基于5G网络的工业产品识别系统设计

林若波，姚 亮，谢 扬，陈旭文，吴容冰，许泽波

(1. 揭阳职业技术学院，522000，广东，揭阳；2. 广东伟兴电子科技有限公司，522000，广东，揭阳)

0 引言

随着AI技术和5G网络在我国的大规模商用，基于5G网络的各项应用将如雨后春笋般不断推陈出新，各种智能身份识别设备更是广泛地应用于各个领域，并得到很好的应用效果，也取得很多相关研究成果[1-4]和专利成果[5-6]。如朱静在面向再制造拆卸产品的工业机器人视觉识别与定位研究方面，提出一种轻卷积层的特征金字塔SSD目标检测网络，并以可视化界面的形式进行成果展示[1]。顾丹鹏等人在基于云原生技术的工程数据管理平台研究方面，采用云原生微服务Spring Cloud 框架进行设计与实现，使平台具备资源按需分配和弹性伸缩以及自动化部署和管理的能力[3]。孙坚提出一种基于5G和AI云边协同的工业智能质检系统，通过综合识别性能、识别效率、成本等多个维度，采用云服务和边缘计算相结合的部署方式，通过5G网络对需要云端识别的数据进行传输，从而实现高效、高性能、低成本的工业智能质检系统[6]。以上研究表明：在工业视觉检测中的应用，应用各种神经卷积网络以及AI智能算法进行机器学习和训练，对提高工业产品识别正确率，起到决定性的作用，但同时也消耗了大量存储资源，特别是高速海量数据传输，对传输网络提出更高的技术要求。为此，本文基于5G网络，研究工业产品识别装置及系统设计，利用开源底层物体识别设备传输大批量数据，并从静态和动态上进行扫描，实现多种工业产品的样本采集和机器学习，提高识别准确度和管控效率。

1 基于5G网络的工业产品识别系统构架

图1给出了基于5G网络的工业产品识别系统框图，包括：识别装置采集端、识别装置控制板、5G网络、云端识别系统、识别装置管控端5个部分。

图1 基于5G网络的工业产品识别系统框图

识别装置采集端利用移动机器人Jetson系列进行动态扫描，可根据具体识别物体或识别精度调整模块级别，并可配合巡弋四轮机器人对物体进行多角度，多维度立体识别，确保其准确率。通过定位传感器反馈的信息进行判断和定位，确定检测对象，然后通过工业相机进行视频或图像采集，采集数据与识别装置的识别装置控制板连接。

识别装置控制板通过数据处理模块，将工业相机采集到的数据进行处理，通过数据块发送模块与5G网络连接，实现5G通信。

云端识别系统包括标准工业产品扫描建模、特征提取算法、机器学习算法、工业产品模型数据库、工业产品识别算法；标准工业产品扫描通过工业相机完成采集，通过特征提取算法完成建模；机器学习算法实现工业产品模型数据库自动更新；工业产品识别算法对接收模块的数据进行比对和识别。

识别装置管控端与云端识别系统连接，通过显示屏或计数器等终端显示识别结果，通过追溯码实现工业产品的溯源。

2 基于DNN算法的工业产品识别软件实现

2.1 DNN深度神经网络模型

工业产品数据模型库的创建，包括标准工业产品静态扫描、特征提取、机器学习、工业产品模型数据库的生成。标准工业产品扫描采用工业相机进行采集，通过特征提取算法完成工业产品特征点的提取，再通过机器深度学习和记忆存储，完成所述工业产品的模型数据。

卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络，它通过卷积、池化及激活等操作，能够较好地学习空间上关联特征[7-8]。深度神经网络(Deep Neural Networks，DNN)依赖于CNN模型将图像转换为预测分类，CNN 的卷积运算将来自一个层的输入数据(特征映射)与卷积核(滤波器)组合以形成下一层的变换特征映射，DNN深度神经网络模型图如图2所示。

本系统设计中，DNN卷积网络加入控制参数

图2 DNN深度神经网络模型图

kp，更有效地实现采集数据的变换特征映射，这时DNN卷积网络数学模型为：

χ(i,j)=1,0≤i,j≤n

0,others。

经实践测试，kp取值为直线y=x附近的离散数值(p为离散数列)，取值范围为0

图3 kp的取值范围及离散分布图

动态扫描获得的数据，采用DNN深度神经网络算法进行处理后，将数据分辨率提升至4K像素，数据量和文件大小将会比原始数据大好多倍，必须通过高带宽、低时延网络环境进行高速传输处理。

