论文部分内容阅读
摘 要：当下随全球经济的快速发展，环境正作为其发展代价，每况愈下，其中，水面环境尤甚。为了在一定成本范围内有效改善水面环境问题，为治理水污染提供新思路，通过借助蓝牙模块及马达控制模块，实现对马达的远程蓝牙控制；通过微型电压动力式抽水泵，实现静水的俯流，在51单片机烧录程序，串口通信实现与蓝牙对接。再通过蓝牙模块与手机APP对接，从而实现对水面漂浮物的采集。本设备还可自主扩展OLED、继电器模块，实现可视化、无线化的智能垃圾收集器的控制。
关键词：深度学习；卷积神经网络；Faster-RCNN算法；嵌入式；水面垃圾收集
1 引言
近年来，随着媒体的报道和政策的变化，水污染问题[1]引起越来越多的人重视。我国东南沿海城市的河流、湖泊的水质日益降低。越来越多的漂浮物出现在水面上，这些漂浮物大多为生活垃圾和水藻。水面漂污物不仅会导致水体变质，从而不利于人体健康，还会影响当地的生态形象。当前，人们普遍采用人工方式通过驾驶船只来收集水面垃圾[2]，或通过竹竿从岸边清理水面漂浮物。显然，如何设计一种更加高效的水面垃圾收集系统成为解决目前困境的热点问题。
深度学习是神经网络发展到一定时期的产物[3]。2006年，国外研究团队首次提出了首次提出并阐述了深度学习的概念，在这段时期，人们常常采用分层次初始化的方法来完成神经网络的训练。深度学习的本质是通过低层特征之间的组合产生更加抽象的高层特征来描述研究对象的变化规律和特征。卷积神经网络是常见的一种深度学习方法，作为一种深层前馈型神经网络，它可以高效的识别和提取图片的特征，目前已被广泛的应用于人脸识别等图像处理领域。
因此，本文提出了一种结合卷积神经网络的深度学习算法和嵌入式系统的水面垃圾收集系统的设计方法。
2 设计构想
本系统主要由三个主要部分组成，包括：主电路，控制电路和检测电路。其中，主电路包括两个电机，一个GPRS模块，一个摄像头和若干传感器；控制电路为STM32F103单片机；检测电路中包含一个过电流检测模块。STM32单片机[5]不仅拥有丰富的接口，同时配合GPRS和其他模块的开发资料非常齐全，也拥有功耗低，内核强大和实时性强的特点，因此我们选用STM32作为整套系统的控制电路。通过控制器，经过功率执行装置，驱动电机和水泵工作，同时由风速传感器获取书面风速信息，并利用GPS获取当前位置信息，结合摄像头拍摄的照片，通过4G模块上传至服务器后，经过图像识别标记垃圾将坐标信息返回给控制器，形成闭环系统使水面垃圾收集系统工作。
3 技术实现
3.1 基于卷积神经网络的水面漂浮物识别
为了提高深度学习后的图像识别模型的准确性，我们将数据分为测试集和数据集和验证集，一方面数据集要足够大，另一方面两个数据集应该满足同分布并且独立的条件。我们首先通过网络和实际拍摄收集了关于水面漂浮物的照片530张。数据集的照片数量、测试集和验证集的数量比近似满足2：1：1。
其次，由于R-CNN算法训练分为多个阶段，步骤多；磁盘占用大，1000张照片会产生约几十G的特征文件，大大降低了测试运行的效率，因此我们使用Faster-RCNN[4]方法，即通过卷积神经网络自行产生建议框，并且和目标检测网络共享卷积网络，有效的减少了建议框的且建议框的质量也有本质的提高。算法过程如下：
（1）输入测试图像；
（2）将整张图片输入CNN，进行特征提取；
（3）用RPN生成建议窗口（proposals），每张图片生成300个建议窗口；
（4）把建议窗口映射到CNN的最后一层卷积feature map上；
（5）通过RoI pooling层使每个RoI生成固定尺寸的feature map；
（6）利用Softmax Loss（探测分类概率）和Smooth L1 Loss（探测边框回归）对分类概率和边框回归（Bounding box regression）联合训练.
