曹栢熙，施景瀚，趙東陽，許浩天，蔡文郁

（杭州電子科技大學(xué) 電子信息學(xué)院，浙江杭州，310018）

智能家居發(fā)展進(jìn)程中，單品智能向場景智能再向全屋智能的過渡升級已經(jīng)成為了產(chǎn)業(yè)共識[1]，各種家居設(shè)備的互聯(lián)互通是發(fā)展必然趨勢，作為能夠覆蓋全屋的地板也應(yīng)具有更加智能化的功能。地板作為承載結(jié)構(gòu)，能直接采集到屋內(nèi)的壓力數(shù)據(jù)，通過處理分析可以起到識別用戶姿勢及狀態(tài)的功能，并智能控制屋內(nèi)其他家居設(shè)備，以完善全屋智能體系。與基于圖像識別處理的方案[2]相比，通過地板壓力數(shù)據(jù)識別的方案具有一定的潛在優(yōu)勢，如：能夠提供全屋的完整覆蓋；
減少了用戶之間互相遮擋造成的干擾的可能性；
減少侵犯用戶隱私，容易被用戶接受等。

目前對大面積智能壓感地板的研究較少，Alan Br?nzel等[3]研發(fā)的GravitySpace 智能地板系統(tǒng)可以跟蹤和識別用戶的軌跡，其團(tuán)隊(duì)使用了FTIR 攝像頭感知壓力，并使用GPU 進(jìn)行SIFT 運(yùn)算和壓力數(shù)據(jù)集群分類，該系統(tǒng)智能化程度高，但系統(tǒng)復(fù)雜，成本高昂且后期難以維護(hù)。張杰團(tuán)隊(duì)[4]研發(fā)的多功能地板使用了壓力傳感器感知地板表面的壓力，與其他智能傳感器以及無線通信相結(jié)合，實(shí)現(xiàn)室內(nèi)近距離定位監(jiān)測功能。該系統(tǒng)將室內(nèi)地板串聯(lián)成有機(jī)整體，但功能性與智能化程度有待提升。

針對上述情況與問題，本文設(shè)計(jì)了一種壓感地板智能室內(nèi)檢測系統(tǒng)，使用地板下的壓力傳感器[5～6]構(gòu)成陣列采集全屋壓力數(shù)據(jù)，配合部署了邊緣機(jī)器學(xué)習(xí)識別算法模型[7]的MCU，在設(shè)備側(cè)實(shí)現(xiàn)用戶狀態(tài)識別并智能控制其他家居設(shè)備，并通過MQTT 協(xié)議將結(jié)果與數(shù)據(jù)上傳至云平臺[8]實(shí)現(xiàn)云端數(shù)據(jù)的可視化。該系統(tǒng)具有低成本低功耗，智能化程度高且交互性強(qiáng)的特點(diǎn)。

系統(tǒng)主要由壓力感知地板、數(shù)據(jù)分析與處理模塊和云端數(shù)據(jù)可視化系統(tǒng)構(gòu)成，如圖1 所示。

圖1 系統(tǒng)整體框圖

（1）壓力感知地板

設(shè)計(jì)的壓力感知地板模塊由多個放置于地板下的壓力傳感器組成的傳感器陣列與電阻電壓轉(zhuǎn)換電路構(gòu)成，通過對陣列高速掃描，實(shí)現(xiàn)電壓隨地板所受壓力變化而變化，并將采集的壓力變化數(shù)據(jù)傳至數(shù)據(jù)分析與處理模塊。

（2）數(shù)據(jù)分析與處理

獲得陣列壓力數(shù)據(jù)后，MCU 主控通過提前構(gòu)建好的邊緣模型算法對數(shù)據(jù)進(jìn)行建模分析，計(jì)算得到評估結(jié)果后，對全屋內(nèi)相連接的各類智能家居外接設(shè)備進(jìn)行控制調(diào)整與資源分配。

（3）云端數(shù)據(jù)可視化

主控MCU 完成分析后，將得到的數(shù)據(jù)與結(jié)果通過MQTT 協(xié)議[9～10]與云平臺對接，云平臺進(jìn)行數(shù)據(jù)的存儲以及更新，并在家居控制終端上實(shí)現(xiàn)數(shù)據(jù)可視化，呈現(xiàn)屋內(nèi)環(huán)境情況以及用戶行為等。

