摘 要：水面垃圾會(huì)造成水體污染，它不僅破壞了水域生態(tài)系統(tǒng)平衡，并且對(duì)人類社會(huì)的生產(chǎn)和生活也產(chǎn)生了巨大危害，還會(huì)影響到船只的航行安全。目前，市面上主要的水面垃圾清理船體型龐大，很難應(yīng)用在一些小型水域。并且多采用人工搜尋和清理的方式，但是人工搜尋效率低，人力成本高。針對(duì)該問題，設(shè)計(jì)了一款基于機(jī)器視覺的水面垃圾尋航系統(tǒng)，該裝置基于YOLO-V2卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行目標(biāo)檢測(cè)，尋找水面垃圾等漂浮物，控制船只靠近目標(biāo)物進(jìn)行拾取，通過GPS進(jìn)行導(dǎo)航，使用蟻群算法和完全遍歷算法進(jìn)行路徑規(guī)劃，同時(shí)用 ESP32-cam和小熊派完成云端數(shù)據(jù)通信。最終達(dá)到自動(dòng)出航和返航、垃圾自動(dòng)拾取、遠(yuǎn)程監(jiān)控的效果。

關(guān)鍵詞：水面垃圾；卷積神經(jīng)網(wǎng)絡(luò)；優(yōu)化算法；PID；路徑規(guī)劃

基金項(xiàng)目：本項(xiàng)目由大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目基金資助

近年來，隨著城市建設(shè)的飛速發(fā)展，不少江河、湖泊、海洋等水面受到水域污染物不同程度的污染[1]。這極大影響了整個(gè)水域的生態(tài)平衡，甚至影響到了人類社會(huì)生活的方方面面，水質(zhì)富營養(yǎng)化導(dǎo)致大量養(yǎng)殖魚類缺氧而死，大量垃圾堆積在河面，影響到船只的航行安全等問題。隨著人工智能技術(shù)的不斷發(fā)展，針對(duì)目前水面垃圾清理船人工成本高、捕撈效率低的問題。為了減少在人工搜尋垃圾時(shí)消耗的成本，設(shè)計(jì)了一套基于機(jī)器視覺的水面垃圾尋航系統(tǒng)。

機(jī)器視覺是移動(dòng)機(jī)器人最重要的感知手段之一^[2]。通過機(jī)器視覺對(duì)水面垃圾進(jìn)行目標(biāo)檢測(cè)是現(xiàn)在主流技術(shù)實(shí)現(xiàn)方法。目前對(duì)于一些水面垃圾的檢測(cè)的方法，學(xué)術(shù)界已經(jīng)有多種相關(guān)研究。王敏等運(yùn)用浮雕處理凸顯水面區(qū)域的邊緣灰度，然后利用區(qū)域一致性進(jìn)行邊緣檢測(cè)分割出水面和水上物體^[3]。湯偉等提出改進(jìn)Faster R-CNN卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)建來提升水面垃圾檢測(cè)的精確度。即便如此，復(fù)雜的水面情況，依舊會(huì)給物體的目標(biāo)檢測(cè)提升很多難度。例如，河岸上強(qiáng)光的反射，水面波浪和許多普通的水面漂浮物等因素都會(huì)干擾到最后的目標(biāo)檢測(cè)。在產(chǎn)品的實(shí)際測(cè)試中，這些方法都不能完全滿足全自動(dòng)水面垃圾清理船的需求。

通過對(duì)市面上水面垃圾清理裝置進(jìn)行的調(diào)查研究，發(fā)現(xiàn)目前該類產(chǎn)品還只停留在垃圾自動(dòng)捕獲和人工駕駛的階段，但是自動(dòng)搜尋和導(dǎo)航等相關(guān)功能還不完善。

綜上所述，這類水面垃圾尋航裝置的研究和應(yīng)用價(jià)值非常大。

1 系統(tǒng)整體設(shè)計(jì)

