2021年电赛F题智能送药小车（国二）开源分享

文章目录

题目任务

设计并制作智能送药小车，模拟完成在医院药房与病房间药品的送取作业。院区结构示意如图1所示。院区走廊两侧的墙体由黑实线表示。走廊地面上画有居中的红实线，并放置标识病房号的黑色数字可移动纸张。药房和近端病房号（1、2 号）如图1所示位置固定不变，中部病房和远端病房号（3-8号）测试时随机设定。
工作过程：参赛者手动将小车摆放在药房处（车头投影在门口区域内，面向病房），手持数字标号纸张由小车识别病房号，将约 200g 药品一次性装载到送药小车上；小车检测到药品装载完成后自动开始运送；小车根据走廊上的标识信息自动识别、寻径将药品送到指定病房（车头投影在门口区域内），点亮红色指示灯，等待卸载药品；病房处人工卸载药品后，小车自动熄灭红色指示灯，开始返回；小车自动返回到药房（车头投影在门口区域内，面向药房）后，点亮绿色指示灯。
在这里插入图片描述

前言（闲话）

这次比赛因为疫情延期了，给了我们更多的准备（摸鱼）时间，比赛四天三夜，占用了有课的周五（刚好碰上了实习，打铁贼累还得熬夜。。。）
因为太过摸鱼本以为能那个省三就不错了，没想到冲了个国二，圆梦电赛了，打破了学校十年的记录。所以说竞赛这方面还得坚持，万一破纪录了呢。
我本人是负责视觉方面的，将详细写实现方法，保姆级教程，包括神经网络训练。

一、团队分工介绍

由队长赵嘉辉（电控编程）、队员陈为骞（视觉识别）和吴金颖（机械设计）组成，其中两个大四，一个大三。

//两位光电专业、一位机械的hhh

二、题目分析、破题

1.要点分析

任务可简单分为3个：
（1）巡线移动。完成最基础的移动功能，是所有功能的基础。本作品采用灰度传感器循迹和步进电机的巡线移动方案。
（2）识别病房号数字。可采用openmv、k210、树莓派等视觉单片机识别。由于没有提前准备k210，且树莓派大小、功耗较大，因此采用最常见的openmv。为保证性能足够，采用openmv4plus。
（3）双机通信。本作品采用蓝牙双机通信，实现数据共享。
完成以上3个任务后，就是对小车代码逻辑的构思和想法。后面的就是多调试代码，修bug即可。

2.系统方案

1、单片机选择采用ArduinoMEGA2560单片机作主控。由于其代码开源性，代码简易，适合新手使用。强大的库函数能极大减少开发时间。且对于该题目，运算速度足够，因此采用。
2、运动系统采用42步进电机。该款电机转动精确度高，扭力大，额定电流2A以下，且控制简单，不会因为不同驱动的电压而导致转动步数的偏差，无需使用闭环控制即能走出非常好的直线，不易走歪，短距离内可精准控制运动位移。驱动采用TB6600 H桥双极恒相流驱动。驱动及电机采用淘宝成品套件，设置驱动细分数为800。由于驱动体积较大，且42步进电机运行时电流较小，因此可以拆除该驱动模块的金属外壳（散热器），从而达到极大缩小体积和重量。前轮采用牛眼轮进行支撑。牛眼轮的选择最好选摩擦力小的。本作品用的牛眼轮摩擦力较大，使得电机的速度不能提得太高，否则摩擦力会将车的运动姿态扰乱，走起来一抖一抖的。
3、循迹系统采用八路灰度传感器（实际只用了4路）。调节好阈值，能精准分辨红白色。推荐使用下图的灰度传感器。用非常简单的数字逻辑检测循迹代码即能完成循迹功能。
4、视觉系统手持病房号采用模板匹配识别，原因是手持病房号可动态调整远近、角度，模板匹配也能很快识别成功。地面上的病房号数字采用OpenMV4 H7 Plus神经网络方法识别。对比模板匹配，识别成功率极高，高达90%以上。由于性能受限，运行时图像仅有2~3帧，需要在病房号前停下零点几秒让其图像稳定下来识别数字。
5、通信系统采用HM-10蓝牙模块进行双机通信。主蓝牙仅能接收从蓝牙的信息，不能传信息给从蓝牙。因此从蓝牙接1号车，主蓝牙接2号车。2号车只需要接收1号车指令即可完成所有任务。注意：需提前AT指令设置主从模式和自动连接蓝牙的操作。
6、其他采用了oled屏幕显示本次读取病房号是否成功，及实时显示一些小车运行状态，方便调试。设置红绿黄指示灯、蜂鸣器提示等功能。采用双边自复位按钮作复位键。由于主控单片机和OpenMV工作电平不一致，复位引脚不能接入同一按键上，因此使用此按键可一键复位两个单片机。药物检测采用简单的红外避障模块检测高低电平即可。