■2.1 原理與硬件設(shè)計(jì)

系統(tǒng)硬件由數(shù)據(jù)采集模塊、MCU 控制器與WiFi 模塊構(gòu)成，如圖2 所示。

圖2 系統(tǒng)硬件設(shè)計(jì)結(jié)構(gòu)

其中在數(shù)據(jù)采集模塊中，于地板底層位置放置壓力傳感器，在全屋范圍內(nèi)整體構(gòu)成壓力數(shù)據(jù)采集陣列。采集得到的地板壓力數(shù)據(jù)矩陣傳至MCU 控制器，進(jìn)行數(shù)據(jù)處理與分析。WiFi 模塊將處理后的數(shù)據(jù)與結(jié)果上傳至上位機(jī)和云端。

（1）數(shù)據(jù)采集模塊

數(shù)據(jù)采集模塊中使用壓阻式壓力傳感器采集壓力感知數(shù)據(jù)。壓阻式傳感器根據(jù)壓阻效應(yīng)測量壓力，因此需要設(shè)計(jì)電阻電壓轉(zhuǎn)換電路將原始輸出電阻值的變化轉(zhuǎn)化成電壓信號，以實(shí)現(xiàn)電壓隨著壓力變化而產(chǎn)生變化。電阻轉(zhuǎn)換電壓轉(zhuǎn)換電路的輸入端接到壓力傳感器兩端，輸出端直接接到單片機(jī)的I/O 口，對壓力值進(jìn)行采集。

每個感應(yīng)點(diǎn)的輸出電壓Uo 和電阻Rij之間的關(guān)系表達(dá)式在公式(1)中進(jìn)行了說明。

其中Vref為5V，阻抗匹配電阻RIM 為200kΩ，因此它具有良好的線性度和相對較寬的電壓范圍。電阻Rij的變化由相應(yīng)感應(yīng)點(diǎn)處的壓力決定，實(shí)際測量可表示為式(2)。

根據(jù)實(shí)驗(yàn)得出壓力Pij與電阻Rij的關(guān)系如圖3 所示，實(shí)線表示壓力直接與電阻1/R 正比；
虛線表示壓力與R 成反比。

圖3 壓阻式陣列壓力傳感器特性

為了簡化電路，提高資源的復(fù)用率，系統(tǒng)在壓感地板與數(shù)據(jù)處理模塊之間設(shè)置了多路模擬開關(guān)[11]，如圖4 所示，利用處理器芯片控制多路模擬開關(guān)的通路打開或閉合，保證每次采樣過程中只有一個壓力傳感器連入電路，通過GPIO的I/O 控制可以實(shí)現(xiàn)對壓感模塊的高速掃描切換。

圖4 多路模擬開關(guān)選通示意圖

（2）MCU 控制器

在硬件邏輯控制方面上，MCU 控制器進(jìn)行多路模擬開關(guān)驅(qū)動程序的執(zhí)行與進(jìn)行數(shù)模轉(zhuǎn)換等工作。在軟件實(shí)現(xiàn)方面上，通過部署經(jīng)過訓(xùn)練后的算法模型對采集的壓力數(shù)據(jù)進(jìn)行分析得到識別結(jié)果。系統(tǒng)選擇使用STM32F4 處理器，該芯片性能滿足實(shí)現(xiàn)要求且工作功耗較低。

（3）WiFi 模塊

在本系統(tǒng)中WiFi 模塊通過MQTT 協(xié)議用于通信和數(shù)據(jù)交互，將數(shù)據(jù)傳至云端實(shí)現(xiàn)數(shù)據(jù)可視化并連接其他智能家居設(shè)備，共同構(gòu)成全屋智能家居系統(tǒng)。

