[实用新型]一种基于深度学习的自动称重机

说明书

技术领域：

本实用新型涉及机器视觉领域，尤其涉及一种基于深度学习的自动称重机。

背景技术：

随着电子技术的发展，各种电子称重器在大到商城超市，小到集市便利店，以及各行各业的物品称重，都被普遍使用。但目前的称重器都需要人工输入物品代码或名称等方式，来实现不同物品的称重。这既要记住物品的名字或代码，又要记住对应的价格，是一件非常困难的事，并且物品和价格还经常变动。记不住的操作人员就只能一点一点的查找，称重效率非常的低。因此本实用新型提出了基于深度学习的自动称重机，来实现物品自动称重，从而降低操作人员的工作量，提高称重效率。

深度学习是目前最先进的机器视觉应用方法，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，其广泛应用于图像，声音和文本识别领域，它比传统图像识别方法，速度快，准确率高，自主性强，可以高效的实现图像智能化、自动化识别。

实用新型内容：

针对上述问题，本实用新型要解决的技术问题是提供一种基于深度学习的自动称重机及其程序控制方法。

本实用新型的一种基于深度学习的自动称重机，包括上显示屏、相机、支撑杆、承重托盘和控制器，所述承重托盘上设有支撑杆，所述支撑杆中部通过连接杆连接有相机，支撑杆顶端设有上显示屏，所述承重托盘边侧还设有下显示屏、键盘、打签口、扬声器及USB接口，所述承重托盘内部设有控制器、重量传感器、Flash存储器、SD卡、通信模块、电源模块及价签打印机，所述控制器分别与重量传感器、Flash存储器、SD卡、通信模块、电源模块、价签打印机、键盘、上显示屏、下显示屏、扬声器、USB接口及相机连接。

优选的，所述控制器包括arm处理器及GPU。

优选的，所述通信模块为无线通信模块。

本实用新型的一种基于深度学习的自动称重机的程序控制方法，其特征在于：包括以下步骤：

a.构建物品识别深度学习模型，深度学习模型采用卷积神经网络CNN、深度置信网络DBN或循环神经网络RNN，构建一个6层的卷积神经网络CNN，整个网络包含两个卷积层，两个采样层，两层全连接，输入层只包含一层，S层为特征提取层，C层为特征映射层，最后采用全连接人工神经网络作为分类器；

b.基于物品样本图像训练步骤a中的深度学习模型，使其生成一个用于物品识别的深度学习网络，每一个卷积层通过M^n-1输入的图像与卷积核K_x×K_y进行二维卷积，通过M^n-1卷积响应的和经过非线性激励函数得到激励结果Y，输出图像Mⁿ，非线性激励函数公式为：

(1)

其中，n代表层数，Y是一个M^x×M^y的图像，W_ij是一个K_x×K_y大小的卷积核连接输入图像i和输出图像j，是输出图像j的偏置量，对于一个大小的输入图像Y^n-1和尺寸为的卷积核W，输出图像Yⁿ的大小为：

(2)

(3)；

c.利用重量传感器采集所称重物品的重量；

d.通过相机采集所称重物品的图像并输入到步骤b中训练好的深度学习网络中进行识别；

e.根据步骤d中返回的物品信息，进行按需计算处理所称重物品的相关信息。

本实用新型有益效果：本实用新型提出的一种基于深度学习的自动称重机及其程序控制方法，实现了物品的自动称重，从而降低操作人员的工作量，提高称重效率，且其比传统图像识别方法，速度快，准确率高，自主性强，可以高效的实现图像智能化、自动化识别。

附图说明：

为了易于说明，本实用新型由下述的具体实施及附图作以详细描述。

图1是自动称重器外部结构示意图；

图2是自动称重器电子部分结构图；

图3是自动称重器称重过程；

图4 是卷积神经网络结构模型；

图5-6是CPU-POWER电路图；

图7是CPU-BUS电路图；

图8-9是CPU-XTAL电路图；

图10是CPU-VGA电路图；

图11是Flash存储器电路图；

图12-13是SD卡电路图；

图14是扬声器电路图；

图15-16是USB接口电路图；