三、电控部分

电控部分已在立创开源平台发布！比赛准备的全部工程都有！点这里！！
也可以访问：https://oshwhub.com/AngleLeon/gong-ke-sai-xin-hao-zheng-ge-ban_copy
电控代码也在里面。

1、主控拓展电路

主控拓展板

（1）单片机及其引脚外接其中arduino的D2-D5作为IO口接入电机驱动模块，驱动两个步进电机（每个步进电机由DIR和PUL控制），D23-D37的其中一些引脚接灰度传感器的8个数字信号口。
（2）电源输入、输出12V从圆孔DC5.5系列接口输入，一路直出给步进电机驱动和步进电机供电，领一路经过5V稳压模块给单片机等其他模块供电。引出8组5V电源接口，方便扩展。
（3）其他其他多余的接口没有特别定义，只是单纯引出，备用。

2、步进电机驱动信号整合板

两个步进电机需要两个驱动板，需要较多信号线和电源线，会导致接线较乱、易松。为了稳定性更好，制作了这块信号整合板，并使用了XH2.54红白排插线，连接不易松，且易拔插。

（1）原理图分为12V电源输入输出，布线配合单片机扩展板的IO分布。
（2）PCB及仿真图印丝层加入了对应的IO口数字号，标注了步进电机驱动细分数对应的拨码器状态。且该pcb孔位、大小完全适配拆了散热外壳后的步进电机驱动模块，能直接安装在驱动上，省空间。

在这里插入图片描述

PCB设计分析

由于主要难度在电控编程上，因此对于PCB的布线难度较小，有一定基础即可，没有需要特别注意的地方。

四、视觉部分

很多人觉得视觉难，是因为没办法搭建深度学习的训练环境，巧合的是，本人主持的大创项目正好的关于视觉神经网络的，对于懂的人识别数字十分简单，但是要在嵌入式上载入模型，对于小白来说还是有难度的。我这里只介绍一种极简方法，不需要懂神经网络内涵，手把手小白入门教学。
本人比赛使用的是OpenMv4 Plus，这是支持神经网络最低配的一款，当然K210、树莓派等都可以吊打Openmv，但是由于比赛没有准备其他两款，只能选择普普通通的Openmv了。
先上结果：
在这里插入图片描述

神经网络的训练：

//大神请忽略此部分~~~
在线端训练网站：https://studio.edgeimpulse.com
在这里插入图片描述

1、使用Opemv采集数据打开工具-数据集编辑器-新数据集创建相应数字的文件夹通过helloworld.py例程来采集图像，需要把画质改为QQVGA 多加sensor.set_windowing(20,76,40,40) #框选位置，左右都需要

import sensor, image, time

sensor.reset()# Reset and initialize the sensor.
sensor.set_pixformat(sensor.GRAYSCALE)# Set pixel format to RGB565 (or GRAYSCALE)
sensor.set_framesize(sensor.QQVGA)# Set frame size to QVGA (320x240)
sensor.set_windowing(20,76,40,40)#框选位置自己修改成合适的
sensor.skip_frames(time =2000)# Wait for settings take effect.
clock = time.clock()# Create a clock object to track the FPS.while(True):
    clock.tick()# Update the FPS clock.
    img = sensor.snapshot()# Take a picture and return the image.print(clock.fps())# Note: OpenMV Cam runs about half as fast when connected# to the IDE. The FPS should increase once disconnected.

