基于机器视觉的嵌入式智能喷水感应系统设计

1、基于机器视觉的嵌入式智能喷水感应系统设计摘要:该文主要阐述了基于机器视觉的嵌入式智能喷水感应统设计方法，包括硬件构成和软件算法,利用树莓派和python 的组合，实现通过视觉识别的水流检测。该文简明阐述了系统的外观结构，详细介绍了图像处理中的各个环节。文章最 后作了数据分析，验证了该系统符合设计要求。关键词：图像处理;水流检测边缘检测系统设计分析水流是充满变化的，不稳定的水的运动状态，水从一定的 方向自由射出，受环境影响，往往具有不确定性。通过对不确 定的运动进行视觉识别，有助于深入理解图像识别的过程，由 此可以推广其在生产生活中的应用。本文主要介绍针对固定口喷射水流的识别系统设计，详细 介绍

2、了水流从产生到识别的每个过程。本系统通过树莓派进 行图像捕捉和识别，实现对水流的检测，并将数据存储下来，通 过局域网的方式传输至电脑，方便比对、统计、分析。1识别系统的结构设计识别系统基本包括水流发生装置，识别装置和支撑结构， 具体结构如下示意图(图1)。其中，图中指示灯亮表示识别到水流，灭表示未识别到 水流。图1装置结构示意图根据满足功能，简洁节约的原则，水流由人力控制水枪产生，水枪支架为绘制定做的亚克力板，平台支架由轻木板和短 木柱构成，摄像头和水流的隔离用全透明鱼缸代替，鱼缸亦可 以存放射出的水流，保持实验过程中模拟环境的整洁。其中， 水流的喷射结果尽量和鱼缸轮廓平行,旦位居摄像头视野中

3、 间，摄像头的视场也尽量和鱼缸轮廓平行，方便图像的后期 处理。2识别系统的算法设计树莓派的处理速度相较于普通常见的ARM开发设备，运 行速度快，同时有着结构精简，应用范围广，网络连接方便的特 点。因此在均衡算法的执行效率和代码复杂度后，本系统采用 了 Python语言。Python语言具有扩展功能强大,完成同样内容 代码量低等诸多优秀特点,非常适合本项目的开发需求，在实 际的开发过程中也实质上解决了程序设计中核心代码难于编 写的问题。2.1图像的获取主要利用opencv关于python的组件，通过python调用 opencv的图像处理指令实现图像的获取。图像由树莓派所连接的摄像头，通过连续拍

4、摄的方式得 到，从而不断获取动态水流的图像信息。文件通过逐帧读取的 方法获得实时拍摄的图像，即识别所需要的水流图形，如图2 所示。算法中，利用python函数capture.read()读取图像信 息，并取图片中心的120 x160个像素，以PNG文件格式保存 下来。图2水流连续帧选样2.2图像的预处理2.2.1灰度化根据图2所示,水流的图形状态相较于周边背景的主要不 同点在于，水流由于光的折射和反射，产生了明度的变化，在图 像的颜色上,主要表现为水流处比背景更偏向于白色。因此可 以得出一个初步的结论，图像的颜色对于水流来讲是弱相关 的，这一结论决定了下面的处理操作。为了减少处理的时间, 根据

5、颜色弱相关的结论，对图像进行灰度化(图3)，程序中利用 语句 gray = cv.cvtColor( roi, cv.COLOR_BGR2GRAY)来实现灰度化的功能。此处的灰度化为平均权重，即:R + G + BI =3实现灰度化的功能。此处的灰度化为平均权重，即:R + G + BI =原来由RGB三种颜色存储的图像,统一采用灰度值存储, 对于以后的处理而言，实质减少了所需处理的数据量。具体图 片如图3所示。图3灰度化后的图像2.3水流识别为了得到较好的水流识别效果，使得处理机构能够准确地 在由水流时判断出水流直线，在没有水流时,不作正判响应，识 别系统针对2.2中灰度图进行了进一步的处理

6、。算法在设计 时，首先使用2.2中灰度化后的图像先后做降噪和轮廓提取，然 后再进行直线拟合，判断水流的存在。2.3.1降噪与轮廓提取对于运动目标的轮廓获取，首先需要对相邻的两帧图像求 差分，即帧间差分法,从而得到在相邻帧的时间内，目标运动的 变化状态。同时，两帧作差可以大范围地消除背景静噪声带来 的处理干扰，背景噪声对于运动物体的轮廓干扰往往是致命 的。对于本设计而言，即要获取运动的水流在两帧之间的位移 变化。与一般的刚体运动物体不同，水流在自由运动时会改变 相对结构状态，但是其外部轮廓由于张力大致不变，适用于帧 间差分法。将图3中的图片与各自前帧作差，利用python函数delta = cv