根據(jù)水面環(huán)境的特殊性，將多種算法進(jìn)行有效結(jié)合。通過攝像頭獲取圖像，核心處理器通過二值化處理、優(yōu)化算法、神經(jīng)網(wǎng)絡(luò)、濾波算法等方式進(jìn)行圖像處理，對(duì)水面垃圾進(jìn)行目標(biāo)檢測(cè)并獲取圖像位置信息。

視覺捕捉到水面的垃圾之后，根據(jù)垃圾在圖像中的位置計(jì)算出方位，控制垃圾清理船往垃圾方向移動(dòng)，最后通過船只自帶的捕撈傳送帶將垃圾捕獲，完成垃圾“尋航”和清理的任務(wù)。

路徑規(guī)劃方面，分為兩個(gè)方向，一個(gè)方向是整體路徑規(guī)劃，主要通過GPS 導(dǎo)航獲取經(jīng)緯度等信息。先導(dǎo)入整個(gè)區(qū)域的水域分布圖，輸入劃定的起點(diǎn)和終點(diǎn)的GPS經(jīng)緯度進(jìn)行整體的路徑規(guī)劃。另一個(gè)方向是船只識(shí)別可見區(qū)域內(nèi)的路徑規(guī)劃，根據(jù)船只的可見區(qū)域內(nèi)的垃圾分布，根據(jù)距離遠(yuǎn)近確定優(yōu)先級(jí)，基于優(yōu)先級(jí)的情況下，通過蟻群算法進(jìn)行短期的路徑規(guī)劃，計(jì)算最短路徑。

該系統(tǒng)還可以進(jìn)行自動(dòng)返航，任務(wù)進(jìn)行的過程中，記錄下路徑，當(dāng)任務(wù)完成后，結(jié)合之前的路徑，計(jì)算當(dāng)前位置到終點(diǎn)的最短路徑。

系統(tǒng)整體設(shè)計(jì)如圖1，整個(gè)系統(tǒng)分為傳感器部分、主控系統(tǒng)、控制部分和通信部分。傳感器部分主要由風(fēng)向傳感器、風(fēng)速傳感器、光照傳感器、攝像頭模塊、GPS模塊組成，主要負(fù)責(zé)收集風(fēng)速、風(fēng)向、光照、圖像、位置等信息輸入主控系統(tǒng)中。主控系統(tǒng)為以K210 芯片為核心的核心板?？刂撇糠譃槔占b置和兩個(gè)電機(jī)。通信部分為以STM32L431RCT6 芯片為主控的BearPi-IoT主板，具備4G 通信功能。

圖1 系統(tǒng)整體結(jié)構(gòu)圖

1.1 傳感器部分

系統(tǒng)采用精訊暢通公司研發(fā)的風(fēng)速、風(fēng)向傳感器，采用RS-485 通訊方式連接單片機(jī)輸出信號(hào)。風(fēng)速測(cè)量范圍為（0~30）m/s，測(cè)量精度是±1 m/s 。光照傳感器選用光敏電阻傳感器模塊。GPS 模塊選用小熊派社區(qū)開源的E53_ST1 案例擴(kuò)展板，和小熊派通訊連接。攝像頭選用OV5640 型號(hào)，圖像分辨率為500 萬像素。

1.2 主控系統(tǒng)

系統(tǒng)選用K210 核心板，K210 采用RISC-V 雙核64 位CPU，算力超過Jerson nano, 達(dá)到1TOPS 算力。功耗僅為0.3 W，續(xù)航能力強(qiáng)。

1.3 控制部分

圖2為垃圾收集裝置，通過設(shè)置打撈結(jié)構(gòu)，使用電機(jī)帶動(dòng)主動(dòng)輪轉(zhuǎn)動(dòng)，從而帶動(dòng)垃圾輸送帶轉(zhuǎn)動(dòng)，將水面漂浮的垃圾傳送到上料板頂部，然后垃圾掉落到船體頂部的垃圾槽中，這樣通過打撈機(jī)構(gòu)各部件之間相互配合能夠?qū)崿F(xiàn)對(duì)水面垃圾的自動(dòng)清理。使用液壓缸控制上料板底部上升或者下降，可以讓上料板底部離開水面或者下降到水面以下，以此來控制整個(gè)裝置清理水面漂浮的垃圾。

