文章目录

基于香橙派 AIpro搭建二维码分类模型及其Flask服务—探索OPi AIpro新一代AI开发板出色性能🌴一.引言🌰1.1 Orange Pi AI Pro 开发板🌰1.2 开发板的硬件规格🌰1.3 开发板顶层视图和底层视图的接口详情图

🌴二.硬件准备与环境搭建🌴三.基于香橙派 AIpro 上手初调试🌾3.1 安装 jupyter🌾3.2 准备项目源码🌾3.3 安装 git🌾3.4 下载项目源码到本地

🌴四.基于香橙派 AIpro 搭建二维码分类模型🌝4.1 数据收集与预处理🌝4.2 canny边缘检测及Hough变换🌝4.2 光照不均二值化处理

🌴五.基于香橙派 AIpro 部署Flask服务🌴六.心得总结🌻6.1 心得🍃6.1.1 开发板性能评价🍃6.1.2 部署过程体验

🌻6.2 总结

🌴附录

基于香橙派 AIpro搭建二维码分类模型及其Flask服务—探索OPi AIpro新一代AI开发板出色性能

🌴一.引言

随着物联网（IoT）和人工智能（AI）技术的飞速发展，边缘计算设备在数据处理和实时分析方面展现出巨大潜力。香橙派（Orange Pi）作为一款性价比极高的嵌入式开发板，其最新推出的AIpro型号集成了强大的AI处理能力，为开发者提供了在边缘设备上实现复杂AI应用的可能。本文将详细介绍如何利用香橙派AIpro搭建一个二维码分类模型，并通过Flask框架创建一个Web服务，实现二维码的实时识别与分类。

🌰1.1 Orange Pi AI Pro 开发板

Orange Pi AI Pro 开发板是香橙派联合华为精心打造的高性能 AI 开发板，其搭载了昇腾 AI 处理器，可提供 8TOPS INT8 的计算能力，内存提供了 8GB 和 16GB两种版本。可以实现图像、视频等多种数据分析与推理计算，可广泛用于教育、机器人、无人机等场景。

🌰1.2 开发板的硬件规格

🌰1.3 开发板顶层视图和底层视图的接口详情图

顶层视图：

底层视图：

除此之外，还搭载了丰富的外设接口，比如：

2个HDMI 2.0输出接口

1个千兆有线网口

WIFI5+BT4.2双模双天线无线芯片

2个USB3.0接口用来外接鼠标、键盘、U盘等

1个USB type C接口

1个USB type c的供电接口

此外，还可以外接不同容量的eMMC模块实现大存储扩容，不管是芯片性能还是外设接口，都完全可以作为一个电脑终端来使用。

🌴二.硬件准备与环境搭建

硬件准备：

香橙派AIpro开发板至少32GB的microSD卡USB键盘与鼠标HDMI显示器5V/2A电源适配器必要的连接线（如HDMI线、USB线）

环境搭建：

下载并烧录Armbian或其他支持的Linux发行版到microSD卡。将microSD卡插入香橙派AIpro，连接显示器、键盘、鼠标和电源，启动设备。更新系统并安装必要的软件，如Python 3、pip、Git等。

实拍照片如下

🌴三.基于香橙派 AIpro 上手初调试

🌾3.1 安装 jupyter

在 Ubuntu 环境下安装 Jupyter Notebook 的步骤如下。

可以通过以下命令进行安装 Python 和 Pip。

<code>sudo yum install python3

sudo yum install python3-pip

安装 Jupyter Notebook。使用 Pip 安装 Jupyter Notebook：

<code>pip3 install jupyter

安装完成后，可以通过以下命令创建一个 Jupyter 配置文件：

<code>jupyter notebook --generate-config

这个命令会在 ~/.jupyter 目录下生成一个 jupyter_notebook_config.py 文件，可以根据需要编辑这个文件进行自定义配置。

启动 Jupyter Notebook。在终端中运行以下命令启动 Jupyter Notebook：

jupyter notebook

运行上述命令后，Jupyter Notebook 会在浏览器中自动打开，默认地址是 http://localhost:8888。

🌾3.2 准备项目源码

本项目是本人在往年原创的项目。先将其命名为：基于香橙派 AIpro的二维码分类模型，gitee如下。

🌾3.3 安装 git

Ubuntu 环境安装git十分简单。

<code>sudo yum install git

这个命令会在你的 Ubuntu 系统上安装最新的 Git 版本，并使其可以在命令行中使用。

🌾3.4 下载项目源码到本地

本文使用gitee下拉我的原创项目到本地。

<code>git clone https://gitee.com/XXXX/AIpro.git

替换用户名和项目名为实际的GitHub用户名和项目名。执行这条命令后，Git会创建一个新的文件夹（通常和项目名相同），并将项目的所有文件下载到这个文件夹中。

到这里就完成了前期的准备工作。

🌴四.基于香橙派 AIpro 搭建二维码分类模型

🌝4.1 数据收集与预处理

收集包含不同种类二维码的图片数据集。使用图像处理库（如Pillow）进行图片预处理，如调整大小、灰度化、二值化等。

本项目数据集图片共计10000多张。

🌝4.2 canny边缘检测及Hough变换

为实现项目目的，先使用OpenCV（cv2）和Matplotlib来进行Canny边缘检测并显示结果图像。

<code>import cv2

import matplotlib.pyplot as plt

# 读取图像

img = cv2.imread(r"./pic/canny.png")

