一、 系统方案

本系统主要由单片机控制模块、寻迹传感器模块、电机模块、电机驱动模块、摄像头模块组成，下面分别论证这几个模块选择的可行性。

1.1 主控制模块

我们采用STM32F103C8T6单片机作为整个送药小车系统的主控系统，其采用Cortex-M3处理器，具有性能高、代码密度高、芯片面积小的特点，对此送药小车复杂系统的设计，有很好的导向性；32单片机有内建的嵌套向量中断控制器，它与内核是紧密耦合的，具有可嵌套中断支持、向量中断支持、中断可屏蔽等强大的中断功能，在小车系统设计时，能大大提高程序的流畅及高效性； 此外，32单片机还拥有强大的外围模块，如定时器、ADC、SPI、GPIO……通过这些外围模块的相互配合，能够实现两小车之间的信息交互。综上所述，将STM32单片机作为整个系统的主控模块是非常合适且正确的。

1.2 寻迹模块

 1.2.1 红外寻迹

红外线传感器是利用红外线来进行数据处理的一种传感器。红外线又称红外光，它具有反射、折射、散射、干涉、吸收等性质。任何物质，只要它本身具有一定的温度（高于绝对零度），都能辐射红外线。但此系统中红外传感器有明显的缺陷，经过我们的实地测试，发现场地红黑界线的反射强度相差不大，故在进行小车的寻迹调试时，会遇到传感器传输信息灵敏度不高等问题。

 1.2.2 灰度寻迹

灰度传感器可分为模拟传感器与数字传感器，本系统适合采用数字型传感器，其原理是不同颜色的检测面对光的反射程度不同，光敏电阻对不同检测面返回的光其阻值也不同，从而进行颜色深浅的检测。在有效的检测距离内，发光二极管发出白光，照射在检测面上，检测面反射部分光线，光敏电阻检测此光线的强度并将其转换为单片机可以识别的信号。本次场地采用的是黑红分界线，其颜色差值大，分辨率好，故灰度传感器对此有很好的识别效果。

综上所述，我们选择了八路灰度传感器作为小车传感器模块。

1.3 电机模块

 1.3.1 步进电机

步进电机是一种将电脉冲信号转换成相应角位移或线位移的电动机。每输入一个脉冲信号，转子就转动一个角度或前进一步，其输出的角位移或线位移与输入的脉冲数成正比，转速与脉冲频率成正比。步进电机具有动态响应快、精度高、易于起停，易于正反转及变速的优点，可精确控制旋转角度。但它以步进式跟进，角度小于一个步距角时是系统响应盲区，且转速较慢；本系统需要的车速相比步进电机的转速相比较快，故不适合作为小车的电机模块。

 1.3.2 编码电机

编码电机是将编码器与普通电机相结合产生的一种电机。编码器是将信号或数据进行编制、转换为可用以通讯、传输和存储的信号形式的设备。编码器把角位移或直线位移转换成电信号，按照工作原理编码器可分为增量式和绝对式两类，增量式编码器是将位移转换成周期性的电信号，再把这个电信号转变成计数脉冲，用脉冲的个数表示位移的大小。此系统通过增量式编码器获取电机的脉冲数，再通过32单片机的程序控制车轮转的角度进行小车的转向。这种控制相比于步进电机更加灵活。

综上所述，我们选择编码电机作为小车电机模块。

1.4 电机驱动模块

 1.4.1 L298N

L298N是一个具有高电压大电流的全桥驱动芯片，它相应频率高，一片L298N可以分别控制两个直流电机，而且还带有控制使能端。用该芯片作为电机驱动，操作方便，稳定性好，性能优良。

 1.4.2 TB6612

TB6612电机驱动模块具有大电流MOSFET-H 桥结构，双通道电路输出，可同时驱动2个电机。相对于传统的L298N效率上提高很多,外围电路简单，只需外接电源滤波电容就可以直接驱动电机，体积上也大幅度减少，在额定范围内，芯片基本不发热。