水面漂浮物的图像识别问题的本质是二分类[6]问题，通过判断图片中的某一区域是漂浮物区域（塑料垃圾）还是其他区域（水面、岸边、石块、浮萍等等）。在水面環境中，背景区域的内容相比于其他环境更加简单，因此更容易识别出水面上存在的漂浮垃圾，通过形状差异和颜色差异区分，其精度与其他复杂背景环境相比有所提高。
3.2 水面垃圾收集嵌入式系统实现
水面垃圾收集装置进入指定水域后，电源给整套装置供电，PWM输出可调的直流电压驱动直流电机转动，通过齿轮带动螺旋桨，从而使装置按照预先设定动作以直线方式行进。
视觉模块是一个500万像素的USB摄像头，OV5648模组，实现自动对焦，自动增益和曝光，当装置行进过程中，如果水面上的漂浮物进入摄像头的识别区域，摄像头进行快速拍照，图片经过图像处理模块的加工处理通过4G模块把压缩后的图片发送至新浪云端；同时记录目前装置所在位置的参数，通过坐标转换程序转换为当前工作水域的坐标参数，为收集垃圾做好准备。
通过图像识别获取水面漂浮垃圾的具体位置后，紧接着通过坐标转换程序转换为当前工作水域的坐标参数，控制器控制舵机转向改变行进位置，计算出动向垃圾所在处行进的路线距离，然后电机启动带动螺旋桨转动，当装置前沿缓冲区触碰到漂浮垃圾后停下，开启水泵吸附垃圾，垃圾随水流进入收集装置。当液位传感器检测到水位上升到阈值时，水泵停止工作，垃圾收集盒关闭并开始通过滤网放水。完成垃圾收集后，装置再次启动并循环执行相关动作。
3.3 控制程序设计
本程序使用C语言编程。蓝牙模块主要负责通过通信接口采集传感器数据，经过处理或所接收的数字数据可以通过BLE接口发送，并由内置BLE功能的手机或者任何其他客户端设备进行监测与调控。传感器的DATA管脚连接单片机的P2口，蓝牙串口模块的RXD、TXD分别连接单片机的TXD、RXD。该模块得到串口数据后会转成蓝牙数据。上电后，单片机复位并开始对各模块进行功能初始化，此时转子以零转速的初始化状态投入工作，当其转速达到某一程度时，通过控制其逆变电路的开关器件的通断，可使输出端得到一系列幅值相等的电压脉冲，再用这些脉冲来代替我们所需要的正弦波，即在输出波形的半个周期中产生多个脉冲，使各脉冲的等值电压为正弦波形，所获得的输出平滑且低次谐波少，随后根据实际情况对各脉冲的宽度进行调制，即可调节逆变电路输出电压的大小，并调节输出频率，以此控制转子转速。同理，通过控制伺服机的PWM输入信号，控制马达旋转角度。传感器模块子程序主要完成数据的采集，以及和单片机直接的数据通信等，此部分程序的完成是整个系统软件设计成功与否的关键所在。4G通信模块子程序主要完成图片和位置信息的发送和接收和单片机直接的数据通信等功能。
4 结论
本文通过对进行一类基于深度学习的水面垃圾收集系统研究设计，通过摄像头采集水面照片，经过图像处理模块处理后经4G通讯模块将处理后的图片发送至云端，采用Faster-RCNN算法对图像进行识别，经坐标变换后提取垃圾位置，之后将信息发送给主控装置，通过控制电机进行启动、调速，控制舵机进行方向调整。通过结合卷积神经网络的深度学习算法和嵌入式系统，实现了对图片中水面垃圾的快速、高精度检测，大幅度地降低人力成本，具有较高的实用价值。但是当前的设计方案仍有它的不足之处，一是循迹路线无法覆盖所有水域，存在盲区；二是图像识别的精度仍可进一步的提高，这需要更大的数据集和更加优化的算法作为支撑。
参考文献
[1] 郭智超.水污染防治工作中存在的问题及对策研究[J].化工管理，2019（06）：159.
[2] 李思雨，吴艳娟，王帆，胡远杰.智能型水面垃圾清理器控制系统的研究与实现[J].自动化与仪表，2017，32（11）：45-48+63.
[3] 徐梦雪.基于深度学习的图像识别技术综述[J].计算机产品与流通，2019（01）：213.
[4] 胡炎，单子力，高峰. 基于Faster-RCNN和多分辨率SAR的海上舰船目标检测[J]. 无线电工程，2018（2）：96-100.