# 进行Canny边缘检测

edges = cv2.Canny(img, 100, 200)

# 显示结果图像

plt.figure(figsize=(12,6))

plt.subplot(142)

plt.imshow(edges)

上文代码解析如下：

使用OpenCV的cv2.imread()函数读取了指定路径下的图像文件canny.png。这里的r"./pic/canny.png"是原始字符串，用于处理文件路径。调用OpenCV的cv2.Canny()函数对读取的图像进行Canny边缘检测。参数100和200分别代表低阈值和高阈值，用于控制边缘检测的敏感度。使用Matplotlib创建一个新的图像窗口，设置窗口大小为(12, 6)，然后在窗口中创建一个子图（subplot），指定位置为(1, 4, 2)。最后，使用plt.imshow()函数显示Canny边缘检测后的结果图像edges。

先读取图像，对其进行边缘检测，并使用Matplotlib显示处理后的图像。如果要显示原始图像和边缘检测后的图像，需要在Matplotlib中创建多个子图，并分别显示。

🌝4.2 光照不均二值化处理

使用OpenCV和NumPy进行图像处理，包括读取图像、灰度转换和阈值处理，代码如下。

import cv2

import numpy as np

import matplotlib.pyplot as plt

img=cv2.imread(r'./pic/3.jpg')

img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

ret1, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)

ret2, thresh2 = cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY|cv2.THRESH_OTSU)

print(ret2)

这段代码的目的是读取图像，将其转换为灰度图像，并分别使用简单阈值处理和Otsu阈值处理对灰度图像进行二值化。最后，打印Otsu方法计算出的最佳阈值。

使用OpenCV和Matplotlib进行图像处理和可视化展示。具体操作包括读取图像、转换为灰度图像、应用二值化和Otsu阈值处理，并将结果可视化。

import cv2

import numpy as np

import matplotlib.pyplot as plt

img=cv2.imread(r'E:\pic\3.jpg')

img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)

ret, thresh2 = cv2.threshold(img_gray, 125, 255, cv2.THRESH_BINARY|cv2.THRESH_OTSU)

img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)

#这里将img转为rgb，这样用matplotlib显示原图是就会是原来的颜色了

titles = ['Original Image', 'BINARY', 'Ostu']

images = [img, thresh1, thresh2 ]

plt.figure(figsize=(10, 5))#设置figure窗口的大小

for i in range(3):

plt.subplot(1, 3, i + 1), plt.imshow(images[i], 'gray')

plt.title(titles[i])

plt.xticks([]), plt.yticks([])

plt.show()

上文使用OpenCV的cv2.threshold()函数对灰度图像进行简单的阈值处理。127是阈值，255是最大值，cv2.THRESH_BINARY表示二值化方法，即将像素值大于127的像素设置为255（白色），小于或等于127的像素设置为0（黑色）。ret是返回的阈值（此处为127），thresh1是阈值处理后的图像。

这节代码主要使用OpenCV和Matplotlib读取图像并进行处理和可视化。图像从文件中读取并转换为灰度图像，然后进行简单阈值处理和Otsu阈值处理。将图像从BGR转换为RGB格式以确保颜色正确显示。通过Matplotlib创建一个图像窗口，显示原始图像、简单阈值处理后的图像和Otsu阈值处理后的图像，并为每个图像添加标题，去掉坐标轴刻度。整个过程展示了图像处理和可视化的完整流程。

🌴五.基于香橙派 AIpro 部署Flask服务

基于香橙派AIpro部署Flask服务的核心代码如下。

<code>import os

import cv2

import numpy as np

from flask import Flask, request, jsonify, render_template

from werkzeug.utils import secure_filename

from sklearn.model_selection import train_test_split

import tensorflow._api.v2.compat.v1 as tf

from keras import layers, models

from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

app = Flask(__name__)

app.config['UPLOAD_FOLDER'] = 'uploads'

app.config['ALLOWED_EXTENSIONS'] = { 'png', 'jpg', 'jpeg'}

# Ensure the upload folder exists

os.makedirs(app.config['UPLOAD_FOLDER'], exist_ok=True)

# Function to check allowed file extensions

def allowed_file(filename):

return '.' in filename and \

filename.rsplit('.', 1)[1].lower() in app.config['ALLOWED_EXTENSIONS']