1.5 图像视觉模块

 1.5.1 OV7725

ATK-OV7725是一款高性能30W像素高清摄像头模块，该模块采用OV7725传感器作为核心部件，集成有源品振和和FIFO，任意一款MCU都可控制该模块和读取图像。但是其内部未集成处理器，控制起来难度较大，处理数据较不方便，且识别的速度较慢，误差较大，我们的传感器系统对图像采集速率有较高的要求，故OV7725不适用。

 1.5.2 OpenMV4Plus

OpenMV4p采用了STM32H7高性能微控制器。功能强大的MCU让OpenMV4p可以轻松地在OpenMV4p平台上几秒内直接运行颜色跟踪、人脸识别与检测、标记跟踪、模板匹配等机器视觉应用；此外，OpenMV4p还开发了卷积神经网络，可将小车所要识别的数字训练集输入卷积神经网络进行训练，为后续识别地上的数字做铺垫，但由于其训练集的获取过于复杂且最终的识别效果不太理想，OpenMV4p的可用性不高。

 1.5.3 Maix Bit

Maix Bit开发板以K210作为核心单元，功能非常强大，芯片内置64位双核处理器，拥有8M的片上SRAM，在AI机器视觉、听觉性能方面表现突出，可以方便地实现图像识别以及视频处理。其在神经网络上的表现优于OpenMV4p，具体为，可采用KPU神经网络算法进行kmodel训练集训练，且最终图片识别效果远远优于采用Maix Bit的神经网络。

综上所述，我们采用Maix Bit开发板作为图像识别的有力工具。

二、系统理论分析与计算

2.1 自动寻迹方法的分析

 2.1.1 灰度传感器多状态分析

小车的寻迹又装载在车头的灰度传感器状态决定，其模型图如下所示：

图2-1 灰度传感器模型图

当车头发生倾斜时，设每一种的倾斜状态为SEN，其取值为-2，-1，0，1，2，目标状态为TAR=0。每次倾斜，主控程序会检测其倾斜状态，并同过PID方法使其回到状态TAR。

 2.1.2 PID控制

在过程控制中，按偏差的比例（P）、积分（I）和微分（D）进行控制的PID控制器（亦称PID调节器）是应用最为广泛的一种自动控制器。它具有原理简单，易于实现，适用面广，控制参数相互独立，参数的选定比较简单等优点。PID控制算法是结合比例、积分和微分三种环节于一体的控制算法，它是连续系统中技术最为成熟、应用最为广泛的一种控制算法。在连续控制系统的理想PID控制规律是：

将上文中的SEN及TAR值输入PID控制中，通过输出PWM波的形式来控制小车的运行，其主要的关系为：

2.2 数字识别方法的分析

 2.2.1 模板匹配

模板匹配是一种最原始、最基本的模式识别方法，研究某一特定对象物的图案位于图像的什么地方，进而识别对象物，这就是一个匹配问题。它是图像处理中最基本、最常用的匹配方法。模板匹配具有自身的局限性，主要表现在它只能进行平行移动，若原图像中的匹配目标发生旋转或大小变化，该算法无效。

我们采用OpenMV4p的模板匹配进行测试，我们发现其有许多缺点，如所需的模板匹配库太大，当其导入到摄像头内存时，每次匹配识别所花时间过于长，故很难将其应用到小车图像识别中去。

 2.2.2 特征点提取

特征提取是对某一模式的组测量值进行变换，以突出该模式具有代表性特征的一种方法。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。同样，我们采用OpenMV4p自带的特征提取库对数字1-8进行特征点提取，在设置特征点时，首先应设置特征点数的阈值，在Openmv代码中体现为“threshold”的设置，最终，经过我们的重复识别与检测，此方法的精确度较低，数字特征不明显，对后续的图像识别有很大的影响。

