论文部分内容阅读
摘 要：本文介绍新开发的一款基于CNN技术的医疗垃圾运输机器人。该机器人由底盘部分、抬升部分、夹取部分、识别部分四个部分组成。底盘部分的全方位移动能够满足复杂环境要求。抬升部分能够抓取到不同高度的物品。夹取部分的气阀式抓取能够更加迅速，牢固地抓取物品。识别部分通过OV5640摄像机获取目标，通过深度学习CNN技术来对物品进行图像处理以及分析，并将数据实时传送给STM32F427进行处理。
关键词：深度学习 STM32F427 卷积神经网络 MPU6500
中图分类号：X799.5;TP277 文献标识码：A 文章编号：1674-098X（2021）01（b）-0102-03
Medical Waste Transportation Robot Based on CNN Technology
LI Xudong1 LI Yutong1 SU Weipeng2 WANG Peide3 SHI Zhengjin1*
（1. School of Automation and Electrical Engineering， Shenyang Ligong University， Shenyang， Liaoning Province，110159 China ; 2. School of Mechanical Engineering， Shenyang， Ligong University， Shenyang， Liaoning Province，110159 China ; 3. School of Science， Shenyang Ligong University， Shenyang， Liaoning Province， 110159 China）
Abstract： A medical waste transportation robot based on CNN technology has been developed. The robot is composed of four parts： a chassis part， a lifting part， a clamping part， and an identification part. The all-round movement of the chassis can meet the requirements of complex environments. The lifting part can grab objects of different heights. The air valve type grabbing of the gripping part can grab the objects more quickly and firmly. The recognition part uses the OV5640 camera to acquire the target， uses deep learning CNN technology to process and analyze the image of the item， and transfer the data to STM32F427 in real time for processing.
Key Words： Deep learning; STM32F427; Convolutional neural network; MPU6500
目前世界上的医疗机器人大多应用于临床病人的看护以及药品的运输，不具备对药品的识别以及主动运输功能。国内大部分医院已经投入使用的机器人需要先人工添加药物然后根据已经设定好的路线将药品运输到指定位置，但医护人员无法通过后台直接操控机器人的行动[1]。基于CNN技术的医疗垃圾运输机器人在一定程度上能够弥补这些空缺的同时节省劳动力，并提高工作效率。特别是采用摇杆控制，操作简便、任意设计路径、适应环境能力极强，能够在高效率、低成本的完成医疗垃圾运输任务的同时，减少医护人员感染风险[2]。
1 总体设计方案
基于 CNN 技术的医疗垃圾运输机器人由底盘部分、抬升部分、夹取部分、识别部分四个部分组成。底盘部分的全方位移动提高了机器人的灵活性、可行走路线更多，因此可以满足医院复杂的环境，能够获取任何位置的医疗垃圾运输。抬升部分能够满足不同高度的垃圾箱、袋的抓取。夹取部分的气阀式抓取能够更加迅速，牢固的抓取箱子、袋子。识别部分基于 CNN 技术 能够实现对不同垃圾箱、袋的识别[3]，从而达到智能分拣的要求。多方位运动;利用OPENMV、MINIPC 以及 CNN 技术实现对标识物视觉分析;利用气阀来提高机械臂的抓取效率;基于CNN技术的医疗垃圾运输机器人的功能如图 1 所示。
2 底盘设计方案
2.1 避震悬挂
避震结构选用受力效果明显的V行悬挂。装配方式简单且容易更换，受损原因也能及时发现，方便了设计者针对特殊地形进行特殊改进。而独立悬挂使产生的震动也对机器人装载的物品影響较小，大大提高了运输物品的可靠性，同时，也使得初版设计机器人可以适应多种复杂地形。机器人底盘悬挂采用了纵壁式悬挂。