■2.2 數(shù)據(jù)處理分析與識別

為提升系統(tǒng)的穩(wěn)定性和準(zhǔn)確性，本系統(tǒng)選擇使用邊緣機(jī)器學(xué)習(xí)算法處理分析壓感數(shù)據(jù)。通 過TensorFlow[12～13]構(gòu) 建、訓(xùn)練、評估機(jī)器學(xué)習(xí)模型，并使用TensorFlow Lite[14]將訓(xùn)練后的模型部署到主控MCU 中[15]運(yùn)行模型，該過程如圖5所示。

圖5 系統(tǒng)搭建與程序運(yùn)行過程

系統(tǒng)搭建后，使用壓感模塊采集得到日常活動下的壓力數(shù)據(jù)P 和動作產(chǎn)生時間t，構(gòu)建動作向量P→，壓感模塊中第i 行第j 列壓力傳感器輸出的壓力數(shù)據(jù)稱為Pij：

樣本數(shù)據(jù)的豐富度決定了識別模型本身的效果，為使模型的表現(xiàn)力更強(qiáng)，模型的準(zhǔn)確率更高，使用范圍更廣，在收集樣本數(shù)據(jù)時應(yīng)考慮各類情況，因此采集了多個日常活動動作包括靜止站立、摔倒、不同速度的走動、坐臥在不同家具上等對應(yīng)的動作向量數(shù)據(jù)，構(gòu)建訓(xùn)練數(shù)據(jù)集。

系統(tǒng)使用BP 神經(jīng)網(wǎng)絡(luò)[16～17]進(jìn)行識別算法的構(gòu)建，算法具有較好的非線性映射能力和柔性可變的網(wǎng)絡(luò)結(jié)構(gòu)，在模式識別、分類和數(shù)據(jù)壓縮方面有著廣泛的應(yīng)用和良好的性能。模型構(gòu)建完成后，將動作向量訓(xùn)練數(shù)據(jù)集輸入機(jī)器學(xué)習(xí)模型中，輸出向量作為控制指令。

其 中，irm為 第m 個智能家具設(shè)備的控制指令。

將模型的輸出向量與期望輸出向量進(jìn)行同或計(jì)算，計(jì)算機(jī)器學(xué)習(xí)模型的準(zhǔn)確率，當(dāng)機(jī)器學(xué)習(xí)模型的準(zhǔn)確率大于要求準(zhǔn)確率θ1時進(jìn)行移植。首先使用TensorFlow Lite 對該機(jī)器學(xué)習(xí)模型進(jìn)行轉(zhuǎn)換，生成體積小、效率高的模型(.tflite)，再通過TFLm C++庫函數(shù)實(shí)現(xiàn)在MCU上裝載，模型的部署過程如圖6 所示。

圖6 模型部署過程

使用訓(xùn)練數(shù)據(jù)輸入到移植在數(shù)據(jù)處理模塊上的機(jī)器學(xué)習(xí)模型中，計(jì)算其準(zhǔn)確率，當(dāng)移植后的機(jī)器學(xué)習(xí)模型的準(zhǔn)確率大于要求準(zhǔn)確率θ2時，完成訓(xùn)練。

數(shù)據(jù)處理模塊對壓感模塊的輸出數(shù)據(jù)進(jìn)行采樣，得到動作向量后通過訓(xùn)練后的機(jī)器學(xué)習(xí)模型進(jìn)行處理，將機(jī)器學(xué)習(xí)模型的輸出向量通過通信電路傳輸?shù)綄ν饨涌冢糜趯Νh(huán)境中的其他智能家居設(shè)備進(jìn)行控制，實(shí)現(xiàn)基于邊緣機(jī)器學(xué)習(xí)的壓感地板室內(nèi)監(jiān)測。

■2.3 云端數(shù)據(jù)可視化

云端數(shù)據(jù)可視化流程圖如圖7 所示。

圖7 數(shù)據(jù)可視化流程

為了實(shí)現(xiàn)系統(tǒng)數(shù)據(jù)的直觀觀測，本系統(tǒng)將壓力感知電路采集室內(nèi)壓感地板的數(shù)據(jù)并完成分析后，通過MQTT 協(xié)議與云平臺對接，并利用云平臺使用設(shè)備接入服務(wù)(IoT DA)將數(shù)據(jù)引入云平臺，通過對象存儲服務(wù)(OBS)實(shí)現(xiàn)對數(shù)據(jù)的存儲與更新。對象存儲服務(wù)(OBS)存儲的數(shù)據(jù)作為數(shù)據(jù)可視化的數(shù)據(jù)源，實(shí)現(xiàn)數(shù)據(jù)的實(shí)時顯示。