然后开始采集，将数字放在左右两边，两边都要采集大概几十到一百张。

2、在网站导入图像（Create impulse）从openmv IDE通过API密匙上传采集到的数据集。
3、调整图像（Image）按默认设置就好了。
4、迁移学习（Transfer learning）参数也是按默认就行。
5、保存模型（Versioning）及时做好备份，这是云端的，防止多次采集训练后效果还没以前某一次好。
6、导出模型

在这里插入图片描述下载神经网络后解压导入Openmv，完成。

运行代码：

下面是Openmv端运行代码，代码含模板匹配，移步星瞳官网文档，写得比我好。
Openmv端程序框图：
在这里插入图片描述

主程序：

import time, sensor, image,os,tf
from image import SEARCH_EX, SEARCH_DS
from pyb import UART
#从imgae模块引入SEARCH_EX和SEARCH_DS。使用from import仅仅引入SEARCH_EX,#SEARCH_DS两个需要的部分，而不把image模块全部引入。
uart = UART(3,9600)# Reset sensor
sensor.reset()# Set sensor settings# Max resolution for template matching with SEARCH_EX is QQVGA
sensor.set_framesize(sensor.QQVGA)#推荐QQVGA，能提高识别速度# You can set windowing to reduce the search image.#sensor.set_windowing(((640-80)//2, (480-60)//2, 80, 60))
sensor.set_pixformat(sensor.GRAYSCALE)

net ="trained.tflite"#导入神经网络
labels =[line.rstrip('\n')for line inopen("labels.txt")]#导入模板# Load template.# Template should be a small (eg. 32x32 pixels) grayscale image.
template1 =["/1.pgm"]
template2 =["/2.pgm"]
template3 =["/3.pgm","/3a.pgm","/3b.pgm"]
template4 =["/4.pgm","/4a.pgm","/4b.pgm"]
template5 =["/5.pgm","/5a.pgm","/5b.pgm"]
template6 =["/6.pgm","/6a.pgm","/6b.pgm"]
template7 =["/7.pgm","/7a.pgm","/7b.pgm"]
template8 =["/8.pgm","/8a.pgm","/8b.pgm"]

A0=1
A9=1
B0=1
A1=0
A2=0
A3=0
A4=0
A5=0
A6=0
A7=0
A8=0
B0=1
C0=1
C1=0
C2=1
D0=1
D1=1#加载模板图片

