文章目录
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。
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。
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
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
-
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。
-
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。
-
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。
-
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。
-
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。
-
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。
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
-
（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。
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。
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：
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/
-
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, timesensor.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。
-
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。
-
调整图像（Image）
按默认设置就好了。
-
迁移学习（Transfer learning）
参数也是按默认就行。
-
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。
-
导出模型
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：
主程序：
import time, sensor, image,os,tffrom image import SEARCH_EX, SEARCH_DSfrom 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 sensorsensor.reset()# Set sensor settings# Max resolution for template matching with SEARCH_EX is QQVGAsensor.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 in open("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=1A9=1B0=1A1=0A2=0A3=0A4=0A5=0A6=0A7=0A8=0B0=1C0=1C1=0C2=1D0=1D1=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=0 while(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=0 if A2==1: uart.write('2') print('2') #打印模板名字 num=2 A9=0 if A3==1: uart.write('3') print('3') num=3 A9=0 if A4==1: uart.write('4') print('4') num=4 A9=0 if A5==1: uart.write('5') print('5') num=5 A9=0 if A6==1: uart.write('6') print('6') num=6 A9=0 if A7==1: uart.write('7') print('7') num=7 A9=0 if A8==1: uart.write('8') print('8') num=8 A9=0 while(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=0C0=1 while(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 in range(len(predictions_list)): print("%s = %f" % (predictions_list[i][0], predictions_list[i][1])) num1=ord(predictions_list[i][0])-48 if predictions_list[i][1]>0.7 and 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 in range(len(predictions_list2)): print("%s = %f" % (predictions_list2[p][0], predictions_list2[p][1])) num2=ord(predictions_list2[p][0])-48 if predictions_list2[p][1]>0.7 and num2 == num: uart.write('2') print("22") C1=1 C0=0 if C1==0: uart.write('0') print("00") print(clock.fps(), "fps")-
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。 -
车底盘图
如图为车底盘CAD图，使用激光切割亚克力制成。厚度4mm左右。
最终成品图：
选择自己最擅长的方案。不要去尝试其他不熟悉的方案，因为4天3页时间真的很紧急。打算做控制类一定要把通用代码准备好，如PID，视觉双机通信等。
作为队长要根据每个队员的优势长处设定任务，队长要担任起进度规划的重任，经常是“单核多线程”工作。每个队员都要有强烈的责任感，在选队员上是关键。例如我们队伍有一个机械，负责车组装和3d建模打印等操作，效率极高，半天时间就设计完，一天不到就组装出第一台车，为我们队伍节省了非常多宝贵的调试时间。
运气也是实力的一部分。本次比赛的题目非常符合我们队伍阵容，车控电控、神经网络、机械，完美适配我们三人的优势，也许这些都是命中注定。
颁奖典礼时听王越院士说到：建议电赛以后的题目越来越多的人工智能，现在机器学习、深度学习实在太火了，掌握深度学习这项技能十分重要，如果不懂视觉，这次的电赛可能就没办法打了。
附件
B站演示视频：https://www.bilibili.com/video/BV1Qb4y1i7Sn/
主控电路工程：https://oshwhub.com/AngleLeon/gong-ke-sai-xin-hao-zheng-ge-ban_copy#P5
主控代码：https://download.csdn.net/download/weixin_45902201/76727241
Openmv端代码：https://download.csdn.net/download/weixin_45902201/76727631
想白嫖代码请访问立创开源平台，不想麻烦可以直接下载
来源地址：https://blog.csdn.net/weixin_45902201/article/details/122557717
