在数字化的工业系统，标识指设备、物料、工装、夹具等资源的“身份证”号码；标识的解析，是利用所建立的标识，对设备、物料、工装、夹具等资源进行唯一性的定位和信息查询。在工业系统中，对资源进行相对有效的、标准化的标识与解析是数据感知技术的重要基础，常见的标识解析技术包括条码技术、磁卡技术、射频识别技术、生物特征等技术。

  条码是将线条与空白按照一定的编码规则组合起来的符号，用以代表一定的字母、数字等资料。早在20世纪40年代，美国的两位工程师——乔·伍德兰德（Joe Wood Land）和伯尼·西尔沃（Berny Silver）就开始研究用代码表示食品项目及相应的自动识别设备，于1949年获得了美国专利。这种代码的图案如图1所示。

  最早的条码标识，通过条码的宽度和数量来标识数据，通过扫描条码进行不同色条不同宽度的识别，进而能获取到条码上的信息。条码可印刷在纸面和其他物品上，因此，可方便地供光电转换设备再现这些数字、字母信息，从而供计算机读取。条码技术主要由扫描阅读、光电转换和译码输出到计算机3大部分所组成。这种方法的最大优点是快、错误率低、可靠性高、性能好价格低，但容易到无损并且光学可视读适应性差。

  在工业领域中通常应用于仓库管理和生产管理。采用条码技术并与信息处理技术结合，实施条码化的仓库管理，可确保库存量的准确性，保证必要的库存水平及仓库中物料的移动，与进货发货协调一致，保证产品的最优流入、保存和流出仓库。在汽车等现代化、大规模的生产行业中，应用条码技术不仅能用于生产的全部过程控制和生产效率统计等方面，同时还具有对成品终身质量跟踪等功能，保证数据的实时和准确。

  在进行解析的时候，是用条码阅读机（即条码扫描器又叫条码扫描枪或条码阅读器）扫描，得到一组反射光信号，此信号经光电转换后变为一组与线条、空白相对应的电子讯号，经解码后还原为相应的文数字，再传入电脑。目前也可以通过手机拍照方法对相片进行识别来获取条码中的数据。

  磁卡是一种卡片状的磁性记录介质，利用磁性载体记录字符与数字信息，用来标识身份或其它用途。磁卡由高强度、耐高温的塑料或纸质涂覆塑料制成，能防潮、耐磨且有一定的柔韧性，携带方便、使用较为稳定可靠。（图2）

  记录磁头由内有空隙的环形铁芯和绕在 铁芯 上的线圈构成。磁卡是由一定材料的片基和均匀地涂布在片基上面的微粒磁性材料制造成的。在记录时，磁卡的磁性面以一定的速度移动，或记录磁头以一定的速度移动，并分别和记录磁头的空隙或磁性面相接触。磁头的线圈一旦通上电流，空隙处就产生与电流成比例的磁场，于是磁卡与空隙接触部分的磁性体就被磁化。如果记录 信号 电流随时间而变化，则当磁卡上的磁性体通过空隙时（因为磁卡或磁头是移动的），便随着电流的变化而不同程度地被磁化。磁卡被 磁化 之后，离开空隙的磁卡磁性层就留下相应于电流变化的剩磁。

  如果电流信号（或者说 磁场强度 ）按正弦规律变化，那么磁卡上的剩余磁通也同样按正弦规律变化。当电流为正时，就引起一个从左到右（从 N 到 S）的磁极性；当电流反向时，磁极性也跟着反向。其最后结果可以看作磁卡上从 N 到 S 再返回到 N 的一个波长，也可以看作是同极性相接的两块磁棒。这是在某一些程度上简化的结果，然而，必须记住的是，剩磁 Br 是按正弦变化的。当信号电流最大时，纵向磁通密度也达到最大。记录信号就以正弦变化的剩磁形式记录，贮存在磁卡上。

  磁卡在工业中常应用于考勤人员上下班时间及人员进出登记，方便企业对人员管控和对生产流程进行人员追溯。

  磁卡解析方式主要根据磁卡上面剩余磁感应 强度 。当磁卡以一定的速度通过装有线圈的工作磁头，磁卡的外部磁力线切割线圈，在线圈中产生 感应电动势 ，从而传输了被记录的信号。当然，也要求在磁卡工作中被记录信号有较宽的频率响应、较小的失真和较高的输出电平。（图3）

