基于機器視覺的嵌入式智能噴水感應(yīng)系統(tǒng)設(shè)計

丁旭東 過奕任 李秋潔

摘要：該文主要闡述了基于機器視覺的嵌入式智能噴水感應(yīng)統(tǒng)設(shè)計方法，包括硬件構(gòu)成和軟件算法，利用樹莓派和python的組合，實現(xiàn)通過視覺識別的水流檢測。該文簡明闡述了系統(tǒng)的外觀結(jié)構(gòu)，詳細(xì)介紹了圖像處理中的各個環(huán)節(jié)。文章最后作了數(shù)據(jù)分析，驗證了該系統(tǒng)符合設(shè)計要求。

關(guān)鍵詞：圖像處理;水流檢測邊緣檢測系統(tǒng)設(shè)計分析

中圖分類號：TP311? ? ? ? 文獻標(biāo)識碼：A

文章編號：1009-3044（2019）27-0179-03

水流是充滿變化的，不穩(wěn)定的水的運動狀態(tài)，水從一定的方向自由射出，受環(huán)境影響，往往具有不確定性。通過對不確定的運動進行視覺識別，有助于深入理解圖像識別的過程，由此可以推廣其在生產(chǎn)生活中的應(yīng)用。

本文主要介紹針對固定口噴射水流的識別系統(tǒng)設(shè)計，詳細(xì)介紹了水流從產(chǎn)生到識別的每個過程。本系統(tǒng)通過樹莓派進行圖像捕捉和識別，實現(xiàn)對水流的檢測，并將數(shù)據(jù)存儲下來，通過局域網(wǎng)的方式傳輸至電腦，方便比對、統(tǒng)計、分析。

1 識別系統(tǒng)的結(jié)構(gòu)設(shè)計

識別系統(tǒng)基本包括水流發(fā)生裝置，識別裝置和支撐結(jié)構(gòu)，具體結(jié)構(gòu)如下示意圖（圖1）。

其中，圖中指示燈亮表示識別到水流，滅表示未識別到水流。

根據(jù)滿足功能，簡潔節(jié)約的原則，水流由人力控制水槍產(chǎn)生，水槍支架為繪制定做的亞克力板，平臺支架由輕木板和短木柱構(gòu)成，攝像頭和水流的隔離用全透明魚缸代替，魚缸亦可以存放射出的水流，保持實驗過程中模擬環(huán)境的整潔。其中，水流的噴射結(jié)果盡量和魚缸輪廓平行，且位居攝像頭視野中間，攝像頭的視場也盡量和魚缸輪廓平行，方便圖像的后期處理。

2 識別系統(tǒng)的算法設(shè)計

樹莓派的處理速度相較于普通常見的ARM開發(fā)設(shè)備，運行速度快，同時有著結(jié)構(gòu)精簡，應(yīng)用范圍廣，網(wǎng)絡(luò)連接方便的特點。因此在均衡算法的執(zhí)行效率和代碼復(fù)雜度后，本系統(tǒng)采用了Python語言。Python語言具有擴展功能強大，完成同樣內(nèi)容代碼量低等諸多優(yōu)秀特點，非常適合本項目的開發(fā)需求，在實際的開發(fā)過程中也實質(zhì)上解決了程序設(shè)計中核心代碼難于編寫的問題。

2.1 圖像的獲取

主要利用opencv關(guān)于python的組件，通過python調(diào)用opencv的圖像處理指令實現(xiàn)圖像的獲取。

圖像由樹莓派所連接的攝像頭，通過連續(xù)拍攝的方式得到，從而不斷獲取動態(tài)水流的圖像信息。文件通過逐幀讀取的方法獲得實時拍攝的圖像，即識別所需要的水流圖形，如圖2所示。算法中，利用python函數(shù)[capture.read（）]讀取圖像信息，并取圖片中心的120x160個像素，以PNG文件格式保存下來。

2.2 圖像的預(yù)處理

2.2.1 灰度化

根據(jù)圖2所示，水流的圖形狀態(tài)相較于周邊背景的主要不同點在于，水流由于光的折射和反射，產(chǎn)生了明度的變化，在圖像的顏色上，主要表現(xiàn)為水流處比背景更偏向于白色。因此可以得出一個初步的結(jié)論，圖像的顏色對于水流來講是弱相關(guān)的，這一結(jié)論決定了下面的處理操作。為了減少處理的時間，根據(jù)顏色弱相關(guān)的結(jié)論，對圖像進行灰度化（圖3），程序中利用語句[gray=cv.cvtColor（roi， cv.COLOR_BGR2GRAY]）來實現(xiàn)灰度化的功能。此處的灰度化為平均權(quán)重，即：

2.3 水流識別

為了得到較好的水流識別效果，使得處理機構(gòu)能夠準(zhǔn)確地在由水流時判斷出水流直線，在沒有水流時，不作正判響應(yīng)，識別系統(tǒng)針對2.2中灰度圖進行了進一步的處理。算法在設(shè)計時，首先使用2.2中灰度化后的圖像先后做降噪和輪廓提取，然后再進行直線擬合，判斷水流的存在。

