基于改進型循環(huán)神經(jīng)網(wǎng)絡算法的食品包裝智能實時識別系統(tǒng)研究

王少英

(黃河交通學院,河南 焦作 454950)

隨著物聯(lián)網(wǎng)[1-2]的快速發(fā)展,“萬物互聯(lián)”的未來技術方案將逐步應用到智能食品包裝、智慧工廠等實際場景,其中所用終端傳感器設備不斷增加,傳感節(jié)點每時每刻所獲取的各類數(shù)據(jù)呈幾何級數(shù)增長。這些海量的邊緣數(shù)據(jù),如攝像頭采集的食品包裝標志圖像均依賴于遠離終端的云端或者高度定制化的人工智能芯片進行處理,從而導致了對海量邊緣數(shù)據(jù)無法實現(xiàn)實時有效處理,或者成本大幅度增加。因此,探索一種新的人工神經(jīng)網(wǎng)絡算法邊緣計算[3]實現(xiàn)方案,使得滿足諸如食品包裝標志的實時在線識別與故障警報的實際需求,對智能食品包裝應用具有重要意義。

目前,主要通過攝像頭等檢測流水線上的食品包裝信息,利用卷積神經(jīng)網(wǎng)絡(Convolutional neural network, CNN)[4]算法進行分類識別并給出指示,避免發(fā)生誤包裝事故[5-8]。其中包括多列卷積神經(jīng)網(wǎng)絡,通過構(gòu)建“3層卷積層+3層池化層+2層全連接層”的單列網(wǎng)絡結(jié)構(gòu),并通過5種不同預處理方式組成一個完整的多列CNN結(jié)構(gòu),但多個網(wǎng)絡的組合會產(chǎn)生大量的待訓練參數(shù),進而導致分類識別速率和訓練速率均較慢;優(yōu)化CNN的方法[6]綜合了批量歸一化(Batch-normalization,BN)方法、逐層貪婪預訓練(Greedy layer-wise pretraining,GLP)方法,以及將分類器換成支持向量機(Support vector machine,SVM)3種方法對卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)進行優(yōu)化。然而,CNN算法主要用于處理二維靜態(tài)圖像數(shù)據(jù),且訓練時間長、資源浪費嚴重,本質(zhì)上不適用于對實時采集的連續(xù)圖像數(shù)據(jù)進行分類處理。

循環(huán)神經(jīng)網(wǎng)絡算法(Recurrent neural network,RNN)[9]作為一種主要用來處理時序信息相關信號的基本人工神經(jīng)網(wǎng)絡算法架構(gòu),在實際應用中通常存在結(jié)構(gòu)復雜、訓練難度大,以及收斂速度慢等問題。循環(huán)神經(jīng)網(wǎng)絡算法通常是利用時間反向傳播(Back propagation through time,BPTT)[9]算法進行訓練,其訓練計算代價較大,訓練過程緩慢且訓練成本高。利用BPTT算法訓練遞歸神經(jīng)網(wǎng)絡過程中,輸入層和中間層的連接權(quán)變化緩慢,只有輸出連接權(quán)變化明顯。

為解決上述問題,Atiya等[9]提出了多種優(yōu)化RNN訓練難度高的改進型算法模型,包括長短時記憶模型(Longshorttimememory,LSTM);Luko?evicius等[10]提出了回聲狀態(tài)網(wǎng)絡(Echo state network,ESN);Verstraeten等[11]提出了液體狀態(tài)機(Liquid state machine,LSM)。研究[10-11]表明,回聲狀態(tài)網(wǎng)絡和液體狀態(tài)機算法本質(zhì)上一致,并概括為儲備池計算(Reservoir computing, RC)。

因此,RC算法作為一種改進型循環(huán)神經(jīng)網(wǎng)絡算法,其核心思想是利用一個儲備池代替?zhèn)鹘y(tǒng)神經(jīng)網(wǎng)絡中的中間層,輸入層到儲備池的輸入連接權(quán)和儲備池的內(nèi)部連接權(quán)均隨機生成并保持不變,訓練過程中唯一需要確定儲備池到輸出層的輸出連接權(quán)。該算法模型的提出,極大地推進了專門用于處理時序信號的硬件神經(jīng)網(wǎng)絡算法的研究。