  一根很细的金属直线可当作一个简单的重放设备。金属直线与磁卡紧贴，方向垂直于磁卡运行方向，磁卡运行时，金属直线切割磁力线而产生感应电动势，电动势的大小与切割的磁力线成正比。当磁卡的工作速度保持不变时，金属直线的感应电动势与磁卡表面剩余 磁感应 强度成正比。

  磁头是用高导磁系数的软磁材料制造成的铁芯，上面缠有绕组线圈，磁头前面有一条很窄的缝隙，这时进入工作磁头的磁卡磁通量而言，可以看作是两个并联的有效磁阻，即空隙的磁阻和磁头铁芯的磁阻。因为空隙的有效磁阻远大于工作磁头铁芯的磁阻，所以磁卡上磁通量的绝大部分输入到磁头铁芯，并与工作磁头上线圈绕组发生交连，因而感应出电动势，在这种情况下，单根金属重放线所得到的感应电动势公式完全适用于环形磁卡工作磁头，由于磁卡本身结构相对比较简单、词条暴露在外、存储容量小、缺乏内部安全保密措施，容易被非法破译。

  射频识别技术（radio frequency identification, RFID）是一种非接触的自动识别技术，其基础原理是利用射频信号和空间耦合（电感或电磁耦合）传输特性实现识读器与标签间的数据传输。

  随着RFID技术的进步，其产品也慢慢变得多样化，RFID设备主要有以下几类：

  （4）根据标签可读写型分为只读、读写和一次写入多次读出卡。根据射频标签内部使用存储器类型的不同可分为3种：可读写卡（RW），一次写入多次读出卡（WORM）和只读卡（RO）。

  射频识别系统一般由3部分所组成（图4），即电子标签（应答器，Tag）、识读器（读头，Reader）和天线（Antenna），部分功率要求不高的RFID设备把识读器和天线集成在一起统一称作识读器。在应用时，射频电子标签粘附在被识别的物品上（或者物品内部），当该物品移动至识读器驱动的天线工作范围内时，识读器可以无接触的把物品所携带的标签里的数据读取出来，以此来实现无线、一定空间间隔的物品识别。可读写的RFID设备还能够最终靠识读器（读写器）在标签所附着的物品经过该区域满足工作条件情况下把需要的数据写入标签，从而完整的实现产品的标记与识别。

  RFID技术应用于混流制造系统生产的全部过程跟踪要实现RFID数据采集、处理以及与MES的集成。因此，为了明确基于RFID的混流制造系统生产跟踪系统的结构与功能组成，并指导生产的全部过程跟踪系统的研究与实施，要建立基于RFID技术的混流制造系统生产跟踪系统架构。

  射频标签嵌入物料跟随物料遍历生产全过程，在RFID天线信号感知范围内，安装与生产设备的RFID识读器获取物料标签从而完成对物料的跟踪，基于RFID的跟踪系统要完成物料标签数据获取、处理、与设备数据的关联。系统通过中间件层实现标签数据的获取与发布，通过生产的全部过程跟踪完成物料与设备等信息的关联与处理。

  面向混流制造系统的RFID跟踪系统总体架构（图5）主要有以下几部分构成：

  （1）标签层。 生产的全部过程中RFID标签嵌入物料，通过识读器跟踪标签的位置及内容实现对物料的跟踪。

  （2）识读器层。 识读器与生产设备关联，其识别的标签即为进入该生产设备工作范围的物料标识，获得该物料的标签信息与位置信息即获得了该设备的加工对象的信息。

  （3）中间件层。 中间件层为是RFID系统的灵魂，其基本功能为：配置RFID设备，发送控制指令，收集处理识读器返回的数据，实现标签数据的获取与处理发布，是设备与应用程序连接的纽带。

  完整的射频识别系统，尤其是RFID系统跟别的信息系统集成时，常常要中间件等软件设备来配置和操作硬件设备并实现初期的数据处理，以更好的发挥射频识别系统的作用。

  在工业生产中，RFID技术能实施对生产计划执行过程监控及可视化管理，增强生产计划与调度的时效性，大幅度的降低了工作中人为失误。能够最终靠工位读写器、电子托盘、RFID标签挂件等产品，实现可视化的生产的全部过程监控平台，全程跟踪从毛坯到成品，记录产品的自动报工、各产品/批次的完工数量、工件的当前工序、各工序的执行设备和操作工人、各工序的实时状态等，为计划调度、线边物料、现场物流、质量追溯提供原证数据，也为企业组织价值工程提供相关依据。形成产品溯源追踪系统，大幅度的提升公司产品的信誉度，建立一个完善的质量体系。