 2.2.3 KPU神经网络

KPU是通用的神经网络处理器，实现卷积神经网络计算，时时获取被检测目标的大小、坐标和种类，一般对人脸或者物体进行检测和分类。KPU网络一般具有以下几个特点：支持主流训练框架按照特定限制规则训练出来的定点化模型；对网络层数无直接限制，支持每层卷积神经网络参数单独配置，包括输入输出通道数目、输入输 出行宽列高；支持任意形式的激活函数；实时工作时最大支持神经网络参数大小为 5.5MiB 到 5.9MiB。我们首先在Python上训练神经网络训练集，对数字1-8分别拍摄不同的200余张照片，将其输入网络训练，最终导出kmodel训练集；在MaixBit上运行神经网络相关程序，通过实测数字比对，我们发现此训练方法的精确度能达95%以上，对于特定位置的摄像头摆放，其匹配率能够达到99%。

三、电路与程序设计

3.1 电路设计

3.2 程序设计（代码见附件）

 3.2.1 基于KPU的识别算法

KPU 即通用的神经网络处理器，MaixBit的K210内部SOC搭载一颗KPU，它可以在低功耗的情况下实现卷积神经网络计算，时时获取被检测目标的大小、坐标和种类，对人脸或者物体进行检测和分类。我们将提前训练好的kmodel模型导入MaixBit的SD卡中，并调用函数读取模型的内容，做好学习识别的准备。

接下来进行数字识别学习。为了提高识别数字的准确度，我们对所要识别的数字进行10次采样识别，最后对十次数据取加权平均，这样得出识别结果能有更高的准确度。

最后是小车行进间匹配识别，当在界面中匹配到数字时，对它进行框选处理，根据框选的位置来确定数字相对于小车的方向，将方向进行标识，并将此标识通过串口通信传输给STM32主控模块。

 3.2.2 寻迹模块基本设计

我们将小车的各个运动及通信模块部分独立编程，最终将初始化及主调函数嵌入至main函数。首先初始化定时器TIM1、TIM2、TIM3，后两个定时用于定时读取编码电机的编码值；配置串口通信，使其波特率设定为9600；初始化电机及电机驱动模块；初始化PID控制模块。

四、测试方案与测试结果

4.1 测试方案

 4.1.1 kmodel模型检测

对之前已经训练好的数字训练模型进行测试，测试结果如下：

	第1次	第2次	第3次	第4次	第5次	第6次
样本数(次)	10	30	50	100	150	200
正检数(次)	10	29	49	98	149	198
正确率	100%	96.7%	98%	98%	99.3%	99%

由测试结果可知，kmodel模型对于数字识别有很高的正确度，进而能保证后续模块的正常运行。

 4.1.2 小车模块测试

电池模块：用数码管实时显示电池电压，并用电压表测量实际电压，结果为数码管显示电压与电压表测量电压几乎相差不大。

电机驱动模块：用万用表测量与电机驱动模块相连的GPIO口，测量对应的高低电平状态，最终测试结果良好。

灰度传感器模块：拿红色电工胶带在一张白纸上贴出十字，将其放置于传感器下方，若传感器显示结果与预测结果相似，则测试良好。最终测试结果良好。

4.2 测试条件与仪器

测试条件：程序逻辑、语法与硬件电路等检查多次，软件程序和硬件电路都匹配良好。

测试仪器：卷尺、万用表、红色电工胶带。

4.3 测试结果及分析

测试结果：

药房\总用时（s）	第一次	第二次	第三次	第四次	第五次
近端	10.5	9.3	9.5	10.5	11
中端	17.5	17	16	21	18.5
远端	31	29.5	32	30.5	28

 小车可以很好地完成寻迹运动，同时在十字路口完成数字识别进行相应的转弯；两小车可以较好地完成通信，然后时空有序地进行运动。

结果分析：测试结果与预期效果基本相符，寻迹转弯角度变换不理想，但已经通过算法矫正。