2.2 麦克纳姆轮设计
在完成了机器基本运动的同时，也使得机器人可以进行平移旋转，加大了机器人的灵活性，可以更加广泛地运用在各种复杂环境。因为可走的线路更多，也让机器人在多障碍环境下从出发点到目的地的运动距离减小，大大提高了工作效率[4]。 2.3 云台夹取稳定系统
在云台夹取抬升方面，我们采用了滑轨链轮抬升结构，配合气瓶辅助抬升夹取 稳定，降低货物脱落的风险。滑轨链轮抬升系统指在机器人的云台抬升的基础上，在云台下加装了滑轨，以抵消云台在抬升下降过程中出现左右两端高低不平的情况，保证了云台的稳定性，降低机器人在运行时候的损耗，同时降低维护成本。
3 电控系统设计方案
3.1 加入操作系統
为了减少中断处理容易出现重复的情况，以及提高处理速度。我们决定采用FREERTOS操作系统来加以辅助，实现代码逻辑处理的有序和处理速度的提高。
3.2 IMU采用陀螺仪和磁力计融合
为了减少原始数据高噪音点带来的误差，我们采用了低通滤波以及滑动滤波对读取的数据进行处理。由于YAW轴没有校准的东西，容易产生较大的误差[5]。我们采用了磁力计与陀螺仪融合的方式来减小误差[6]。
4 视觉系统设计方案
4.1 多传感器辅助视觉技术
通过大量研究，我们发现想要增加机器人夹取的准确性，除了机器人本身机构稳定之外，仍要配合大量的传感器进行辅助操作。较为突出的是视觉辅助设计，我们使用摄像头和 MINIPC加上高精度红外激光测距模块，对目标进行基于CNN技术的智能分析，进而可以判断出目标，配合电机的精准控制，使机器人瞄准目标进行夹取和转移作业。
4.2 基于CNN技术的视觉识别
机器人通过图像检测识别技术实现视觉系统高速目标定位和识别作业。传统检测识别技术有基于分割的方法、特征分析方法、图像识别决策分类方法、模式学习和形状匹配方法。而随着CNN技术的日益完善，我们通过结合图像处理技术、采用边界像素检测算法以及深度神经网络识别训练算法对目标进行精确定位与图像分割，应用 CNN 模型构建定位识别算法[4]。深度学习在工业、生活等领域有优越的特征抽取性能，而我们采用深度卷积网络，能够快速准确地识别和定位复杂目标物体。
5 医疗垃圾运输机器人各部分功能介绍
5.1 底盘功能
控制机器人的基本行走，在基本行走的基础上添加原地旋转、平移等功能，可以在 360°范围内转弯行走，以此扩大机器人的行走范围，从而达到符合医院复杂环境的行走要求[7]。
5.2 抬升部分功能
抬升结构在设计时考虑到适应物品的不同尺寸，增加了夹取的适应范围。在结构上使用扎实可靠的链传动方式。为了节省能源以及保证抬升高度，我们将两个 链传动结构以对角方式放置。为了使机器人使用寿命更长、外框更加牢固、提高运输效率，我们选用铝方管作为机器人抬升部分的外框材料。为了提高传动效率，我们选用两个3510电机作为主动力，通过PID闭环，控制抬升时的稳定。在抬升方法的选择上，我们采用齿轮传输，这样不仅能使顶部云台更加平稳，而且工作可靠性高。
5.3 视觉部分功能
主要针对于识别物的算法设计，根据医用的需求，算法以识别定位获取医疗垃圾箱的坐标，偏转角度、类别信息为目的，兼顾算法速度、定位精度及识别准确率。算法由目标定位算法和目标识别算法两部分组成。工业相机采集指定区域图像，对图像经过灰度均衡化，提高图片对比度;基于 Otsu 阈值分割再将图像二值化处理。通过腐蚀操作滤除图像的颗粒噪声，再分割提取图像中有用数据，最后通过CNN进行目标识别分类[8]。
5.4 逻辑部分功能
在机器人启动后，首先完成自检，遥控器、云台、底盘任务的创建。在自检成功后，等待获取遥控器数据。底盘 mpu6050取数据后，在解算后完成通过CAN总线发送到云台主控板，以此完成防止翻侧、底盘跟随等任务。底盘通过电机的转速闭环来保证机器人的速度能够达到期望速度。摄像头获取图像后发送给 MINIPC，MINIPC解算完数据后，将数据通过串口发送到主控板。控制板通过控制电磁阀开启完成目标抓取任务。
6 结语
本次研发的机器人是通过多传感器以及CNN技术实现对物品的识别后，将数据发送到单片机上，单片机完成实时的处理。我们通过多次对机器人的调试，最终机器人可以通过遥杆或电脑两种方式操控方式，再根据图传设备传来的图像，实现远程操作完成对医疗垃圾的分类和运输。从而达到系统设定的功能。
参考文献
[1] 邵帅.医疗垃圾预处理器具设计研究[D].武汉：湖北工业大学，2019.
[2] 彭小波.医疗垃圾回收处理监控系统设计与实现[D].绵阳：西南科技大学，2018.
[3] 齐燕.基于人工智能算法的图像识别与生成研究[J]. 电子元器件与信息技术，2019（11）：34-56.
[4] 郑仁辉.麦克纳姆轮全向机器人移动平台的设计[D].哈尔滨：哈尔滨工程大学，2017.
[5] 万俊.四轴飞行器的研究与制作[D].南京：东南大学， 2014（5）：45-64.
[6] 王建政，林克宾.STM32惯性姿态模拟系统[J].电子元器件与信息技术，2018（5）：16-19.
