|
摘 要
通过对该测控系统结构和特点的分析，结合现代控制技术设计理念实现了以微控制器STM32系列单片机与视觉处理摄像头openmv为核心的手势识别系统。通过openmv采集目标物品的颜色与形状信息，使用多种数据处理方法，从而识别物体周长，颜色，形状等信息进而通过LCD显示出上述信息。其工作过程为：通过openmv采集物品的颜色形状并进行滤波发送到stm32中。控制器进行数据处理，进而在LCD上显示计算结果，在寻找模式下驱动舵机进行从左到右的扫描直至发现目标将摄像头中心对准目标的几何中心，并进行判别。
关键词：OPENMV,STM32,视觉处理，深度学习，数字滤波。
目录 1 系统方案. 3 1.1系统构成以及方案简介... 3 1.2数据处理方法的比较与选择... 3 1.3传感器的论证与选择... 4 2系统理论分析与计算. 5 2.1 物体识别分析... 5 2.2 传感器的检测分析... 5 2.3 控制方法分析... 6 3电路与程序设计. 6 3.1最小系统模块电路... 6 3.2显示模块电路设计... 7 3.3电源电路设计... 7 3.4程序设计思路... 7 4测试方案与测试结果. 8 4.1、测试方案... 8 4.2、测试数据报告... 8 4.3、测试结果... 8 附录一 程序清单（部分）. 11
1 系统方案
1.1系统结构及方案简介非接触物体尺寸形态测量装置结构：
（a）STM34F407ZGT6
（b）OPEN MV视觉处理器
（c）电源稳压模块
（d）USART HMI智能串口屏
（e）K210开发板12
（f）TFmini-s 激光测距
（g）云台控制
方案简介： （1）系统包括STM32单片机，OPENMV视觉处理器以及K210开发板。OPENMV先进行初步的滤波及数据处理，K210开发板对所测量目标的颜色和形状以及几何点的测试进行深度学习并识别，然后将处理之后的信号发送到单片机上进行控制算法的进一步处理通过卡尔曼滤波以及PID算法来调整稳定舵机方向和转速，稳定并准确的完成。
（2）深度神经网络实现图像理解： 传统的机器学习技术往往使用原始形式来处理自然数据，模型的学习能力受到很大的局限，构成一个模式识别或机器学习系统往往需要相当的专业知识来从原始数据中（如图像的像素值）提取特征，并转换成一个适当的内部表示。而深度学习则具有自动提取特征的能力，它是一种针对表示的学习。
1.2数据处理方法的比较与选择方案1：平均值滤波 优点：就是对最近一些数求平均，是最常用最简单的方法，对高频低幅值随机噪声有效，缺点是会损失原始数据中的高频分量，对高幅值干扰会扩大影响。下面的程序中应用了移位平均算法，效率高，且不受求平均的数据数目大小的影响。两种滤波方式都有一定延时。 缺点：滤波效果一般，干扰较大。
方案2：卡尔曼滤波， 优点：卡尔曼滤波是一种利用 线性系统状态方程，通过系统输入输出观测数据，对 系统状态进行最优估计的算法。Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。便于计算机 编程实现，并能够对现场采集的数据进行实时的更新和处理。 缺点：需要一定学习成本 综合两者的优缺点决定采用方案2。
1.3传感器的论证与选择方案1：OV2640 优点： 1.高灵敏度、低电压适合嵌入式应用
2.标准的 SCCB 接口，兼容 IIC 接口
3.支持 RawRGB、 RGB(RGB565/RGB555)、 GRB422、 YUV(422/420)
支持 UXGA、 SXGA、 SVGA 以及按比例缩小到从 SXGA 到 40*30的任何尺寸 缺点：1.处理能力低下
方案2：OPENMV4 优点： OpenMV4采用了STM32H7高性能微控制器。处理器运行在400MHz主频，功能强大的MCU让OpenMV4性能强悍！可以轻松地在OpenMV4平台上几秒内直接运行颜色跟踪、人脸识别与检测等机器视觉算法。还带了基于caffe深度学习框架的cnn神经网络框架，可在openmv运行CIFAR10、CIFAR10 Fast MNIST 、Smile Detection等模型。支持可拆卸式的摄像头模块。 缺点：价格昂贵，需要一定学习成本。 综合两者的优缺点决定采用方案2。
2系统理论分析与计算
2.1 物体识别分析1）根据比赛要求通过OPENMV进行测量,测量物体形状边长以及目标与测量头的距离 OpenMV上的机器视觉算法包括寻找色块、人脸检测、眼球跟踪、边缘检测、标志跟踪等。
2）通过K210进行深度神经网络学习实现图像理解： 传统的机器学习技术往往使用原始形式来处理自然数据，模型的学习能力受到很大的局限，构成一个模式识别或机器学习系统往往需要相当的专业知识来从原始数据中（如图像的像素值）提取特征，并转换成一个适当的内部表示。而深度学习则具有自动提取特征的能力，它是一种针对表示的学习。
2.2传感器的检测分析 1. 边缘检测 边缘检测就是轮廓检测，基于edges.py来完成实时轮廓提取。
1.构造函数 OpenMV的库集成度非常高，只需要一个函数就可以进行图片的边缘检测。
2. 构造函数 本节的目标是识别摄像头采集图像中的圆形并画出来。构造函数如下： · image.find_circle(roi,x_stride=2, y_stride=1. threshold=2000, x_margin=10, y_margin=10, r_margin=10,r_min=2, r_max, r_step=2)
找圆函数，返回一个image.circle的圆形对象，该对象有四个值：圆心（x,y）, 半径( r), 量级（magnitude）,量级越大表示可信度越高。大部分参数使用默认。 实现的特征点识别，首先对采集到的图案或者物体进行学习识别，然后当摄像头重新抓捕到跟学习的目标特征点一样的图片时，就标记出来。
2.3控制方法分析物体识别系统由OPENMV，激光测距，K210，单片机和lcd构成。通过触摸屏来选择模式，将OPENMV的串口通道连接到Stm32。利用OPEN MV视觉处理器、K210开发板对所指定物进行识别判断，然后通过处理器基于的处理图像的算法模型将数据处理完成后通过串口传入32单片机，然后单片机再根据传入的数据进行判断改变云台的水平角度和仰角。实现视觉处理器、单片机、云台装置之间的交互，从而完成对所制定物的形状、颜色、几何中心点的识别、对不同球体类型的判断，以及对移动物体的识别，跟踪。
3电路与程序设计
3.1最小系统模块电路
此次设计我们采用STM32单片机，它是一款增强型32位单片机，该单片机采用arm内核，可运行在180MHz总线频率上。 处理速度快。电路图如下：
d3.2显示模块电路设计
3.3电源电路设计
3.4程序设计思路通过OPENMV进行色块识别以及白平衡的色点多少，用K210进行深度学习来识别篮球足球与排球。然后通过iic与STM32进行通信，然后由单片机将数据滤波然后进行PID的闭环控制舵机进行旋转。
4测试方案与测试结果
4.1、测试方案:多次测量采集多组数据进行拟合曲线，获得函数。
4.2、测试数据报告测试方法在测试前将各个配件安装好摆正，保证整个框架在准确位置启动电源开始测试。测试时选择相应选题完成相应的任务。任务进行时触摸屏实时显示功能模式，判决结果。 基础部分测试
测试结果及分析 根据以上数据表明，所设计的物体识别系统稳定能基本完成任务要求。
| 
[复制链接]
投票