該算法架構(gòu)大大簡化了傳統(tǒng)RNN神經(jīng)網(wǎng)絡的訓練計算難度,而且可以通過具備一定非線性特性與衰減特性的物理系統(tǒng)或器件在硬件層面實現(xiàn)該算法框架,在模擬域?qū)崿F(xiàn)對傳感信號的處理,有助于進一步推動邊緣計算的實現(xiàn)。已有硬件RC系統(tǒng)的研究多是利用不同類型器件,結(jié)合不同非線性特性進行基礎性能的探索,其中包括電器件、光電器件以及全光器件、憶阻器以及自旋納米振蕩器等[12-17]。

針對當前食品包裝圖像識別方案實時性差、成本高等問題,研究擬在智能食品包裝這一具體應用場景下,引入改進型循環(huán)神經(jīng)網(wǎng)絡算法,構(gòu)建以憶阻器非線性動態(tài)特性為核心的儲備池計算系統(tǒng)。設計智能實時識別系統(tǒng),通過仿真模擬實現(xiàn)對食品包裝標志信號的分類識別,并驗證該方法的可行性與實用性,以期為食品包裝智能識別系統(tǒng)的開發(fā)提供依據(jù)。

1 智能實時識別系統(tǒng)

1.1 環(huán)境干擾食品包裝圖像數(shù)據(jù)

采用公開的食品包裝數(shù)據(jù)集GTSRB(german food sign recognition benchmark),該數(shù)據(jù)集共有43類食品包裝標志,包含5萬多張各類常見的食品包裝圖像,且這些圖像的采集過程涉及不同的光照強度、拍攝角度、天氣情況以及被遮擋等情況。該數(shù)據(jù)集構(gòu)成為:訓練集34 799個樣本,測試集12 630個樣本,驗證集4 410個樣本。

通過對該數(shù)據(jù)集樣本進行觀察分析,總結(jié)整體樣本存在的特征:① 不同樣本的尺寸明顯不一致;② 不同樣本的背景信息不一致;③ 不同樣本的顏色不一致等。

綜合考慮樣本特征,結(jié)合試驗采用的陣列式憶阻器RC系統(tǒng)需要保證待測信號的長度一致,而且樣本顏色與冗余的背景信息不是實現(xiàn)分類識別的關鍵特征。因此將食品包裝標志圖像分別進行去除背景信息、灰度化與歸一化處理以及重采樣統(tǒng)一樣本尺寸,最終實現(xiàn)降低模型訓練的復雜度和減少模型的計算量的作用。預處理過程如圖1所示。

圖1 預處理過程

圖1利用官方給出的4個Rois坐標信息進行圖片背景的精準去除。使圖像灰度化的方法較多,試驗選擇根據(jù)YUV顏色空間(Y分量的物理意義是點的亮度,由該值反映亮度等級),根據(jù)RGB和YUV顏色空間的變化關系可建立亮度Y與R、G、B3個顏色分量的對應,并以該亮度值表達圖像的灰度值,其關系式為:

Y=0.3R+0.59G+0.11B。

(1)

同時對其數(shù)值利用最大值法進行歸一化操作,以便于后續(xù)調(diào)節(jié)參數(shù)更適配憶阻器RC系統(tǒng);最后選擇使用一定的插值方法,對不同尺寸圖像進行重采樣縮放,試驗采用“imresize()”函數(shù),在默認使用雙3次插值的情況下,實現(xiàn)對不同尺寸樣本統(tǒng)一轉(zhuǎn)化為30像素×30像素的圖像。

1.2 系統(tǒng)構(gòu)成

智能實時識別系統(tǒng)主要由控制程序外加三部分構(gòu)成,包括信號采集與處理模塊、硬件RC系統(tǒng)與電路模塊以及后處理回歸算法模塊。對食品包裝標志等數(shù)據(jù)集的在線檢測識別過程為:首先利用攝像頭等傳感器對實景中的食品包裝標志進行采集,并轉(zhuǎn)換為數(shù)字信號,從得到的視頻流數(shù)據(jù)獲取圖像信息,經(jīng)過一定的預處理過程;進一步通過控制程序?qū)⒋郎y信號輸入由穩(wěn)定非線性傳輸函數(shù)構(gòu)成的RC系統(tǒng)中,實時檢測得到其動態(tài)響應信號;最后通過該響應信號矩陣,利用線性回歸算法實現(xiàn)最優(yōu)輸出權(quán)重的訓練,并將識別結(jié)果顯示出來,其總體框圖如圖2 所示。