2.3.1降噪與輪廓提取

對于運動目標(biāo)的輪廓獲取，首先需要對相鄰的兩幀圖像求差分，即幀間差分法，從而得到在相鄰幀的時間內(nèi)，目標(biāo)運動的變化狀態(tài)。同時，兩幀作差可以大范圍地消除背景靜噪聲帶來的處理干擾，背景噪聲對于運動物體的輪廓干擾往往是致命的。對于本設(shè)計而言，即要獲取運動的水流在兩幀之間的位移變化。與一般的剛體運動物體不同，水流在自由運動時會改變相對結(jié)構(gòu)狀態(tài)，但是其外部輪廓由于張力大致不變，適用于幀間差分法。將圖3中的圖片與各自前幀作差，利用python函數(shù)

在本設(shè)計中，高斯核在X，Y方向上的取值均為3，避免由于形態(tài)變化以及未能在差分中去除的背景噪聲對于輪廓提取的影響，同時盡量保存圖片信息，減少由于模糊帶來的圖像信息失真。處理后的圖像如圖5所示。

2.3.2針對降噪的必要性分析

由2.2.1，本系統(tǒng)在抓取水流的輪廓前，做了兩步降噪操作，并且從處理后得到的輪廓來看，當(dāng)前數(shù)據(jù)的輪廓清晰簡潔，水流線周圍噪聲在可接受的范圍內(nèi)，背景底噪基本被去除。為了進一步證明降噪的必要性，在得出輪廓后，添加了對比實驗，兩組對照組分別為完全不降噪直接取輪廓和僅作差分后再提取輪廓，具體對比如表1所示。

由表得出，每一步的降噪對最終輪廓的獲取都有較大的影響，每一步的降噪操作都是必要的。兩步降噪最終實現(xiàn)了對特定的水流輪廓的提取，為后續(xù)的直線擬合打下了良好的基礎(chǔ)。

2.3.3直線擬合

經(jīng)過上面各個步驟的處理，水流的輪廓已經(jīng)被提取出來，圖像的信息也被壓縮成了二值化之后的結(jié)果，此時采用霍夫變換，得到圖像中主直線的斜率，并在圖像中繪制出來，如圖7所示，每一張圖都有自己的主直線，該直線即可以大致表示成水流在圖像中的方向。

根據(jù)系統(tǒng)的結(jié)構(gòu)設(shè)計，要求攝像頭視場和水流方向均與魚缸輪廓大致平行，由此排除直線斜率偏差過大的情況。在實驗中，為了方便數(shù)據(jù)的記錄和傳輸，將正負(fù)斜率統(tǒng)一取絕對值計算，將糾正后的斜率轉(zhuǎn)化為傾斜角顯示，并256等分，記0-255，為了區(qū)別斜率避免誤解，此處將修正后的斜率結(jié)果稱為斜率值。斜率值只能取0-255這256個整數(shù)。其中，0表示和X軸平行，255表示和X軸垂直，1-254分別對應(yīng)其中的等分（圖8）。由于實驗?zāi)M環(huán)境的干擾，以及攝像頭視場并不能完全正好與水流平行，系統(tǒng)把大于200的斜率值都記為識別成功結(jié)果，即識別為水流，把不大于200的斜率值記為識別失敗，即沒有識別到水流。

2.4結(jié)果呈現(xiàn)

根據(jù)直線擬合的結(jié)果，系統(tǒng)在得到識別成功的結(jié)果后，指示燈點亮，表示識別出該攝像頭上方有水流經(jīng)過，否則指示燈為熄滅狀態(tài)。

3 識別結(jié)果分析

3.1 識別結(jié)果和原數(shù)據(jù)的比對

為了驗證識別結(jié)果的準(zhǔn)確性，把圖7中的直線擬合結(jié)果代入原圖中，得到圖9。根據(jù)圖片的顯示，直線擬合的結(jié)果和水流的運動方向大致吻合得到的擬合結(jié)果，大致滿足系統(tǒng)的設(shè)計需要。

3.2 系統(tǒng)功能的達標(biāo)性檢測

驗證本項目系統(tǒng)的達標(biāo)性，是評判一個系統(tǒng)是否滿足了設(shè)計之初要求的必要的論證過程，幫助尋找系統(tǒng)中存在的漏洞和不足之處，具有科研的嚴(yán)謹(jǐn)性。

從多組實驗數(shù)據(jù)中，選擇了一組相對接近實際情況，且外界干擾適中的實驗結(jié)果進行分析，并以此為代表嘗試針對系統(tǒng)做出評估。數(shù)據(jù)統(tǒng)計的結(jié)果如下表所示：

由F1的值得出解論，本系統(tǒng)的設(shè)計結(jié)果大致滿足了設(shè)計要求，能夠良好地完成識別判斷任務(wù)。

4 總結(jié)

本文主要介紹了水流檢測的視覺識別方法，實現(xiàn)了對水流的隔離檢測，對于視覺識別的應(yīng)用進行了對于水流水柱方向的擴展。同時，系統(tǒng)設(shè)計和驗證期間積累的經(jīng)驗對以后的類似設(shè)計具有積極意義。

參考文獻：

[1] 趙軍. 視覺顯著性直線的檢測算法研究[D].華中師范大學(xué)，2015.

[2] 張月圓，曾慶化，劉建業(yè)，等.基于Canny的改進圖像邊緣檢測算法[J].導(dǎo)航與控制，2019，18（1）：84-90.

[3] 郭佳. 基于光照不均勻圖像的自適應(yīng)二值化方法研究[D].武漢科技大學(xué)，2013.

[4] 郭逸倫.基于OpenCV的邊緣檢測算法效率分析[J].科學(xué)技術(shù)創(chuàng)新，2019（1）：87-88.

【通聯(lián)編輯：代影】