Manufaktur industri
Industri Internet of Things | bahan industri | Pemeliharaan dan Perbaikan Peralatan | Pemrograman industri |
home  MfgRobots >> Manufaktur industri >  >> Manufacturing Technology >> Proses manufaktur

Membangun Pengenali Angka Tangan Raspberry Pi dengan TensorFlow & OpenCV

Temukan cara melatih jaringan saraf konvolusional mendalam untuk mentranskripsi angka tangan dan menyebarkannya di Raspberry Pi menggunakan Kamera Pi, OpenCV, dan TensorFlow.

Ringkasan

Dalam proyek ini kita akan melalui seluruh alur AI: dari persiapan data dan pelatihan model di laptop, hingga pengenalan angka secara real-time di kamera Pi. Solusi ini mengandalkan Scikit-Learn dan OpenCV 3.3 untuk manipulasi gambar, dan Keras (dengan backend TensorFlow) untuk komponen pembelajaran mendalam.

Kami menggunakan dataset MNIST – 60.000 gambar pelatihan dan 10.000 gambar uji angka grayscale 28×28 piksel. Gambar yang ditangkap oleh kamera Pi diproses terlebih dahulu untuk cocok dengan format ini sebelum dimasukkan ke jaringan yang telah dilatih.

Arsitektur jaringan adalah tumpukan konvolusi standar diikuti oleh lapisan output yang terhubung sepenuhnya dengan sepuluh neuron, masing-masing mewakili satu angka (0–9).

Setelah model dilatih, bobotnya dipindahkan ke Raspberry Pi. Skrip Python ringan menangkap frame, menerapkan konversi grayscale, thresholding, pengubahan ukuran, inversi, lalu melakukan inferensi.

Pengaturan Hardware

Untuk demonstrasi, saya memasang Kamera Pi pada penopang sementara – rangka sederhana yang dipegang tangan yang menjaga kamera tetap fokus pada satu angka. Dalam praktiknya, penopang tetap atau enclosure kecil dapat meningkatkan stabilitas.

Instalasi Perangkat Lunak

Buat lingkungan virtual Python di Pi dan instal perpustakaan yang diperlukan. Perintah di bawah ini mengasumsikan Anda memiliki Raspberry Pi OS yang berfungsi dan Python 3.7+.

source ~/.profile workon cv python PiCameraApp.py --picamera 1 

Instal TensorFlow

pip install tensorflow 

Instal Keras

pip install keras 

Instal OpenCV 3.3

OpenCV harus dikompilasi dari sumber untuk mengaktifkan optimasi penuh di Pi. Panduan langkah demi langkah tersedia di PyImageSearch.

https://www.pyimagesearch.com/2017/09/04/raspbian-stretch-install-opencv-3-python-on-your-raspberry-pi/ 

Terakhir, instal perpustakaan PiCamera dengan optimasi NumPy:

pip install "picamera[array]" 

Pelatihan Model

Jalankan skrip pelatihan di laptop (lebih baik dengan GPU). Skrip mendefinisikan CNN di Keras, mengompilasinya, melatihnya pada data MNIST, memvalidasi kinerja, lalu menyimpan bobot ke model_weights.h5.

python Train_MNIST.py 

Jika Anda memiliki GPU NVIDIA, instal TensorFlow dan driver CUDA yang diaktifkan GPU untuk mempercepat pelatihan. Tanpa GPU proses akan tetap selesai, meskipun akan memakan waktu lebih lama.

Setelah pelatihan, transfer model_weights.h5 ke Pi melalui scp atau WinSCP.

Pengenalan Angka Real-Time

Jalankan skrip pengenalan di Pi. Program menangkap frame saat Anda menekan t dan diakhiri dengan q. Akurasi bergantung besarnya pada pencahayaan, sudut, dan kejelasan tulisan tangan. Hasil umum mencapai >95% akurasi pada angka yang bersih dan kontras tinggi.

Pipeline Pra-pemrosesan Gambar

Model mengeluarkan vektor probabilitas panjang sepuluh. Indeks dengan probabilitas tertinggi adalah angka yang diprediksi.

Kesimpulan Utama

Contoh ini menunjukkan alur kerja akhir ke akhir yang lengkap: persiapan data, pelatihan model, penyebaran, dan inferensi pada komputer papan tunggal. Kode tersedia di GitHub untuk siapa pun yang ingin bereksperimen atau memperluas sistem.

Referensi

Sumber: AI Digit Recognition with PiCamera

Proses manufaktur

  1. Acceed IGS-9822DGP: Switch Gigabit 12 Port dengan 4 Port SFP – Solusi Jaringan Industri Berkinerja Tinggi
  2. AAEON & Intel Menyediakan FWS-8600: Aplian Jaringan 2U 40-Inti dengan Throughput 400 Gbps
  3. Lanner Meningkatkan Network Appliances dengan Prosesor Intel Xeon Scalable Generasi ke-2
  4. Cara Membaca Suhu dengan DS18B20 pada Raspberry Pi 2
  5. Pengukuran Suhu Raspberry Pi dengan Sensor 1-Wire Maxim dan Jembatan I2C DS2482
  6. Pemantauan Suhu Akurat di Lemari Server dengan Raspberry Pi
  7. Posture Pal dengan Walabot – Pemantauan Jarak Waktu Nyata untuk Mencegah Nyeri Leher & Punggung
  8. Memulai dengan TJBot: Bangun, Konfigurasikan, dan Kendalikan dengan Suara Robot AI Anda
  9. Membuat Segway Swanderir Mandiri dengan Raspberry Pi
  10. Memperluas GoPiGo v2 pada Windows 10 IoT Core untuk Raspberry Pi 3