圖2 智能實時識別系統(tǒng)結(jié)構(gòu)總體框圖

第2模塊中的RC系統(tǒng)是在傳統(tǒng)軟件RC系統(tǒng)的基礎上演變而來的硬件RC算法實現(xiàn)架構(gòu),如圖3所示。其特點是利用物理器件的非線性響應特性實現(xiàn)傳統(tǒng)的多個神經(jīng)元節(jié)點構(gòu)成的儲備池映射層,既能保證高維映射性能,又能降低訓練難度,節(jié)約整體成本。

圖3 改進型循環(huán)神經(jīng)網(wǎng)絡算法架構(gòu)

2 改進型循環(huán)神經(jīng)網(wǎng)絡算法

2.1 算法原理

傳統(tǒng)的儲備池計算由輸入層、儲備池和輸出層構(gòu)成[圖3(b)]。輸入信號通過輸入層進入儲備池,在儲備池中被非線性映射到高維狀態(tài)空間,輸出層根據(jù)節(jié)點狀態(tài)和訓練過程中確定的輸出連接權(quán)重產(chǎn)生輸出信號,然后進行預測任務或者分類任務。訓練過程中一般根據(jù)一個線性回歸算法確定輸出連接權(quán)。儲備池系統(tǒng)的節(jié)點狀態(tài)更新方程x(n+1)和輸出方程y(n+1)分別為

x(n+1)=fres[Winu(n+1)+Wresx(n)+Wbacky(n)],

(2)

y(n+1)=fout[Woutx(n+1)],

(3)

式中:

x(n)——節(jié)點狀態(tài);

u(n)——輸入信號;

y(n)——輸出信號;

n——時間步數(shù);

Win、Wres和Wback——輸入連接權(quán)值、內(nèi)部連接權(quán)值、輸出連接權(quán)值以及反饋連接權(quán)值;

fres——狀態(tài)激活函數(shù);

fout——輸出函數(shù)(軟件算法實現(xiàn)中通常選擇雙曲正弦函數(shù)作為fres);

fout——多項式恒等函數(shù)。

由于ESN和LSM本質(zhì)相同,此處只介紹ESN模型。如圖4所示,ESN主要由輸入層、儲備池層和輸出層3部分組成。u(t)∈P×1為系統(tǒng)的輸入向量,t=1,2,…,T。輸入層與儲備池層通過輸入權(quán)重矩陣WESN_in∈N×P連接,其中N為儲備池節(jié)點的個數(shù)。與RNN不同,輸入權(quán)重矩陣WESN_in在系統(tǒng)初始化時隨機指定,無需訓練。儲備池層由狀態(tài)節(jié)點x∈N×1組成。ESN不是單項網(wǎng)絡,儲備池層狀態(tài)節(jié)點的取值由兩方面的輸入決定:輸入層的u(t)和儲備池前一個狀態(tài)節(jié)點輸出x(t-1)。狀態(tài)節(jié)點之間由狀態(tài)反饋權(quán)重WESN∈N×N連接。狀態(tài)節(jié)點更新式為:

圖4 回聲狀態(tài)網(wǎng)絡結(jié)構(gòu)示意圖

x(t)=f[WESN_inu(t)+WESNx(t-1)],

(4)

式中:

f(·)——非線性激活函數(shù)。

儲備池層與輸出層由輸出權(quán)重WESN_out∈M×N連接。ESN網(wǎng)絡需要訓練的參數(shù)只有輸出權(quán)重,因此大大減少了網(wǎng)絡的訓練計算量。訓練目標為實際輸出與目標輸出y(t)之間的誤差最小,其計算過程為:

(5)

(6)

需要訓練的輸出矩陣WESN_out可能為奇異矩陣,所以訓練采用偽逆算法或者嶺回歸算法。

ESN有兩個非常明顯的特點:① 儲備池中狀態(tài)節(jié)點的連接狀態(tài)是隨機的,即神經(jīng)元之間是否建立了連接、連接強度如何,外界是不清楚的;② 儲備池中狀態(tài)節(jié)點的連接權(quán)重矩陣是固定不變的,不會使用梯度下降法進行連接權(quán)重的更新。ESN的這兩大特點,使其擁有了RNN不具備的優(yōu)勢:① 只需訓練輸出權(quán)重矩陣,計算量顯著降低;② 在一定程度上避免了梯度下降算法中的局部極小情況,從而避免了梯度爆炸和梯度消失的問題。

