弋四輪機器人對物體進行多角度，多維度立體識別，確保其準確率。通過定位傳感器反饋的信息進行判斷和定位，確定檢測對象，然后通過工業相機進行視頻或圖像采集，采集數據與識別裝置的識別裝置控制板連接。

識別裝置控制板通過數據處理模塊，將工業相機采集到的數據進行處理，通過數據塊發送模塊與5G網絡連接，實現5G通信。

云端識別系統包括標準工業產品掃描建模、特征提取算法、機器學習算法、工業產品模型數據庫、工業產品識別算法；標準工業產品掃描通過工業相機完成采集，通過特征提取算法完成建模；機器學習算法實現工業產品模型數據庫自動更新；工業產品識別算法對接收模塊的數據進行比對和識別。

識別裝置管控端與云端識別系統連接，通過顯示屏或計數器等終端顯示識別結果，通過追溯碼實現工業產品的溯源。

2 基于DNN算法的工業產品識別軟件實現

2.1 DNN深度神經網絡模型

工業產品數據模型庫的創建，包括標準工業產品靜態掃描、特征提取、機器學習、工業產品模型數據庫的生成。標準工業產品掃描采用工業相機進行采集，通過特征提取算法完成工業產品特征點的提取，再通過機器深度學習和記憶存儲，完成所述工業產品的模型數據。

卷積神經網絡(Convolutional Neural Network，CNN)是一種前饋神經網絡，它通過卷積、池化及激活等操作，能夠較好地學習空間上關聯特征[7-8]。深度神經網絡(Deep Neural Networks，DNN)依賴于CNN模型將圖像轉換為預測分類，CNN 的卷積運算將來自一個層的輸入數據(特征映射)與卷積核(濾波器)組合以形成下一層的變換特征映射，DNN深度神經網絡模型圖如圖2所示。

本系統設計中，DNN卷積網絡加入控制參數

圖2 DNN深度神經網絡模型圖

kp，更有效地實現采集數據的變換特征映射，這時DNN卷積網絡數學模型為：

χ(i,j)=1,0≤i,j≤n

0,others。

經實踐測試，kp取值為直線y=x附近的離散數值(p為離散數列)，取值范圍為0

圖3 kp的取值范圍及離散分布圖

動態掃描獲得的數據，采用DNN深度神經網絡算法進行處理后，將數據分辨率提升至4K像素，數據量和文件大小將會比原始數據大好多倍，必須通過高帶寬、低時延網絡環境進行高速傳輸處理。

2.2 基于5G網絡的加密解密傳輸算法

為解決高帶寬、低時延技術問題，本系統采用5G網絡進行數據實時傳輸。數據采集完成后，需要對數據進行分塊加密，再通過5G網絡傳輸給云計算服務器，云計算服務器計算后轉換為簡單識別參數或部分確定圖像，傳輸給客戶端進行驗證確認。

圖4給出了數據塊加密與解密流程圖，包括5G網絡數據塊發送端和接收端。在數據發送端，工業相機采集的數據，經數據處理模塊打包后形成數據塊，通過開源客戶端設備，采用公鑰密碼體制PKC(public key cryptosystem，)，嵌入加密密鑰和認證，形成加密數據塊，通過可信第3方PKG(private key generator，)生成私鑰，打包生成發送數據，通過數據塊發送模塊進行傳輸，送往5G網絡；若不成功則進行數據處理，按要求補充數據塊。在數據塊接收端，經5G網絡傳送的數據流，經數據塊接收模塊接收后，根據發送端發送的密鑰，進行數據解密，成功則送往工業產品識別算法進行運算和識別，完成數據塊的加密和解密通信；不成功則進行數據處理，按要求補充數據塊。

圖4 基于5G網絡的數據塊加密與解密流程圖

2.3 工業產品識別云端管理平臺設計

本系統摒棄傳統數據庫的模式，傳輸數據以Hash的形式，進入云計算服務器進行存儲。由于機器學習的系統需要對數據進行預處理后才能及時反饋識別結果，故采用預采集數據對云計算單元進行訓練和預測概率，在正式應用中采用及時數據進行傳輸識別，并將實際數據繼續用于對云計算單元的訓練，進一步提升物體識別的識別率，并為識別系統的廣泛應用提供后續支持。對于從5G傳輸過來的數據，采用算法對其進行識別運算，并依據計算處理后的結構數據存儲入云計算單元的Hash中，處理過程應重新編寫代碼并通過內部Pipe管道進行傳輸，減小系統之間數據傳輸的滯后和冗余現象。

系統云計算單元使用Pytorch進行物體識別的匹配運算，其算法為基本矩陣的加減乘除，算法簡單實用沒有多余計算，可以快速提高計算的效率并準確計算出需要輸出的結果。對于Pytorch識別出的結果，可依據需求進行傳輸，其過程性文件及結果文件應保留于云計算服務器中，以備檢查和系統識別應用。因機器學習過程中產生大量數據，并且運算過程不能像過程性程序般可以查看，其中間文件和運算結果文件就尤其重要，可用于問題查驗和bug尋找等功能。

機器學習是一種不間斷的學習，在識別其運行過程中，在沒有監控的情況下出現意想不到的運算錯誤，故本系統配套備份系統。備份系統可以有效恢復到正確應用的版本，并繼續完成系統的正常運行。系統備份時間間隔以時間點為標志，后續數據通過運行模塊，按照y=x+b的累加式備份，進行高效率備份。

3 基于5G網絡的工業產品識別系統應用

為實現工業產品的識別，本文開發了一套基于5G網絡的工業產品識別與溯源平臺，驗證本設計的實用性，主要功能包括系統登錄、系統管理、識別和溯源過程和識別結果顯示等，登錄界面如圖5所示。

圖5 登錄界面

識別和溯源過程包括標準模型創建、工業產品識別參數設置、工業產品溯源等。其中：標準件配置可以實現工業產品模型庫的創建，并對工業產品進行建模和文字說明操作；工業產品識別參數設置實現識別精度和識別效率的控制，對識別參數進行手工調整，優化識別結果，圖6為某工業產品識別參數設置前后的識別比較效果。從識別效果可以看出：本系統對于工業產品識別，具有很好的準確率和識別效果。

4 結論

本文主要提出3個創新點。

(1)未進行參數設置的識別效果

(2)進行參數設置的識別效果

(3)進一步參數優化設置后的最終識別效果

1)提出一種基于5G網絡的工業產品識別系統設計框架，實現工業產品識別和溯源。

2)應用深度神經網絡算法DNN進行數據處理時，加入控制參數kp，而kp取值為直線y=x附近的離散數值(p為離散數列)，取值范圍為0

3)開發一套基于5G網絡的工業產品識別與溯源平臺，驗證本系統的實用性，結果表明：本系統對于工業產品識別，具有很好的準確率和識別效果。