■3.1 系統(tǒng)模擬沙盤

為了驗(yàn)證理論與分析的可靠性與正確性同時方便系統(tǒng)的調(diào)試與優(yōu)化，通過模擬室內(nèi)的家居環(huán)境進(jìn)行了系統(tǒng)模擬沙盤的制作，如圖8 所示。

圖8 系統(tǒng)模擬沙盤

■3.2 模型部署測試

依據(jù)前期設(shè)計(jì)，本系統(tǒng)通過TensorFlow Lite 框架成功將機(jī)器學(xué)習(xí)模型部署在了MCU 上，并進(jìn)行了初步的機(jī)器學(xué)習(xí)。經(jīng)上位機(jī)測試證實(shí)了以MCU 為處理核心的設(shè)備上運(yùn)行深度學(xué)習(xí)模型的可行性，如圖9 所示。

圖9 模型部署上位機(jī)測試

本文設(shè)計(jì)了基于邊緣機(jī)器學(xué)習(xí)與云平臺的壓感地板智能室內(nèi)檢測系統(tǒng)。系統(tǒng)經(jīng)實(shí)測表明，在所對應(yīng)的壓力軌跡下，本系統(tǒng)可以較為準(zhǔn)確地識別到對應(yīng)活動狀態(tài)，發(fā)送相應(yīng)指令對外設(shè)進(jìn)行控制，同時可以在云可視化界面上進(jìn)行數(shù)據(jù)的實(shí)時顯示。

■3.3 識別分析測試

模型部署完成后，本系統(tǒng)搭建了一個上位機(jī)模型，并通過人工模擬的方式采集數(shù)據(jù)用于訓(xùn)練以及驗(yàn)證。根據(jù)上位機(jī)的實(shí)時數(shù)據(jù)顯示，數(shù)據(jù)的準(zhǔn)確率達(dá)到了98%以上。之后將數(shù)據(jù)存入在嵌入式設(shè)備中，驗(yàn)證了模型在移植到微控制器上后的表現(xiàn)，準(zhǔn)確率達(dá)到了90%以上。

在確保了模型的可靠性之后，我們進(jìn)行了實(shí)際的測試，通過壓力傳感器獲取數(shù)據(jù)，并將運(yùn)算識別結(jié)果反饋至各個外設(shè)模塊并上傳至云端。得到檢測準(zhǔn)確度如表1 所示。

表1 模型準(zhǔn)確率

■3.4 可視化界面

云可視化界面實(shí)現(xiàn)了數(shù)據(jù)變化以及信息統(tǒng)計(jì)等更直觀的信息交互，各個狀態(tài)的可視化界面如圖10 所示。

圖10 可視化界面

猜你喜歡可視化準(zhǔn)確率傳感器基于CiteSpace的足三里穴研究可視化分析世界科學(xué)技術(shù)-中醫(yī)藥現(xiàn)代化(2022年3期)2022-08-22基于Power BI的油田注水運(yùn)行動態(tài)分析與可視化展示云南化工(2021年8期)2021-12-21康奈爾大學(xué)制造出可拉伸傳感器紡織科學(xué)研究(2021年1期)2021-12-03乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析健康之家(2021年19期)2021-05-23不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討醫(yī)學(xué)食療與健康(2021年27期)2021-05-132015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析農(nóng)業(yè)科技與信息(2021年2期)2021-03-27基于CGAL和OpenGL的海底地形三維可視化海洋信息技術(shù)與應(yīng)用(2020年1期)2020-06-11簡述傳感器在物聯(lián)網(wǎng)中的應(yīng)用電子制作(2019年22期)2020-01-14“傳感器新聞”會帶來什么傳媒評論(2019年5期)2019-08-30“融評”：黨媒評論的可視化創(chuàng)新傳媒評論(2019年4期)2019-07-13

推薦訪問:檢測系統(tǒng) 地板 邊緣