# Function to load images from a directory with labels

def load_dataset(folder, label):

features = []

labels = []

for filename in os.listdir(folder):

img_path = os.path.join(folder, filename)

img = cv2.imread(img_path)

if img is not None:

img = cv2.resize(img, (100, 100)) # Resize image to a common size

features.append(img)

labels.append(label)

return features, labels

# Load one-dimensional barcode dataset

barcode_features, barcode_labels = load_dataset('./one', 0) # 0 represents one-dimensional barcode

# Load two-dimensional qrcode dataset

qrcode_features, qrcode_labels = load_dataset('./two', 1) # 1 represents two-dimensional qrcode

# Concatenate features and labels

features = barcode_features + qrcode_features

labels = barcode_labels + qrcode_labels

# Convert lists to numpy arrays

features = np.array(features)

labels = np.array(labels)

# Split data into training and testing sets

train_features, test_features, train_labels, test_labels = train_test_split(features, labels, test_size=0.2, random_state=42)

# Normalize pixel values to be between 0 and 1

train_features, test_features = train_features / 255.0, test_features / 255.0

# Build the CNN model

model = models.Sequential([

Conv2D(32, (3, 3), activation='relu', input_shape=(100, 100, 3)),code>

MaxPooling2D((2, 2)),

Conv2D(64, (3, 3), activation='relu'),code>

MaxPooling2D((2, 2)),

Conv2D(64, (3, 3), activation='relu'),code>

Flatten(),

Dense(64, activation='relu'),code>

Dense(1, activation='sigmoid')code>

])

# Compile the model

model.compile(optimizer='adam',code>

loss='binary_crossentropy',code>

metrics=['accuracy'])

# Train the model

model.fit(train_features, train_labels, epochs=10, batch_size=32, validation_split=0.2)

# Evaluate the model

test_loss, test_acc = model.evaluate(test_features, test_labels)

print(f'Test accuracy: { test_acc}')

# Function to predict a single image

def predict_single_image(image_path):

img = cv2.imread(image_path)

img = cv2.resize(img, (100, 100)) # Resize image to match training input size

img = np.expand_dims(img, axis=0) # Add batch dimension

img = img / 255.0 # Normalize pixel values

prediction = model.predict(img)

return '条形码' if prediction[0] < 0.5 else '二维码'

# Define route for homepage

@app.route('/')

def index():

return render_template('index.html')

# Define route for image upload and prediction

@app.route('/upload', methods=['POST'])

def upload_file():

if 'file' not in request.files:

return jsonify({ 'error': 'No file part'})

file = request.files['file']

if file.filename == '':

return jsonify({ 'error': 'No selected file'})

if file and allowed_file(file.filename):

filename = secure_filename(file.filename)

filepath = os.path.join(app.config['UPLOAD_FOLDER'], filename)

file.save(filepath)

prediction = predict_single_image(filepath)

return jsonify({ 'prediction': prediction})

else:

return jsonify({ 'error': 'Invalid file format'})

if __name__ == '__main__':

app.run(debug=True, use_reloader=False)

上问代码展示了一个基于Flask框架的Web应用，主要用于上传图片并对其进行分类，区分一维条形码和二维二维码。以下是代码功能的详细总结：

功能概述

应用初始化与配置：

使用Flask框架创建一个Web应用。设置上传文件的存储路径和允许的文件格式（png、jpg、jpeg）。

文件上传与验证：

确保上传文件夹存在。定义检查文件扩展名的函数，确保上传的文件格式在允许范围内。

数据加载与预处理：

定义从指定文件夹加载图像并进行标签化的函数。加载一维条形码和二维二维码的数据集，将它们的特征和标签存储在列表中。将加载的数据集特征和标签合并并转换为NumPy数组。将数据集划分为训练集和测试集，并对像素值进行归一化处理。

卷积神经网络（CNN）模型构建与训练：

构建一个包含多个卷积层和全连接层的CNN模型。编译模型，指定优化器、损失函数和评估指标。使用训练数据训练模型，并在训练过程中进行验证。

模型评估：

使用测试数据评估模型性能，并打印测试准确率。

单张图片预测：

定义对单张图片进行预测的函数，返回该图片是条形码还是二维码。

Web页面与文件上传接口：

定义首页路由，渲染上传页面。定义文件上传和预测的接口，处理上传的图片文件，并返回预测结果。

使用方法

启动应用后，用户可以通过浏览器访问首页，上传图片文件。应用会自动对上传的图片进行分类，返回该图片是条形码还是二维码。

技术细节

使用OpenCV进行图像处理和预处理。使用TensorFlow和Keras构建和训练卷积神经网络模型。使用Flask框架创建Web接口，处理文件上传和预测请求。

应用场景

这个Web应用可以用于快速分类条形码和二维码，适用于物流、库存管理等场景，通过上传图片，系统可以自动识别并分类，提高工作效率。

效果展示

🌴六.心得总结