7、.subtract(gray, last_frame)，得到下面的图4。从直观的角度上看，相较于图3,图4显 得更加暗，但是非常明显地可以看出背景静噪声被大幅削减， 可以预判这对后续的操作产生了有利影响。图4帧间差分后的图像上文所提及的水流在运动中会产生形态的变化,这一变化 可能会带来边缘的不确定性，因此对已经作差的图片采取小半 径的高斯模糊。pyhton函数为：blur = cv.GaussianBlur( delta, (3, 3), 0)在本设计中，高斯核在X, Y方向上的取值均为3,避免由于 形态变化以及未能在差分中去除的背景噪声对于轮廓提取的 影响，同时尽量保存图片信息，减少由于模糊

8、带来的图像信息 失真。处理后的图像如图5所示。图5高斯模糊后的图像对于图5的调整的后的图像，采用canny算子得到轮廓，程 序中,直接调用函数，即，binary = cv.Canny(blur, 4, 20)经过处理后如图6所示。图6经canny算子处理后的图像轮廓2.3.2针对降噪的必要性分析经过处理后如图6所示。图6经canny算子处理后的图像轮廓由2.2.1,本系统在抓取水流的轮廓前，做了两步降噪操作， 并旦从处理后得到的轮廓来看，当前数据的轮廓清晰简洁，水 流线周围噪声在可接受的范围内，背景底噪基本被去除。为了 进一步证明降噪的必要性,在得出轮廓后，添加了对比实验，两 组对照组分别为完

9、全不降噪直接取轮廓和仅作差分后再提取 轮廓,具体对比如表1所示。表1降噪效果对照表由表得出，每一步的降噪对最终轮廓的获取都有较大的影 响，每一步的降噪操作都是必要的。两步降噪最终实现了对特 定的水流轮廓的提取，为后续的直线拟合打下了良好的基础。2.3.3直线拟合经过上面各个步骤的处理，水流的轮廓已经被提取出来， 图像的信息也被压缩成了二值化之后的结果，此时采用霍夫变 换，得到图像中主直线的斜率，并在图像中绘制出来，如图7所 示，每一张图都有自己的主直线,该直线即可以大致表示成水 流在图像中的方向。图7拟合后的直线绘制根据系统的结构设计，要求摄像头视场和水流方向均与鱼 缸轮廓大致平行，由此排除直

10、线斜率偏差过大的情况。在实验 中，为了方便数据的记录和传输,将正负斜率统一取绝对值计 算,将纠正后的斜率转化为倾斜角显示,并256等分，记0-255, 为了区别斜率避免误解,此处将修正后的斜率结果称为斜率 值。斜率值只能取0-255这256个整数。其中，0表示和X轴平 行,255表示和X轴垂直,1-254分别对应其中的等分(图8)。 由于实验模拟环境的干扰,以及摄像头视场并不能完全正好与 水流平行，系统把大于200的斜率值都记为识别成功结果,即 识别为水流,把不大于200的斜率值记为识别失败,即没有识 别到水流。图8斜率值的分布2.4结果呈现根据直线拟合的结果，系统在得到识别成功的结果后，指

11、示灯点亮，表示识别出该摄像头上方有水流经过，否则指示灯 为熄灭状态。3识别结果分析3.1识别结果和原数据的比对为了验证识别结果的准确性，把图7中的直线拟合结果代 入原图中,得到图9。根据图片的显示，直线拟合的结果和水流 的运动方向大致吻合得到的拟合结果，大致满足系统的设计 需要。3.2系统功能的达标性检测验证本项目系统的达标性，是评判一个系统是否满足了设 计之初要求的必要的论证过程，帮助寻找系统中存在的漏洞和 不足之处,具有科研的严谨性。项目正样本负样本总计检出TP漏检FP忽略TN虚警FN数2样本数量统计根据表2,借用机器学习的概念，计算统计结果的识别率 指标：准确率：精确率:TP + TNTP + FP + TN + FN=92.89%TPTP + FP=89.88%召回率:TPTP + FN=100%由此根据F-measure法，计算F1的值:F1 = -2P = 95.23%P + R由F1的值得出解论，本系统的设计结果大致满足了设计要求，能够良好地完成识别判断任务。4总结图9直线拟合