2.2 基于5G网络的加密解密传输算法

为解决高带宽、低时延技术问题，本系统采用5G网络进行数据实时传输。数据采集完成后，需要对数据进行分块加密，再通过5G网络传输给云计算服务器，云计算服务器计算后转换为简单识别参数或部分确定图像，传输给客户端进行验证确认。

图4给出了数据块加密与解密流程图，包括5G网络数据块发送端和接收端。在数据发送端，工业相机采集的数据，经数据处理模块打包后形成数据块，通过开源客户端设备，采用公钥密码体制PKC(public key cryptosystem，)，嵌入加密密钥和认证，形成加密数据块，通过可信第3方PKG(private key generator，)生成私钥，打包生成发送数据，通过数据块发送模块进行传输，送往5G网络；若不成功则进行数据处理，按要求补充数据块。在数据块接收端，经5G网络传送的数据流，经数据块接收模块接收后，根据发送端发送的密钥，进行数据解密，成功则送往工业产品识别算法进行运算和识别，完成数据块的加密和解密通信；不成功则进行数据处理，按要求补充数据块。

图4 基于5G网络的数据块加密与解密流程图

2.3 工业产品识别云端管理平台设计

本系统摒弃传统数据库的模式，传输数据以Hash的形式，进入云计算服务器进行存储。由于机器学习的系统需要对数据进行预处理后才能及时反馈识别结果，故采用预采集数据对云计算单元进行训练和预测概率，在正式应用中采用及时数据进行传输识别，并将实际数据继续用于对云计算单元的训练，进一步提升物体识别的识别率，并为识别系统的广泛应用提供后续支持。对于从5G传输过来的数据，采用算法对其进行识别运算，并依据计算处理后的结构数据存储入云计算单元的Hash中，处理过程应重新编写代码并通过内部Pipe管道进行传输，减小系统之间数据传输的滞后和冗余现象。

系统云计算单元使用Pytorch进行物体识别的匹配运算，其算法为基本矩阵的加减乘除，算法简单实用没有多余计算，可以快速提高计算的效率并准确计算出需要输出的结果。对于Pytorch识别出的结果，可依据需求进行传输，其过程性文件及结果文件应保留于云计算服务器中，以备检查和系统识别应用。因机器学习过程中产生大量数据，并且运算过程不能像过程性程序般可以查看，其中间文件和运算结果文件就尤其重要，可用于问题查验和bug寻找等功能。

机器学习是一种不间断的学习，在识别其运行过程中，在没有监控的情况下出现意想不到的运算错误，故本系统配套备份系统。备份系统可以有效恢复到正确应用的版本，并继续完成系统的正常运行。系统备份时间间隔以时间点为标志，后续数据通过运行模块，按照y=x+b的累加式备份，进行高效率备份。

3 基于5G网络的工业产品识别系统应用

为实现工业产品的识别，本文开发了一套基于5G网络的工业产品识别与溯源平台，验证本设计的实用性，主要功能包括系统登录、系统管理、识别和溯源过程和识别结果显示等，登录界面如图5所示。

图5 登录界面

识别和溯源过程包括标准模型创建、工业产品识别参数设置、工业产品溯源等。其中：标准件配置可以实现工业产品模型库的创建，并对工业产品进行建模和文字说明操作；工业产品识别参数设置实现识别精度和识别效率的控制，对识别参数进行手工调整，优化识别结果，图6为某工业产品识别参数设置前后的识别比较效果。从识别效果可以看出：本系统对于工业产品识别，具有很好的准确率和识别效果。

4 结论

本文主要提出3个创新点。

(1)未进行参数设置的识别效果

(2)进行参数设置的识别效果

(3)进一步参数优化设置后的最终识别效果

1)提出一种基于5G网络的工业产品识别系统设计框架，实现工业产品识别和溯源。

2)应用深度神经网络算法DNN进行数据处理时，加入控制参数kp，而kp取值为直线y=x附近的离散数值(p为离散数列)，取值范围为0

3)开发一套基于5G网络的工业产品识别与溯源平台，验证本系统的实用性，结果表明：本系统对于工业产品识别，具有很好的准确率和识别效果。