[5] 勾慧兰，刘光超. 基于STM32的最小系统及串口通信的实现[J]. 工业控制计算机，2012，25（9）：30-32.
[6] 郑灵凤，胡胜，朱蓉，等. 面向照片-图形图像的二分类方法[J]. 计算机系统应用，2017，26（6）：176-181.
关键词：深度学习；卷积神经网络；Faster-RCNN算法；嵌入式；水面垃圾收集
1 引言
近年来，随着媒体的报道和政策的变化，水污染问题[1]引起越来越多的人重视。我国东南沿海城市的河流、湖泊的水质日益降低。越来越多的漂浮物出现在水面上，这些漂浮物大多为生活垃圾和水藻。水面漂污物不仅会导致水体变质，从而不利于人体健康，还会影响当地的生态形象。当前，人们普遍采用人工方式通过驾驶船只来收集水面垃圾[2]，或通过竹竿从岸边清理水面漂浮物。显然，如何设计一种更加高效的水面垃圾收集系统成为解决目前困境的热点问题。
深度学习是神经网络发展到一定时期的产物[3]。2006年，国外研究团队首次提出了首次提出并阐述了深度学习的概念，在这段时期，人们常常采用分层次初始化的方法来完成神经网络的训练。深度学习的本质是通过低层特征之间的组合产生更加抽象的高层特征来描述研究对象的变化规律和特征。卷积神经网络是常见的一种深度学习方法，作为一种深层前馈型神经网络，它可以高效的识别和提取图片的特征，目前已被广泛的应用于人脸识别等图像处理领域。
因此，本文提出了一种结合卷积神经网络的深度学习算法和嵌入式系统的水面垃圾收集系统的设计方法。
2 设计构想
本系统主要由三个主要部分组成，包括：主电路，控制电路和检测电路。其中，主电路包括两个电机，一个GPRS模块，一个摄像头和若干传感器；控制电路为STM32F103单片机；检测电路中包含一个过电流检测模块。STM32单片机[5]不仅拥有丰富的接口，同时配合GPRS和其他模块的开发资料非常齐全，也拥有功耗低，内核强大和实时性强的特点，因此我们选用STM32作为整套系统的控制电路。通过控制器，经过功率执行装置，驱动电机和水泵工作，同时由风速传感器获取书面风速信息，并利用GPS获取当前位置信息，结合摄像头拍摄的照片，通过4G模块上传至服务器后，经过图像识别标记垃圾将坐标信息返回给控制器，形成闭环系统使水面垃圾收集系统工作。
3 技术实现
3.1 基于卷积神经网络的水面漂浮物识别
为了提高深度学习后的图像识别模型的准确性，我们将数据分为测试集和数据集和验证集，一方面数据集要足够大，另一方面两个数据集应该满足同分布并且独立的条件。我们首先通过网络和实际拍摄收集了关于水面漂浮物的照片530张。数据集的照片数量、测试集和验证集的数量比近似满足2：1：1。
其次，由于R-CNN算法训练分为多个阶段，步骤多；磁盘占用大，1000张照片会产生约几十G的特征文件，大大降低了测试运行的效率，因此我们使用Faster-RCNN[4]方法，即通过卷积神经网络自行产生建议框，并且和目标检测网络共享卷积网络，有效的减少了建议框的且建议框的质量也有本质的提高。算法过程如下：
（1）输入测试图像；
（2）将整张图片输入CNN，进行特征提取；
（3）用RPN生成建议窗口（proposals），每张图片生成300个建议窗口；
（4）把建议窗口映射到CNN的最后一层卷积feature map上；
（5）通过RoI pooling层使每个RoI生成固定尺寸的feature map；
（6）利用Softmax Loss（探测分类概率）和Smooth L1 Loss（探测边框回归）对分类概率和边框回归（Bounding box regression）联合训练.