  （1）行排式二维码： 又称堆积式或层排式二维码。其形态类似于一维码，编码原理与一维码的编码原理类似，可以用相同的设备对其进行扫描识读。由于行排式二维码的容量更大，所以校验功能有所增强，但不具有纠错功能。行排式二维码中有代表性的有Code 49码和 PDF417码，其样式如图6、图7所示。

  ①1987年Intermec公司推出的行排式二维码Code 49码（图6），可编码全部128个ASCII字符，同时获取的符号高度可变，最低2层符号可以容纳9个字母型字符或15个数字字符，而最高的8层符号可以容纳49个数字字母型字符或者81个数字字符。但该类型条码要求检测精度高且无纠错能力。

  ② PDF417码是1990年 Symbol Technologies公司美籍华人王寅君博士发明的（图7）。PDF全称是portable data file，即便携式数据文件。因为组成条码每一个字符都有4个条和4个空共17个模块构成，故称为 PDF417码。PDF417码在个证件上有广泛的应用。PDF417码可编码全部ASCII字符及扩展字符，并可编码8位二进制数据，最多可80多万不同的解释。层数可为3~90层，一个符号最多可编码1850个文本字符、2710数字或1108个字节。可进行字符自校验，可选安全等级，具有纠错能力。

  （2）矩阵式二维码： 以矩阵的形式组成，每一个模块的长与宽相同，模块与整个符号通常都以正方形的形态出现。矩阵式二维码是一种图形符号自动识别处理码制，通常都有纠错功能。有代表性的矩阵式二维码有 Data Matrix码、Code One 码、Quick Response码、汉信码。

  ① Data Matrix码（简称DM码）是最早被设计用于存储信息的二维码（图8），由美国国际资料公司的Dennis Priddy和 Robert S. Cymbalski于1988年发明。该类型条码在当时拥有标准化编码，能够最终靠扩展图片来扩充存储信息。

  ②Code One码是1992年由Intermec公司的Ted Williams发明的矩阵式二维码（图9），是最早作为国际标准公开的二维码，和DM码一样拥有标准化编码且可扩展。

  ③Quick Response码（简称QR码）是1994年9月本 Denso公司研制出的一种矩阵式二维码（图10）。Quick Response码是最早可以对汉字进行码的二维码，也是目前应用最广泛的二维码。Quick Response码有40个版本，有4个纠错等级，除了能编码ASCII字符、数字和8位字节外，还可以编码中国和本汉字，而且具有扩展解释能力。Quick Response码在快速识别并解码上拥有优势，并且编码围广阔灵活，因而适应市场潮流，得到了广泛的应用。

  ④汉信码是2005年由中国物品编码公司牵头开发完成的矩阵维码（图11）。汉信码最大的优点是汉字的编码，并具有扩展能力。汉信码有4个不同纠错能力的纠错等级，最多可编码4350个文本字符、7928个数字、3262个字节或2174个中文常用汉字。

  （1）存储密度大。 二维码可以在纵横两个方向存储信息，大幅度的提升了存储密度。如果使用标准状态下的一维码 EAN 13与纠错等级为M的Quick Response二维码相比较，同面积下二维码所表示的信息约为一维码的80倍。

  （2）拥有纠错能力。 一维码只有一个或数个校验位，并不能纠错，而二维码一般都有着非常强的纠错机制。不同的二维码具有不一样的纠错算法，同一种二维码也会有不同的纠错等级，用于不同的应用需求。

  （3）应用广泛。 二维码与加密技术的结合，能够适用于很多保密的信息传递；与防伪技术结合，可用于证件的防伪。二维码在图像领域、文献传递领域也存在广泛的应用空间。

  （4）能存储多种信息。 一维码只能表示ASCII表中的128个字符。二维码都具有自己的字符集，可以表示数字、字母、8位字节，各种语言文字以及特殊字符等。很多二维码也提供了扩展字符集，可以自由扩展编码。

  现在大部分使用的二维码是对包含二维码的图像进行解析来获得图像中的内容。二维码特征识别的思路是：第一步，寻找二维码的三个角的定位角点，需要对图片进行平滑滤波，二值化，寻找轮廓，筛选轮廓中有两个子轮廓的特征，从筛选后的轮廓中找到面积最接近的3个即是二维码的定位角点。第二步：判断3个角点处于什么位置，主要用来对图片进行透视校正（相机拍到的图片）或者仿射校正（对网站上生成的图片进行缩放拉伸旋转等操作后得到的图片）。需要判断三个角点围成的三角形的最大的角就是二维码左上角的点。然后根据这个角的两个边的角度差确定另外两个角点的左下和右上位置。第三步，依据这一些特征识别二维码的范围。最终利用zbar算法对图像中数据来进行解析。

