【《盾构机滚刀头磨损识别系统设计案例》2400字】

盾构机滚刀头磨损识别系统设计案例目录TOC\o"1-3"\h\u23264盾构机滚刀头磨损识别系统设计案例 1307951.1相关技术介绍 1278901.2识别技术实现 41.1相关技术介绍1.1.1机器视觉机器视觉是让带有摄像头的微处理器单元模仿生物的视觉能力[16]，具体的说，就是使用MCU或计算机和摄像头代替人眼对物体进行物体的识别和分类等操作，在一些场景中使用机器来代替人的劳动，从而解放生产力[17]。这一技术起始于二十世纪七十年代，但因当时计算机算法与算力的局限，该技术进入低潮期，近几年，随着最近神经网络算法的不断迭代，同时计算机算力的提高，应用神经网络技术使得机器视觉的精确度大大提升，该技术又再次被广泛应用。机器视觉被广泛应用在物体识别，物体分类等领域。对磨损滚刀头的识别任务是一种典型的图像分类问题。1.1.2卷积神经网络神经网络是一种通过模仿动物和人的神经元之间的信息传递，进行分布式信息处理的算法模型[18]，最先在1943年由心理学家Mcculloch提出，在1953年随着冯诺伊曼第一台计算机研制成功，并将其使用计算机表示出来，但由于当时计算机算力限制（中央处理器CPU的运算能力和存储器RAM的存储数据能力），其处理问题效率低下，且精度不高；随着近几年计算机算力爆发式的增长和许多研究者将其不断优化，神经网络模型解决实际问题的能力得到不断提高[19]，于是再次回到研究人员的视野中，卷积神经网络就是是神经网络的一种优化与发展。它将神经元排列在宽度高度和深度三个维度，长和宽是图像的输入层，深度表示图像的颜色，采用这种结构，可以清楚的反应2维图片的信息，将其信息储存在一个矩阵中，并能反应其颜色信息，有效增强物体识别精度。基于卷积神经网络的物体区分技术现已应用于图像处理，物体分类，物体检测，遥感技术等领域[20]，并且还在飞速的发展之中，在卷积神经网络模型大放异彩之后，又出现了AlexNet、ResNet和VGG等网络模型[21]，在金融、刑侦、医疗等对精确性要求极高的领域成功应用。图1.1普通神经网络与卷积神经网络的对比1.1.3k210芯片勘智K210芯片是嘉楠科技旗下一款微控制单元（MCU），其最大的特点是内置了一个自主研发的神经网络硬件加速器（KPU），可以进行更高效、快速的卷积神经网络运算[22]。在AI计算方面，K210的算力可以达到0.8TFLPOPS，相较于同功耗的各种芯片都更高，其内置各种SPI、I2C系统总线，可外接摄像头（ov2640）、lcd显示屏，能够高性能的处理计算机视觉问题并在显示屏实时显示。图1.2KendryteK210内部架构1.1.4亚博智能开发板亚博智能开发板是深圳智能科技采用K210芯片，集成LCD屏幕，OV2640传感器摄像头，ESP8285机器视觉常用模组，非常适合进行AI的边缘计算，本文用其模仿盾构机磨损滚刀头的识别过程。1—Type-C接口：用于供电、下载固件和串口调试等。2—状态指示灯：判断开发板是否处于正常运行且处于何种运行状态。3—WiFi模块串口和按键：可用于烧录WiFi模块的固件或者和K210串口通讯。4—拨轮开关keypad：三通道拨轮开关。5—RESET键：K210芯片的复位键。6—触摸板接口：用于连接触摸板排线，排线金手指向上。7—显示器接口：用于连接显示器排线，排线金手指向上8—K210芯片：开发板主芯片，整个板子的核心处理器。9—外扩排针：开发板已经把K210所有IO口引出，可以供外部设备连接使用。10—I2C接口：可外接I2C从机设备进行通讯。11—RGB灯：设置三个IO口电平，点亮不同颜色。12—麦克风：记录声音的设备。13—LED灯：发光，可以用作做指示灯。14—麦克风阵列接口：用于连接麦克风阵列。15—BOOT键：复位键，也可以作为自定义功能按键使用。图1.2开发板正面1.2识别技术实现对盾构机滚刀头是否磨损进行判断，是一个经典的物体的二分类模型，在有关机器学习算法中，解决二分类问题应用较多的算法有逻辑回归、k最近邻决策树、感知机、聚类算法、支持向量机、神经网络等算法[23]，本文盾构机的特征较难提取，且需要视觉能力进行实时检测，故可以搭建卷积神经网络，并制作磨损滚刀头的数据集对其进行训练，使其具备自动判断滚刀头是否磨损的能力。由于实验条件有限，本文采用亚博智能开发板模拟换刀现场工控机完成对滚刀头磨损程度的识别，验证其可行性。1.2.1代码部分整个代码流程分为AI模型和K210驱动两部分，代码流程图如图1.3所示：图1.3代码流程图PaddleAIstudio部分：制作并上传盾构集滚刀头样本集选取磨损的滚刀头和完好的滚刀头照片作为数据集上传到paddleAIstudio平台，作为数据集。解压数据集执行如图1.4所示代码解压数据：图1.4解压数据操作预处理数据，将数据转换为标准格式并分为两类；图1.5预处理数据搭建神经网络模型进行训练；测试集模型评估；因训练集的样本有限且神经网络模型仍需改进，所以测试训练结果的精度为0.8，在以后的研究中可尝试增加训练集样本并优化神经网络模型，以提高识别磨损滚刀头的精确度。测试代码运行结果如下：图1.6模型评估结果格式转换，paddle飞桨平台训练出来的模型不能直接在k210上运行，需通过k210官方提供的转换器nncase转换成kmodel文件，才能在K210上运行。执行如下代码完成转换：下载nnc工具：转换命令：下载komdel模型到k210代码文件夹用于k210运行。K210开发板部分：本文使用亚博智能公司的k210开发板，使用vscode搭建开发环境，安装cmake编译环境；代码流程如下：系统内部初始化：为了防止K210芯片程序跑飞或卡死，同时防止之前执行的操作干扰当前指令，要对K210内部执行初始化，系统内部初始化包括：①系统时钟初始化②串口初始化③硬件引脚初始化④IO电压设置⑤系统中断初始化⑥Flash初始化外部硬件初始化：盾构机滚刀头的磨损识别模拟，需要使用到的外部硬件有摄像头与LCD显示屏，同样要对这些硬件执行初始化任务。加载模型：①模型初始化②加载模型编译烧录程序：①在vscode中输入下列代码编译程序：cdbuildcmake..-DPROJ=catdog_classification-G"MinGWMakefiles"Make②使用CH340串口与kflash（k210自带烧录软件）烧录程序。1.2.2执行过程代码的执行逻辑如下：等待摄像头采集画面；传入摄像头采集的图像到KPU运行模型；等待KPU处理完成；获取KPU