水面漂浮物的图像识别问题的本质是二分类[6]问题，通过判断图片中的某一区域是漂浮物区域（塑料垃圾）还是其他区域（水面、岸边、石块、浮萍等等）。在水面環境中，背景区域的内容相比于其他环境更加简单，因此更容易识别出水面上存在的漂浮垃圾，通过形状差异和颜色差异区分，其精度与其他复杂背景环境相比有所提高。
3.2 水面垃圾收集嵌入式系统实现
水面垃圾收集装置进入指定水域后，电源给整套装置供电，PWM输出可调的直流电压驱动直流电机转动，通过齿轮带动螺旋桨，从而使装置按照预先设定动作以直线方式行进。
视觉模块是一个500万像素的USB摄像头，OV5648模组，实现自动对焦，自动增益和曝光，当装置行进过程中，如果水面上的漂浮物进入摄像头的识别区域，摄像头进行快速拍照，图片经过图像处理模块的加工处理通过4G模块把压缩后的图片发送至新浪云端；同时记录目前装置所在位置的参数，通过坐标转换程序转换为当前工作水域的坐标参数，为收集垃圾做好准备。
通过图像识别获取水面漂浮垃圾的具体位置后，紧接着通过坐标转换程序转换为当前工作水域的坐标参数，控制器控制舵机转向改变行进位置，计算出动向垃圾所在处行进的路线距离，然后电机启动带动螺旋桨转动，当装置前沿缓冲区触碰到漂浮垃圾后停下，开启水泵吸附垃圾，垃圾随水流进入收集装置。当液位传感器检测到水位上升到阈值时，水泵停止工作，垃圾收集盒关闭并开始通过滤网放水。完成垃圾收集后，装置再次启动并循环执行相关动作。
3.3 控制程序设计
本程序使用C语言编程。蓝牙模块主要负责通过通信接口采集传感器数据，经过处理或所接收的数字数据可以通过BLE接口发送，并由内置BLE功能的手机或者任何其他客户端设备进行监测与调控。传感器的DATA管脚连接单片机的P2口，蓝牙串口模块的RXD、TXD分别连接单片机的TXD、RXD。该模块得到串口数据后会转成蓝牙数据。上电后，单片机复位并开始对各模块进行功能初始化，此时转子以零转速的初始化状态投入工作，当其转速达到某一程度时，通过控制其逆变电路的开关器件的通断，可使输出端得到一系列幅值相等的电压脉冲，再用这些脉冲来代替我们所需要的正弦波，即在输出波形的半个周期中产生多个脉冲，使各脉冲的等值电压为正弦波形，所获得的输出平滑且低次谐波少，随后根据实际情况对各脉冲的宽度进行调制，即可调节逆变电路输出电压的大小，并调节输出频率，以此控制转子转速。同理，通过控制伺服机的PWM输入信号，控制马达旋转角度。传感器模块子程序主要完成数据的采集，以及和单片机直接的数据通信等，此部分程序的完成是整个系统软件设计成功与否的关键所在。4G通信模块子程序主要完成图片和位置信息的发送和接收和单片机直接的数据通信等功能。
4 结论
本文通过对进行一类基于深度学习的水面垃圾收集系统研究设计，通过摄像头采集水面照片，经过图像处理模块处理后经4G通讯模块将处理后的图片发送至云端，采用Faster-RCNN算法对图像进行识别，经坐标变换后提取垃圾位置，之后将信息发送给主控装置，通过控制电机进行启动、调速，控制舵机进行方向调整。通过结合卷积神经网络的深度学习算法和嵌入式系统，实现了对图片中水面垃圾的快速、高精度检测，大幅度地降低人力成本，具有较高的实用价值。但是当前的设计方案仍有它的不足之处，一是循迹路线无法覆盖所有水域，存在盲区；二是图像识别的精度仍可进一步的提高，这需要更大的数据集和更加优化的算法作为支撑。
参考文献
[1] 郭智超.水污染防治工作中存在的问题及对策研究[J].化工管理，2019（06）：159.
[2] 李思雨，吴艳娟，王帆，胡远杰.智能型水面垃圾清理器控制系统的研究与实现[J].自动化与仪表，2017，32（11）：45-48+63.
[3] 徐梦雪.基于深度学习的图像识别技术综述[J].计算机产品与流通，2019（01）：213.
[4] 胡炎，单子力，高峰. 基于Faster-RCNN和多分辨率SAR的海上舰船目标检测[J]. 无线电工程，2018（2）：96-100.
[5] 勾慧兰，刘光超. 基于STM32的最小系统及串口通信的实现[J]. 工业控制计算机，2012，25（9）：30-32.
[6] 郑灵凤，胡胜，朱蓉，等. 面向照片-图形图像的二分类方法[J]. 计算机系统应用，2017，26（6）：176-181.