圖2 收集裝置結(jié)構(gòu)圖

1.4 通信部分

考慮到系統(tǒng)工作過程中傳輸數(shù)據(jù)量比較龐大，因此將數(shù)據(jù)傳輸任務(wù)分為圖像傳輸和普通數(shù)據(jù)傳輸兩部分。圖像傳輸選用的是ESP32-CAM，燒錄好代碼后，通過電腦瀏覽器打開局域網(wǎng)進(jìn)行連接，獲取ESP32-CAM 傳輸?shù)漠嬅?，直接作為遠(yuǎn)程監(jiān)控器使用。普通的數(shù)據(jù)傳輸，選用以STM32L431RCT6 芯片為主控的BearPi-IoT主板，通過連接華為云平臺(tái)進(jìn)行云端數(shù)據(jù)上報(bào)，采用LWM2M通信協(xié)議。在華為云平臺(tái)上，用戶可以直接接收到系統(tǒng)發(fā)送的風(fēng)速、風(fēng)向、光照、經(jīng)緯度位置等數(shù)據(jù)信息，同時(shí)能直接從云端進(jìn)行命令下發(fā)。如圖3 是華為云平臺(tái)的數(shù)據(jù)雙方交互頁面。

圖3 云平臺(tái)數(shù)據(jù)頁面

1.5 自動(dòng)控制系統(tǒng)

如圖4 為該系統(tǒng)的運(yùn)行流程圖，啟航前，先導(dǎo)入水域分布圖，通過串口屏的菜單界面設(shè)定路線。設(shè)定完路線后系統(tǒng)開始進(jìn)入自動(dòng)導(dǎo)航模式，系統(tǒng)按照既定路線自動(dòng)駕駛，當(dāng)攝像頭識(shí)別到水面上的垃圾時(shí)，對(duì)整個(gè)圖像中的垃圾的位置和數(shù)量進(jìn)行記錄，通過蟻群算法計(jì)算出最短路徑，之后按照規(guī)劃的路徑對(duì)垃圾進(jìn)行捕獲操作。捕獲完垃圾后，系統(tǒng)會(huì)按照既定的航線繼續(xù)航行，或者選擇進(jìn)入返航模式。系統(tǒng)進(jìn)入返航模式后，會(huì)根據(jù)當(dāng)前的GPS 坐標(biāo)和終點(diǎn)停泊位的GPS 坐標(biāo)進(jìn)行航線規(guī)劃。之后系統(tǒng)會(huì)駕駛船只進(jìn)行自動(dòng)返航，返航后自動(dòng)進(jìn)行停泊。

圖4 運(yùn)行流程圖

整個(gè)操作過程中，船只經(jīng)過的航線位置信息以二維數(shù)組的形式進(jìn)行記錄，將數(shù)組以二值化的黑白圖像的方式在屏幕上顯示出來，同時(shí)將數(shù)據(jù)通過BearPi-IoT 進(jìn)行云端數(shù)據(jù)上報(bào)。

2 軟件算法

2.1 船體移動(dòng)控制

整個(gè)船只的移動(dòng)采用雙電機(jī)結(jié)構(gòu)，當(dāng)左電機(jī)的轉(zhuǎn)速大于右電機(jī)的轉(zhuǎn)速，船體就會(huì)逐漸向右行駛，反之同理，船只就可以通過兩個(gè)電機(jī)的差速來實(shí)現(xiàn)轉(zhuǎn)向的操作。轉(zhuǎn)向的控制算法采用了串級(jí)PID。采用串級(jí)控制的主要優(yōu)點(diǎn)是，能直接將干擾量加入到副回路中，由副回路控制并對(duì)其進(jìn)行抑制；同時(shí)，副回路的慣性由副回路進(jìn)行調(diào)節(jié)，大大提高了系統(tǒng)的響應(yīng)速度。這里列出船體的左電機(jī)PID公式。