  传统的身份验证如工牌、磁卡等及其容易伪造和丢失，难以满足安全、快捷的需求，而目前最便捷与安全的方案无疑就是生物识别技术，它不但简洁快速，而且利用它进行身份的认定，安全、可靠、准确。同时更易于配合电脑和安全、监控、管理系统整合，应用前景广、社会效益高。人脸、指纹、语音等生物天然特征，无需人为额外标识。

  人脸识别，是用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列有关技术，通常也叫做人像识别、面部识别。目前人脸识别算法大致上可以分为两类：特征法和基于深度学习的人脸识别算法。

  （1）特征法： 通常被认为是机器视觉领域内第一种有效的人脸识别算法，其核心算法是主成分分析算法，该方法首先将人脸图像集合中的图片灰度化，然后将灰度化后的图片调整到统一尺寸并完成光照归一化。该算法的优点是可解释性强，计算速度快，但容易受到人脸角度、光照的影响。类似的方法还有费舍尔脸法及LBPH局部二进制编码直方图法，但都难以解决噪声问题。

  （2）基于深度学习的人脸识别算法： 利用神经网络的方法，对人脸图片进行学习（图12）。目前最常用给的方法为度量学习，度量学习的目标就是让越相似图片之间的相似度越小而越不同图片之间的相似度越大，通过不断对比训练达到识别不同人脸特征的能力。经典的深度学习算法目前有FaceNet、DeepID2和SphereFace。

  随着科技的发展，语言交流不再只存在于人与人之间，如何让机器“听懂”人类的语言并做出一定的反应是未来发展的趋势。目前现有语音识别的方法主要有以下几种：动态时间规划法、隐马尔可夫模型法及深度学习的方法。

  （1）动态时间规划法： 在连续语音识别中仍是主流方法，通过对声音信号进行时间规整，将待测声音信号伸长或缩短，直到与参考模板的长度一致。DTW算法基于动态规划（DP）的思想，能够将输入信号的时长与模板的时长进行动态匹配，是声音识别技术中出现较早的一种算法。

  （2）隐马尔可夫模型法： 声音识别中使用最普遍的统计模型之一。通过对时间结构可以进行有序建模，能够捕获到不平稳的声音信号瞬间特征，并通过前后信号联系提升了识别准确率。

  （3）深度学习： 近年来的研究热点，以其泛用性强、鲁棒性高等特点大范围的应用在所有的领域，目前，在基于深度学习方法的声音识别中，逐渐开发出循环神经网络（RNN）、卷积神经网络（CNN）和深度置信网络（DBN）双向长短期记忆（LSTM）等。深度神经网络根据其运行原理可接受比传统神经网络大很多的输入数据维度，并且它可以自动学习数据的特征，在声音识别中显著缩短了特征提取的时间，同时伴随着计算机GPU的发展，深度神经网络的训练时间也不断减少，极大地提高了声音识别的效率。

  指纹识别技术是众多生物特征识别技术中的一种，它具有2个重要特点，即独特性和稳定能力。因此，指纹能够作为人类独一无二的特征进行识别。

  目前采集指纹的方法主要有图像采集、光学指纹采集和固态指纹传感器采集方法，而光学指纹采集时最常用的方法。通过源发出的光线以特定角度射入三棱镜，当没有手指按上时，入射光线将在三棱镜的上表面发生全反射；在有手指按上时，因为脊线将接触棱镜表面，而谷不能接触。棱镜表面与脊线的接触将破坏全反射条件，从而使一部分光线泄露，反射光线变弱，从而在图像传感器上形成明喑条纹相间的指纹图像。光学指纹采集技术的优点是良好的图像质量及设备的耐用性，从而可用于大规模密集型应用。

  采集到的图像依据使用的特征不同，可以将指纹识别方法分为图像统计法、纹线匹配法、细节特征法(Gal-ton细节)、汗孔特征法，其中主流的方法是细节特征法。细节特征发通过获取细节点如纹线端点。分叉点、交叉、小岛等，通过细节点匹配的方式达到识别指纹的目的，是最常用的指纹识别方法。