綜上,RC算法模型作為一種改進型循環(huán)神經(jīng)網(wǎng)絡算法,不僅解決了傳統(tǒng)RNN網(wǎng)絡復雜度高、訓練難度大等問題,實現(xiàn)了對時序相關信號的快速處理;并且為硬件神經(jīng)網(wǎng)絡算法的實現(xiàn)提供了一條可行性極強的方案。

2.2 硬件RC工作原理

試驗重點以憶阻器件作為實現(xiàn)硬件RC系統(tǒng)的研究對象,將其非線性響應特性與RC算法相結(jié)合,實現(xiàn)傳感信號在模擬域的直接感知與并行計算。同時,憶阻器的非線性動力學是構(gòu)建硬件RC系統(tǒng)的核心。與所有的憶阻器件一樣,在WOx憶阻器件的I-V特性中可以明顯觀察到“遲滯”行為(圖5)。當施加正電壓時,器件電導逐漸增加(稱為寫過程),當施加負電壓時,電導逐漸減少(稱為擦除過程)。

圖5 憶阻器響應狀態(tài)隨DC電壓的變化

此外,當進行多次連續(xù)的正向掃描時,器件電導會隨著每次掃描持續(xù)增加,但遲滯回路之間也會出現(xiàn)重疊,這與儲備池計算系統(tǒng)中的短時記憶行為一致;此外,憶阻器加工工藝與傳統(tǒng)半導體工藝兼容,且具備集成度高、體積小、成本低等特點。因此,選擇憶阻器作為實現(xiàn)模擬硬件RC的研究對象,通過構(gòu)建其仿真試驗模型,初步探索其對食品包裝標志信號的實時分類能力。

憶阻器響應電流與驅(qū)動電壓的非線性表達式為:

I=(1-w)α[1-exp(-βV)]+wγsinh(δV),

(7)

式中:

α——對應Vo貧區(qū)電導的肖特基項;

β——對應Vo富區(qū)電導的類隧通項(兩個傳導通道并聯(lián),其相對權(quán)重由內(nèi)狀態(tài)變量w決定)。

狀態(tài)變量w相對于外加電壓的變化率的動力學方程為:

(8)

式中:

ι——外加電場下的漂移效應;

η——自發(fā)擴散系數(shù);

τ——擴散時間常數(shù)。

表1的非線性傳輸函數(shù)表達式相關參數(shù)均按照所設計器件的參數(shù)給出,在仿真試驗中默認其值保持不變。

表1 憶阻器RC模型相關參數(shù)?[13]

每個脈沖時序信號輸入前,憶阻器初始化為w=0.1,對應于器件的靜息狀態(tài)。器件在脈沖時序信號中的變化可以分為兩種情況:

(1) 當施加寫脈沖時,狀態(tài)變量w通過式(9)改變:

Δw=R(w)·tpulse·λ·sinh(ηVpulse),

(9)

式中:

tpulse、Vpulse——輸入脈沖的時間長度與電壓大小。

衰減效應往往在寫入脈沖時序信號時被忽略,R(w)主要用于保證狀態(tài)變量w不會超過其自身上限(w=1),表達式為

(10)

(2) 在寫入脈沖的電壓信號為0的周期內(nèi),狀態(tài)變量將會衰減,形式為

(11)

式中:

Δt——該周期的長度;

w0——該周期狀態(tài)變量的初始值。

該效應可通過對式(7)在V=0時求積分得到。

當寫入一定的脈沖信號時,讀出脈沖施加相當于可以得到式(7)中的響應電流信號。因此,儲備池狀態(tài)就可以通過包含憶阻器讀出電流的向量信號表示,對于試驗預處理后的圖像(30×30),固定tpulse下采用單個憶阻器處理單行灰度值信號,響應向量長度即為30。

2.3 并行憶阻器RC算法框架

在憶阻器RC系統(tǒng)[13,17]基礎上,根據(jù)憶阻器的非線性傳輸函數(shù)表達式,構(gòu)建圖3中改進型循環(huán)神經(jīng)網(wǎng)絡算法模型的儲備池層,用于實現(xiàn)對待測食品包裝標志時序信號進行實時分類處理。為更好地提升系統(tǒng)的計算速度,使得該系統(tǒng)的算法運行時間所產(chǎn)生的延時最小,試驗設計了一種并行憶阻器RC算法架構(gòu),其原理如圖6所示。