[7] 张忠民，郑仁辉.基于模糊PID的麦克纳姆轮移动平台的控制算法[J].应用科技，2017（5）20-39.
[8] 任志敏.基于STM32F407的图像采集系统设计[J].山西电子技术，2016（3）：45-48.
关键词：深度学习 STM32F427 卷积神经网络 MPU6500
中图分类号：X799.5;TP277 文献标识码：A 文章编号：1674-098X（2021）01（b）-0102-03
Medical Waste Transportation Robot Based on CNN Technology
LI Xudong1 LI Yutong1 SU Weipeng2 WANG Peide3 SHI Zhengjin1*
（1. School of Automation and Electrical Engineering， Shenyang Ligong University， Shenyang， Liaoning Province，110159 China ; 2. School of Mechanical Engineering， Shenyang， Ligong University， Shenyang， Liaoning Province，110159 China ; 3. School of Science， Shenyang Ligong University， Shenyang， Liaoning Province， 110159 China）
Abstract： A medical waste transportation robot based on CNN technology has been developed. The robot is composed of four parts： a chassis part， a lifting part， a clamping part， and an identification part. The all-round movement of the chassis can meet the requirements of complex environments. The lifting part can grab objects of different heights. The air valve type grabbing of the gripping part can grab the objects more quickly and firmly. The recognition part uses the OV5640 camera to acquire the target， uses deep learning CNN technology to process and analyze the image of the item， and transfer the data to STM32F427 in real time for processing.
Key Words： Deep learning; STM32F427; Convolutional neural network; MPU6500
目前世界上的医疗机器人大多应用于临床病人的看护以及药品的运输，不具备对药品的识别以及主动运输功能。国内大部分医院已经投入使用的机器人需要先人工添加药物然后根据已经设定好的路线将药品运输到指定位置，但医护人员无法通过后台直接操控机器人的行动[1]。基于CNN技术的医疗垃圾运输机器人在一定程度上能够弥补这些空缺的同时节省劳动力，并提高工作效率。特别是采用摇杆控制，操作简便、任意设计路径、适应环境能力极强，能够在高效率、低成本的完成医疗垃圾运输任务的同时，减少医护人员感染风险[2]。
1 总体设计方案
基于 CNN 技术的医疗垃圾运输机器人由底盘部分、抬升部分、夹取部分、识别部分四个部分组成。底盘部分的全方位移动提高了机器人的灵活性、可行走路线更多，因此可以满足医院复杂的环境，能够获取任何位置的医疗垃圾运输。抬升部分能够满足不同高度的垃圾箱、袋的抓取。夹取部分的气阀式抓取能够更加迅速，牢固的抓取箱子、袋子。识别部分基于 CNN 技术 能够实现对不同垃圾箱、袋的识别[3]，从而达到智能分拣的要求。多方位运动;利用OPENMV、MINIPC 以及 CNN 技术实现对标识物视觉分析;利用气阀来提高机械臂的抓取效率;基于CNN技术的医疗垃圾运输机器人的功能如图 1 所示。
2 底盘设计方案
2.1 避震悬挂
避震结构选用受力效果明显的V行悬挂。装配方式简单且容易更换，受损原因也能及时发现，方便了设计者针对特殊地形进行特殊改进。而独立悬挂使产生的震动也对机器人装载的物品影響较小，大大提高了运输物品的可靠性，同时，也使得初版设计机器人可以适应多种复杂地形。机器人底盘悬挂采用了纵壁式悬挂。
2.2 麦克纳姆轮设计