Output_L=Kp_L1(error_L)+Kd_L1(error_L?error_pect)?Kp_L1(Kp_L2*(encoder_real-encoder_pect)+Ki*Σ(encoder_real-encoder_pect)   (1)

 公式（1）中， error_L是當(dāng)前偏航角度值； error_pect是期望偏航角度值； encoder_real是編碼器測(cè)算的真實(shí)速度值；encoder_pect期望速度值。Kp_L1是內(nèi)環(huán)PD的P參數(shù)值；Kd_L1是內(nèi)環(huán)PD的D參數(shù)值；Kp_L2是外環(huán)PI 的P 參數(shù)；Ki 是外環(huán)PI的I 參數(shù)值。

如圖5為用MATLAB軟件生成的PID 結(jié)構(gòu)框圖，輸入真實(shí)速度值、期望速度和偏航角度值等數(shù)據(jù)，根據(jù)公式中原有調(diào)試設(shè)定的PID的參數(shù)值，得出賦予電機(jī)的PWM值，來達(dá)到精準(zhǔn)控速的效果。

圖5 PD-PI算法結(jié)構(gòu)圖

2.2 卷積神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)在目標(biāo)檢測(cè)識(shí)別已經(jīng)得到了廣泛應(yīng)用，出現(xiàn)了RCNN、Fast R-CNN、Faster R-CNN 和YOLO 等模型。YOLO 能夠?qū)崿F(xiàn)從端到端實(shí)時(shí)的目標(biāo)檢測(cè)，但是檢測(cè)精度較低，YOLO-V2 在YOLO 的基礎(chǔ)上進(jìn)行改進(jìn)，既能夠進(jìn)行實(shí)時(shí)檢測(cè)，而且檢測(cè)精度也得到了大幅提升^[3]我們選用的K210 芯片自帶卷積神經(jīng)網(wǎng)絡(luò)加速器KPU，可以極大提高圖像處理的速度。

神經(jīng)網(wǎng)絡(luò)的模型訓(xùn)練采用官方提供的網(wǎng)站云端訓(xùn)練模型, 使用的網(wǎng)站是https://maixhub.com/home。如圖6為網(wǎng)站頁面。

圖6 MaixHub模型訓(xùn)練平臺(tái)

將訓(xùn)練好的模型放到K210 的SD 卡槽中，實(shí)現(xiàn)模型的直接部署。燒錄完代碼后，系統(tǒng)正常運(yùn)行時(shí)，會(huì)對(duì)攝像頭捕獲的圖像中的水面垃圾進(jìn)行目標(biāo)檢測(cè)。并記錄目標(biāo)在圖像中的位置信息（X，Y 中心坐標(biāo)值），用于系統(tǒng)對(duì)于可見區(qū)域內(nèi)進(jìn)行短期路徑規(guī)劃，通過計(jì)算得到的軌道偏差值，導(dǎo)入船體控制的核心PID 公式，進(jìn)行船體移動(dòng)控制。

2.3 水域分布與路徑規(guī)劃

在復(fù)雜的水面環(huán)境中，為了讓船只搜尋水面（湖面、河流）的各個(gè)角落，需要建立整個(gè)水域分布的模型同時(shí)進(jìn)行路徑規(guī)劃。水域分布模型的建立采用完全遍歷路徑規(guī)劃的方法^[4]。

首先，通過超聲波模塊進(jìn)行環(huán)境感知，對(duì)未知環(huán)境進(jìn)行搜索。當(dāng)超聲波模塊探測(cè)到陸地岸邊，視為船體已經(jīng)抵達(dá)水域范圍的邊界，通過GPS 導(dǎo)航記錄點(diǎn)位，并在水域分布地圖圖像中進(jìn)行更新。