clock = time.clock()# Run template matchingwhile(True):
        clock.tick()
        img = sensor.snapshot()while(A0):#开始模板匹配识别手持数字
            clock.tick()
            img = sensor.snapshot()
            t1 = image.Image(template1[0])
            r1 = img.find_template(t1,0.80, step=4, search=SEARCH_EX)#, roi=(10, 0, 60, 60))if r1:
                img.draw_rectangle(r1)
                A1=1
                A0=0
            t2 = image.Image(template2[0])
            r2 = img.find_template(t2,0.80, step=4, search=SEARCH_EX)#, roi=(10, 0, 60, 60))if r2:
                img.draw_rectangle(r2)
                A2=1
                A0=0
            t3 = image.Image(template3[0])
            r3 = img.find_template(t3,0.85, step=4, search=SEARCH_EX)#, roi=(10, 0, 60, 60))if r3:
                img.draw_rectangle(r3)print('3')#打印模板名字
                A3=1
                A0=0
            t4 = image.Image(template4[0])
            r4 = img.find_template(t4,0.80, step=4, search=SEARCH_EX)#, roi=(10, 0, 60, 60))if r4:
                img.draw_rectangle(r4)print('4')#打印模板名字
                A4=1
                A0=0
            t5 = image.Image(template5[0])
            r5 = img.find_template(t5,0.80, step=4, search=SEARCH_EX)#, roi=(10, 0, 60, 60))if r5:
                img.draw_rectangle(r5)print('5')#打印模板名字
                A5=1
                A0=0
            t6 = image.Image(template6[0])
            r6 = img.find_template(t6,0.80, step=4, search=SEARCH_EX)#, roi=(10, 0, 60, 60))if r6:
                img.draw_rectangle(r6)print('6')#打印模板名字
                A6=1
                A0=0
            t7 = image.Image(template7[0])
            r7 = img.find_template(t7,0.80, step=4, search=SEARCH_EX)#, roi=(10, 0, 60, 60))if r7:
                img.draw_rectangle(r7)print('7')#打印模板名字
                A7=1
                A0=0
            t8 = image.Image(template8[0])
            r8 = img.find_template(t8,0.85, step=4, search=SEARCH_EX)#, roi=(10, 0, 60, 60))if r8:
                img.draw_rectangle(r8)print('8')#打印模板名字
                A8=1
                A0=0while(A9):#识别到数字，发送指令给主控if A1==1:
                uart.write('1')print('1')#打印模板名字
                num=1
                A9=0if A2==1:
                uart.write('2')print('2')#打印模板名字
                num=2
                A9=0if A3==1:
                uart.write('3')print('3')
                num=3
                A9=0if A4==1:
                uart.write('4')print('4')
                num=4
                A9=0if A5==1:
                uart.write('5')print('5')
                num=5
                A9=0if A6==1:
                uart.write('6')print('6')
                num=6
                A9=0if A7==1:
                uart.write('7')print('7')
                num=7
                A9=0if A8==1:
                uart.write('8')print('8')
                num=8
                A9=0while(True):#接受到主控指令，可以进行识别数字while(B0):if(uart.any()):
                        B = uart.read()print(B)if B==b'1':print("1")
                            B0=0
                            C0=1while(C0):
                img = sensor.snapshot()#神经网络识别右边数字
                roiL=(20,76,40,40)for obj in tf.classify(net, img, roiL,min_scale=1, scale_mul=0.8, x_overlap=0.5, y_overlap=0.5):print("**********\nPredictions at [x=%d,y=%d,w=%d,h=%d]"% obj.rect())
                    img.draw_rectangle(obj.rect())
                    predictions_list =list(zip(labels, obj.output()))for i inrange(len(predictions_list)):print("%s = %f"%(predictions_list[i][0], predictions_list[i][1]))
                    num1=ord(predictions_list[i][0])-48if predictions_list[i][1]>0.7and num1==num:
                        uart.write('1')print('11')
                        C1=1
                        C0=0
                roiR=(89,77,40,40)#神经网络识别左边数字for obj in tf.classify(net, img, roiR,min_scale=1, scale_mul=0.8, x_overlap=0.5, y_overlap=0.5):print("**********\nPredictions2 at [x=%d,y=%d,w=%d,h=%d]"% obj.rect())
                    img.draw_rectangle(obj.rect())
                    predictions_list2 =list(zip(labels, obj.output()))for p inrange(len(predictions_list2)):print("%s = %f"%(predictions_list2[p][0], predictions_list2[p][1]))
                    num2=ord(predictions_list2[p][0])-48if predictions_list2[p][1]>0.7and num2 == num:
                        uart.write('2')print("22")
                        C1=1
                        C0=0if C1==0:
                    uart.write('0')print("00")print(clock.fps(),"fps")

五、机械部分

1、整车模型如图为小车机械结构3D图。前轮采用两个牛眼轮进行辅助支撑，后轮为步进电机驱动的动力轮。长21cm、宽19.5cm、高24.5cm。图中1为牛眼轮，2为八路灰度传感器模块，3为小车底板，4为六角铜柱，5为单片机和PCB扩展板，6为摄像头支架固定底座，7为OpenMV摄像头，8为药品，9为药仓，10为红外对射模块，11为步进电机驱动板，12为普通轮子，13为步进电机，14为12V锂电池，15为支撑座。
2、车底盘图