圖6 并行憶阻器RC系統(tǒng)示意圖

試驗設計模型利用30個憶阻器構(gòu)建30個并行RC系統(tǒng)陣列。預處理后的圖像樣本為30像素×30像素的圖像,將每一行1×30的數(shù)據(jù)添加時間信息t0,作為一段時序信號輸入至單個憶阻器RC系統(tǒng);每個憶阻器RC分別對待測信號進行非線性高維映射,產(chǎn)生相應的狀態(tài)響應;將30個并行憶阻器RC系統(tǒng)的實時狀態(tài)響應串聯(lián)為1×900的向量,作為該待測圖像樣本的高維非線性狀態(tài)輸出∑Ii。所有樣本輸出狀態(tài)為N×I(N為數(shù)據(jù)集樣本數(shù)),進一步與構(gòu)建的43個分類器進行線性回歸訓練,得到最優(yōu)權(quán)重Wi;利用測試集或者驗證集中的樣本進行測試,與43個最優(yōu)權(quán)重值相乘后利用“Winnertakesall”的算法得到最終的分類結(jié)果;然后與真值比較,如果該樣本分類準確則“+1”,分類錯誤則“+0”,通過計算該值與測試總樣本數(shù)的比值得到最終分類準確率。

儲備池系統(tǒng)的輸出狀態(tài)本身并不是整個RC系統(tǒng)所期望的結(jié)果,因此需要對該輸出狀態(tài)進行線性回歸訓練,獲得系統(tǒng)最優(yōu)權(quán)重向量,從而實現(xiàn)對測試集數(shù)據(jù)有效的分類與回歸預測。該線性回歸模型的訓練算法為每個神經(jīng)元節(jié)點分配一個輸出權(quán)值,使狀態(tài)的加權(quán)和盡可能接近期望的目標值,一般用式(12)表示。

y(t)=WTx(t),

(12)

式中:

W——待訓練輸出權(quán)重向量;

x(t)——儲備池狀態(tài)輸出向量;

y(t)——預測值;

一般對于所述線性回歸模型,需要使用最小二乘估計(Ordinary least squares estimation,OLS)來訓練其最優(yōu)權(quán)重向量值,其損失函數(shù)為:

(13)

為了避免訓練數(shù)據(jù)過擬合以及模型大量參數(shù)導致的復雜度,一般解決方案是通過在式(13)上加一個懲罰項。

如果懲罰項是參數(shù)的L2范數(shù),為嶺回歸(Ridge regression)模型,其損失函數(shù)的解為:

(14)

如果懲罰項是參數(shù)的L1范數(shù),為拉索回歸(Lasso regression)模型,其損失函數(shù)的解為:

(15)

第二項λ的目的是使W權(quán)重盡可能小,同時使誤差最小化。在訓練權(quán)重系數(shù)規(guī)模不是特別大的情況下,這兩種方法都可以使用,并有望產(chǎn)生相同的結(jié)果。試驗采用嶺回歸算法作為用于輸出層權(quán)值訓練的方法,有效避免過擬合現(xiàn)象,同時保證權(quán)值數(shù)量的一致性。

圖7為具體訓練測試流程。首先對所選擇GTSRB數(shù)據(jù)集進行如圖1所示預處理,得到無冗余背景、尺寸一致的歸一化灰度值樣本;構(gòu)建由憶阻器非線性傳輸函數(shù)為儲備池層的并行RC仿真模型,并通過先驗知識確定模型各參數(shù);利用訓練集數(shù)據(jù)樣本進行43個分類器最優(yōu)權(quán)值的訓練,并通過測試集數(shù)據(jù)進行均方誤差(MSE)評估,通過式(14)的嶺回歸函數(shù)得到MSE最小時的λ取值,反復迭代優(yōu)化后確定最優(yōu)Wi;最后利用驗證集進行最終性能測試,得到該算法模型分類精度指標。

圖7 系統(tǒng)訓練測試流程圖

(16)