這里選取了遼寧科技大學(xué)中的一片小水湖作為測(cè)試地點(diǎn)進(jìn)行實(shí)驗(yàn)，對(duì)實(shí)驗(yàn)方法進(jìn)行驗(yàn)證，首先將該船只放在湖面上進(jìn)行完全遍歷搜尋，生成環(huán)境地圖，將地圖的圖像以二維數(shù)組的形式進(jìn)行保存。并通過華為云云端上報(bào)數(shù)據(jù)。電腦保存圖像信息，通過MATLAB 軟件生成二值化圖像，如圖7。

圖7 二值化圖像

2.4 蟻群算法

系統(tǒng)采用蟻群算法作為在船只識(shí)別可見區(qū)域內(nèi)的短期路徑規(guī)劃。它的核心實(shí)現(xiàn)思想是，螞蟻在尋找食物的過程中，會(huì)留下信息素，信息素的累積會(huì)吸引更多的螞蟻。當(dāng)一群螞蟻分布在多條路徑中，選擇較短的路徑的螞蟻往返的時(shí)間更短，頻率更高，單位時(shí)間內(nèi)螞蟻的通行數(shù)量更多，因此留下的信息素濃度更高，從而吸引更多的螞蟻。而新增加的螞蟻會(huì)加快信息素增長(zhǎng)的速度，從而形成正反饋，最終蟻群會(huì)聚集到最短路徑上來，得到最優(yōu)解。

每個(gè)螞蟻在選擇路徑時(shí)是按照隨機(jī)的概率進(jìn)行選擇。隨機(jī)概率的計(jì)算公式如下：

(2)

公式中，i 和j 分別表 示起點(diǎn)， γ_ij(t )是時(shí)間t 內(nèi)由i 到j 的信息素強(qiáng)度；δ_ij 是能見度，i，j兩點(diǎn)間的距離的倒數(shù)；allowed_k為尚未訪問的節(jié)點(diǎn)集合；α、β 是信息素和能見度的加權(quán)值；分子是信息素強(qiáng)度和可見度的冪乘積，而分母則是所有分子的和值^[5]。

首先通過MATLAB 軟件對(duì)蟻群算法進(jìn)行代碼模擬仿真。

先導(dǎo)入各個(gè)垃圾分布在圖像中的位置信息（數(shù)據(jù)來源于K210 通過目標(biāo)檢測(cè)識(shí)別獲取的多個(gè)垃圾位置信息）。計(jì)算各個(gè)垃圾之間的距離，將數(shù)據(jù)存儲(chǔ)在數(shù)組中。

螞蟻路徑時(shí)都會(huì)均勻留下信息素，隨著時(shí)間的變化，信息素也會(huì)逐漸蒸發(fā)，因此還需要引入?yún)?shù)信息素?fù)]發(fā)因子r。那么螞蟻留下的信息素量減去揮發(fā)后的信息素量就是路徑上的信息素量。之后導(dǎo)入信息素濃度t、螞蟻數(shù)量m、最大迭代次數(shù)maxiter 等重要參數(shù)進(jìn)行設(shè)置。進(jìn)行迭代，尋找最優(yōu)路徑。每次迭代都會(huì)更新路徑，最終得到最優(yōu)解。圖8 為部分代碼展示。

圖8 部分代碼展示

經(jīng)過模擬仿真測(cè)試后，將核心算法及參數(shù)移植到K210單片機(jī)程序中進(jìn)行應(yīng)用測(cè)試，將規(guī)劃好的路徑在屏幕上顯示出來，觀察規(guī)劃速度情況并適當(dāng)調(diào)整參數(shù)。通過調(diào)節(jié)螞蟻數(shù)量、迭代次數(shù)和信息素濃度等參數(shù)，提高系統(tǒng)在不同環(huán)境變化下的靈活性。