在完成了机器基本运动的同时，也使得机器人可以进行平移旋转，加大了机器人的灵活性，可以更加广泛地运用在各种复杂环境。因为可走的线路更多，也让机器人在多障碍环境下从出发点到目的地的运动距离减小，大大提高了工作效率[4]。 2.3 云台夹取稳定系统
在云台夹取抬升方面，我们采用了滑轨链轮抬升结构，配合气瓶辅助抬升夹取 稳定，降低货物脱落的风险。滑轨链轮抬升系统指在机器人的云台抬升的基础上，在云台下加装了滑轨，以抵消云台在抬升下降过程中出现左右两端高低不平的情况，保证了云台的稳定性，降低机器人在运行时候的损耗，同时降低维护成本。
3 电控系统设计方案
3.1 加入操作系統
为了减少中断处理容易出现重复的情况，以及提高处理速度。我们决定采用FREERTOS操作系统来加以辅助，实现代码逻辑处理的有序和处理速度的提高。
3.2 IMU采用陀螺仪和磁力计融合
为了减少原始数据高噪音点带来的误差，我们采用了低通滤波以及滑动滤波对读取的数据进行处理。由于YAW轴没有校准的东西，容易产生较大的误差[5]。我们采用了磁力计与陀螺仪融合的方式来减小误差[6]。
4 视觉系统设计方案
4.1 多传感器辅助视觉技术
通过大量研究，我们发现想要增加机器人夹取的准确性，除了机器人本身机构稳定之外，仍要配合大量的传感器进行辅助操作。较为突出的是视觉辅助设计，我们使用摄像头和 MINIPC加上高精度红外激光测距模块，对目标进行基于CNN技术的智能分析，进而可以判断出目标，配合电机的精准控制，使机器人瞄准目标进行夹取和转移作业。
4.2 基于CNN技术的视觉识别
机器人通过图像检测识别技术实现视觉系统高速目标定位和识别作业。传统检测识别技术有基于分割的方法、特征分析方法、图像识别决策分类方法、模式学习和形状匹配方法。而随着CNN技术的日益完善，我们通过结合图像处理技术、采用边界像素检测算法以及深度神经网络识别训练算法对目标进行精确定位与图像分割，应用 CNN 模型构建定位识别算法[4]。深度学习在工业、生活等领域有优越的特征抽取性能，而我们采用深度卷积网络，能够快速准确地识别和定位复杂目标物体。
5 医疗垃圾运输机器人各部分功能介绍
5.1 底盘功能
控制机器人的基本行走，在基本行走的基础上添加原地旋转、平移等功能，可以在 360°范围内转弯行走，以此扩大机器人的行走范围，从而达到符合医院复杂环境的行走要求[7]。
5.2 抬升部分功能
抬升结构在设计时考虑到适应物品的不同尺寸，增加了夹取的适应范围。在结构上使用扎实可靠的链传动方式。为了节省能源以及保证抬升高度，我们将两个 链传动结构以对角方式放置。为了使机器人使用寿命更长、外框更加牢固、提高运输效率，我们选用铝方管作为机器人抬升部分的外框材料。为了提高传动效率，我们选用两个3510电机作为主动力，通过PID闭环，控制抬升时的稳定。在抬升方法的选择上，我们采用齿轮传输，这样不仅能使顶部云台更加平稳，而且工作可靠性高。
5.3 视觉部分功能
主要针对于识别物的算法设计，根据医用的需求，算法以识别定位获取医疗垃圾箱的坐标，偏转角度、类别信息为目的，兼顾算法速度、定位精度及识别准确率。算法由目标定位算法和目标识别算法两部分组成。工业相机采集指定区域图像，对图像经过灰度均衡化，提高图片对比度;基于 Otsu 阈值分割再将图像二值化处理。通过腐蚀操作滤除图像的颗粒噪声，再分割提取图像中有用数据，最后通过CNN进行目标识别分类[8]。
5.4 逻辑部分功能
在机器人启动后，首先完成自检，遥控器、云台、底盘任务的创建。在自检成功后，等待获取遥控器数据。底盘 mpu6050取数据后，在解算后完成通过CAN总线发送到云台主控板，以此完成防止翻侧、底盘跟随等任务。底盘通过电机的转速闭环来保证机器人的速度能够达到期望速度。摄像头获取图像后发送给 MINIPC，MINIPC解算完数据后，将数据通过串口发送到主控板。控制板通过控制电磁阀开启完成目标抓取任务。
6 结语
本次研发的机器人是通过多传感器以及CNN技术实现对物品的识别后，将数据发送到单片机上，单片机完成实时的处理。我们通过多次对机器人的调试，最终机器人可以通过遥杆或电脑两种方式操控方式，再根据图传设备传来的图像，实现远程操作完成对医疗垃圾的分类和运输。从而达到系统设定的功能。
参考文献
[1] 邵帅.医疗垃圾预处理器具设计研究[D].武汉：湖北工业大学，2019.
[2] 彭小波.医疗垃圾回收处理监控系统设计与实现[D].绵阳：西南科技大学，2018.
[3] 齐燕.基于人工智能算法的图像识别与生成研究[J]. 电子元器件与信息技术，2019（11）：34-56.
[4] 郑仁辉.麦克纳姆轮全向机器人移动平台的设计[D].哈尔滨：哈尔滨工程大学，2017.
[5] 万俊.四轴飞行器的研究与制作[D].南京：东南大学， 2014（5）：45-64.
[6] 王建政，林克宾.STM32惯性姿态模拟系统[J].电子元器件与信息技术，2018（5）：16-19.
[7] 张忠民，郑仁辉.基于模糊PID的麦克纳姆轮移动平台的控制算法[J].应用科技，2017（5）20-39.
[8] 任志敏.基于STM32F407的图像采集系统设计[J].山西电子技术，2016（3）：45-48.