式中:

yk——目標值;

m——目標函數(shù)中以時間為步長的數(shù)值個數(shù)。

3 驗證實驗結(jié)果與分析

以MATLAB &Simulink作為程序開發(fā)環(huán)境,利用憶阻器非線性振動特性作為激活函數(shù),設計并行憶阻器RC系統(tǒng)對43類不同食品包裝標志數(shù)據(jù)進行仿真模型搭建。

圖8為系統(tǒng)仿真模型示意圖,通過Simulink構(gòu)建式(2)的非線性振動方程以及測試電路模塊,利用MATLAB的控制程序?qū)崿F(xiàn)預處理后數(shù)據(jù)的并行輸入與保存,以及嶺回歸算法完成訓練與測試。最終模擬實現(xiàn)對“視頻流”圖像數(shù)據(jù)的實時分類處理,并做出相應警告與提醒。

圖8 仿真模型部分示意圖

圖9 優(yōu)化寫入脈沖時間試驗結(jié)果

設置試驗系統(tǒng)寫入DC脈沖信號的Vpulse=1.5 V,首先選擇tpulse=[0.1∶0.1∶0.8] ms,時間間隔Δt=0.1 ms,分別與歸一化后的待測信號數(shù)據(jù)相乘后輸入憶阻器RC系統(tǒng)。試驗測試結(jié)果表明,當tpulse=0.4 ms時,試驗系統(tǒng)對有效數(shù)值信號的非線性積累效果最好。

在已有試驗參數(shù)設置基礎上,已實現(xiàn)對不同灰度值數(shù)據(jù)的非線性積累效應,但是由于憶阻器的電導率會隨正向電壓的施壓,導致中間層離子濃度不斷積累,最終達到最高離子濃度飽和值。因此,需要通過調(diào)節(jié)輸入數(shù)據(jù)前后時間間隔周期Δt來實現(xiàn)離子濃度的降低,達到非線性狀態(tài)衰減的效應。從而模擬神經(jīng)元實現(xiàn)一定的上下文關聯(lián)與短時記憶特性,保證系統(tǒng)實現(xiàn)復雜的非線性映射與狀態(tài)積累。所設計優(yōu)化試驗通過改變Δt,分別取值[0.01∶0.2∶1] ms的50個數(shù)值進行參數(shù)掃描試驗測試。由圖10可知,當Δt=0.3 ms時,系統(tǒng)整體性能達到最優(yōu),此時的分類準確率高達98.89%。

圖10 優(yōu)化時間間隔試驗結(jié)果

由于數(shù)據(jù)集中采集數(shù)據(jù)因為光照、天氣影響以及遮擋等非可抗力影響,導致圖像本身產(chǎn)生形變難以辨別。因此,由表2可知,試驗設計系統(tǒng)的分類準確率最高只達到98.59%。

表2 不同神經(jīng)網(wǎng)絡算法模型對比

綜合對比表明,試驗建立的陣列式憶阻器RC系統(tǒng)實現(xiàn)的分類準確率較高,已達到較高水平;試驗利用單個物理器件的非線性振動特性方程作為傳統(tǒng)神經(jīng)網(wǎng)絡算法中的N個復雜連接的激活函數(shù),不僅大大降低了神經(jīng)元網(wǎng)絡映射層的構(gòu)建難度、節(jié)約了訓練成本,還通過并行陣列式憶阻器RC系統(tǒng)架構(gòu)提升了計算速度。

4 結(jié)論

研究利用改進型循環(huán)神經(jīng)網(wǎng)絡算法,利用憶阻器非線性傳輸函數(shù)作為儲備池神經(jīng)網(wǎng)絡映射層,構(gòu)建并行儲備池計算系統(tǒng)并設計智能實時識別系統(tǒng)仿真試驗,最終實現(xiàn)了對食品包裝的實時分類識別。結(jié)果表明,試驗方案不僅取得了較高的分類準確率,且初步實現(xiàn)了對“視頻流”圖像數(shù)據(jù)的實時在線處理,極大提高了計算效率。說明循環(huán)神經(jīng)網(wǎng)絡算法構(gòu)建的智能識別系統(tǒng)可以實現(xiàn)對食品包裝標志信號的實時在線識別,并有望作為一種實現(xiàn)智能食品包裝樞紐終端的重要技術方案。后續(xù)將進一步進行試驗測試系統(tǒng)的搭建,并在此基礎上逐步完善和改進該智能實時識別系統(tǒng)實現(xiàn)方案。