3 運(yùn)行測(cè)試結(jié)果

3.1 串級(jí)PID仿真

在實(shí)際調(diào)試PID 前，先用MATLAB 軟件進(jìn)行仿真調(diào)試。如圖13為部分代碼。

為了使仿真結(jié)果更加真實(shí)，加入了干擾信號(hào)。如圖9為外加干擾信號(hào)的波形圖。

圖9 外加干擾信號(hào)

副調(diào)節(jié)器采用PD 轉(zhuǎn)向環(huán)，其針對(duì)階躍信號(hào)的輸出響應(yīng)結(jié)果如圖10。

圖10 PD轉(zhuǎn)向環(huán)波形圖

主調(diào)節(jié)器采用PI 速度閉環(huán)，其針對(duì)階躍信號(hào)的輸出響應(yīng)結(jié)果如圖11。

圖11 PI速度環(huán)波形圖

3.2 目標(biāo)檢測(cè)識(shí)別

神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的數(shù)據(jù)集采用周邊河道、湖面上的垃圾進(jìn)行實(shí)地取材。使用VoTT 軟件對(duì)圖片加標(biāo)簽用作訓(xùn)練數(shù)據(jù)，如圖12。

圖12 圖片標(biāo)注

將訓(xùn)練好的模型部署在K210 中，進(jìn)行攝像頭識(shí)別測(cè)試，如圖13。

圖13 識(shí)別測(cè)試

3.3 路徑規(guī)劃測(cè)試

將攝像頭通過目標(biāo)檢測(cè)識(shí)別獲取的多個(gè)垃圾的位置信息作為蟻群算法的輸入值。通過計(jì)算得到的最短路徑結(jié)果、適應(yīng)度和收斂曲線如圖14、15 所示。

圖14 最短路徑計(jì)算

圖15 適應(yīng)度和收斂曲線

4 結(jié)束語

本文介紹了一種基于機(jī)器視覺的水上垃圾尋航系統(tǒng)，該系統(tǒng)在云端進(jìn)行模型訓(xùn)練，將YOLOV2 神經(jīng)網(wǎng)絡(luò)模型部署到K210 進(jìn)行使用，實(shí)現(xiàn)對(duì)水面垃圾的精準(zhǔn)目標(biāo)檢測(cè)和識(shí)別。并操控收集裝置自動(dòng)捕獲水面垃圾。在路徑規(guī)劃方面，該系統(tǒng)能通過GPS模塊進(jìn)行自主定位，運(yùn)用蟻群算法和完全遍歷算法實(shí)現(xiàn)整體和局部的路徑規(guī)劃，最后實(shí)現(xiàn)自動(dòng)出航和返航。其搭載的物聯(lián)網(wǎng)設(shè)備，能夠?qū)崿F(xiàn)云端數(shù)據(jù)上報(bào)和無線圖傳，達(dá)到宏觀調(diào)控的效果。相比于在傳統(tǒng)的海洋、湖面進(jìn)行人工捕撈，效率得到大幅提升，極大節(jié)約了人力成本。在環(huán)保衛(wèi)生和水上交通領(lǐng)域，有廣闊的市場(chǎng)前景。

參考文獻(xiàn)：

[1] 李道季.消減海洋塑料垃圾保護(hù)海洋環(huán)境[J].民主與科學(xué),20 20(1):32-34.

[2] 趙鵬宇.Delta并聯(lián)機(jī)器人目標(biāo)識(shí)別與抓取技術(shù)研究[D].太 原:中北大學(xué),2022.

[3] 王敏,周樹道.靜態(tài)水上物體檢測(cè)分割算法[J].實(shí)驗(yàn)室研究與探索,2010,29(6):30-32.

[4] 程啟忠.無人船完全遍歷路徑規(guī)劃的研究[D].重慶:重慶郵電大學(xué),2019.

[5] 彭林發(fā).基于FPGA控制系統(tǒng)的電火花加工微小孔狀態(tài)檢測(cè)及路徑 優(yōu)化研究[D].太原:太原理工大學(xué),2021.

（本文來源于《電子產(chǎn)品世界》雜志2023年7月期）