常晏鳴，廖 宇，馮志強(qiáng)，李 明，耿家豪

(湖北民族大學(xué) 智能科學(xué)與工程學(xué)院,湖北 恩施 445000)

由于傳統(tǒng)的指針式儀表具有結(jié)構(gòu)簡單、精度較高、直觀性和抗干擾性強(qiáng)等優(yōu)點(diǎn)，很多工廠仍然在電力系統(tǒng)儀表測(cè)試和系統(tǒng)控制中使用[1].在電力系統(tǒng)中，對(duì)電氣設(shè)備儀表的實(shí)時(shí)監(jiān)控和數(shù)據(jù)收集非常重要[2],而且很多時(shí)候需要遠(yuǎn)程獲取儀表盤數(shù)據(jù).

為了解決上述問題，同時(shí)減少人工抄表、提高識(shí)別效率，本文將深度學(xué)習(xí)的算法引入工業(yè)儀表識(shí)別中，用先進(jìn)的算法可以解決自動(dòng)識(shí)別在準(zhǔn)確率、泛化能力方面不足的缺點(diǎn)，還能應(yīng)用于儀表自動(dòng)識(shí)別的機(jī)器人巡檢之中[3].為解決傳統(tǒng)目標(biāo)跟蹤系統(tǒng)存在的結(jié)構(gòu)復(fù)雜、資源利用率低等問題.劉義亭等[4]提出了一種基于嵌入式攝像頭OpenMV的目標(biāo)跟蹤系統(tǒng)設(shè)計(jì)方案，系統(tǒng)加入對(duì)目標(biāo)運(yùn)動(dòng)軌跡的判別算法，有效提高了系統(tǒng)的抗干擾能力.儀表盤的采集環(huán)境一般在室內(nèi)，目前室內(nèi)定位主要采取以下方法：藍(lán)牙定位、ZigBee定位、超聲波定位、地磁定位、超寬帶定位、WiFi定位、可見光定位和視覺定位等[5].為了降低成本和提高硬件復(fù)用率，本設(shè)計(jì)最終采用AprilTag標(biāo)識(shí)物識(shí)別的定位方式[6]，并且采用OpenMV視覺識(shí)別的方法實(shí)現(xiàn)目標(biāo)識(shí)別與跟蹤[7-10].采用類似技術(shù)的還有姚志強(qiáng)等[11]，使用AGAST算法在獲取特征點(diǎn)以及追蹤目標(biāo)方位信息方面取得了較高準(zhǔn)確率.

針對(duì)目前檢測(cè)算法參數(shù)量過大，并且嵌入式設(shè)備性能有限的問題，范新南等[12]提出了一種基于改進(jìn)YOLOv4的嵌入式變電站儀表檢測(cè)算法，采用MobileNetV3作為主干特征提取網(wǎng)絡(luò)，在保證模型能夠有效提取特征的情況下，降低運(yùn)算量，提高檢測(cè)速度，解決了嵌入式平臺(tái)上實(shí)時(shí)檢測(cè)的問題，并將改進(jìn)后的算法在嵌入式終端NVIDIA Jetson Nano上部署，其檢測(cè)速度可達(dá)15幀/s.

本設(shè)計(jì)在此基礎(chǔ)上，實(shí)現(xiàn)了一款基于OpenMV的自動(dòng)追蹤識(shí)別儀表小車，為解決此種問題提供了高性價(jià)比的解決方案.OpenMV在市面上售價(jià)為600元左右，而NVIDIA Jetson Nano售價(jià)為3 000元左右，成本更低.本設(shè)計(jì)采用Arduino UNO單片作為核心控制器，并協(xié)同機(jī)器視覺模塊OpenMV進(jìn)行圖像采集和識(shí)別，該自動(dòng)追蹤識(shí)別小車系統(tǒng)能夠準(zhǔn)確尋找目標(biāo)，并完成巡檢任務(wù).通過非接觸式的圖像識(shí)別和測(cè)量算法，計(jì)算小車和目標(biāo)物之間的相對(duì)距離，Arduino通過獲取的距離信息，控制驅(qū)動(dòng)電機(jī)進(jìn)而控制小車行駛.當(dāng)小車追蹤到儀表盤時(shí)，系統(tǒng)對(duì)提取的儀表盤特征進(jìn)行匹配，并拍照記錄儀表盤數(shù)據(jù)內(nèi)容，實(shí)現(xiàn)儲(chǔ)存和傳輸.

圖1 小車實(shí)物設(shè)計(jì)Fig.1 Car design physical drawing

圖2 小車硬件設(shè)計(jì)總體Fig.2 Overall block diagram of car hardware design

1 系統(tǒng)硬件設(shè)計(jì)

小車實(shí)物設(shè)計(jì)如圖1所示，其硬件設(shè)計(jì)總體如圖2所示.系統(tǒng)采用2節(jié)型號(hào)為18650的3.7 V鋰電池，為整個(gè)硬件部分供電.OpenMV攝像頭模塊獲取目標(biāo)圖片的中心坐標(biāo)，通過串行通信把坐標(biāo)發(fā)送給主控模塊.Arduino UNO單片機(jī)作為主控模塊，將收集到的信息進(jìn)行處理，并通過電機(jī)驅(qū)動(dòng)模塊L298N控制4組電機(jī)的轉(zhuǎn)動(dòng)，實(shí)現(xiàn)小車自動(dòng)跟蹤的目的.

1.1 追蹤模塊

采用的追蹤模塊型號(hào)為OpenMV4 H7 PLUS，簡稱為OpenMV.它是一款具有圖像處理功能的可編程單片機(jī)攝像頭，主控芯片使用STM32H743II ARM Cortex M7處理器、480 MHz、1 MB RAM、2 MB閃存.所有的數(shù)字輸入/輸出引腳輸出3.3 V并且5 V耐受.OpenMV攝像頭采用2.8 mm焦距鏡頭，安裝在一個(gè)標(biāo)準(zhǔn)M12鏡頭底座上.本設(shè)計(jì)還分別采用了其他4種鏡頭，驗(yàn)證OpenMV在不同攝像頭下的識(shí)別范圍.同時(shí)集成了Micropython運(yùn)行環(huán)境，包括編譯器、裝載器和虛擬機(jī)，具備小巧、低功耗、低成本等特點(diǎn).

1.2 控制模塊

主控制模塊采用Arduino UNO單片機(jī).本設(shè)計(jì)需要用到單片機(jī)與多模塊通信，同時(shí)小車也需具備拓展性.Arduino UNO是基于ATmega328P的開發(fā)板.它有14個(gè)數(shù)字輸入/輸出引腳，6個(gè)模擬輸出引腳、6個(gè)模擬輸入引腳，1個(gè)16 MHz的晶體振蕩器，1個(gè)USB接口，1個(gè)DC接口，1個(gè)ICSP接口，1個(gè)復(fù)位按鈕.Arduino UNO與OpenMV模塊通過串口進(jìn)行通信，接收OpenMV發(fā)送來的目標(biāo)物體中心點(diǎn)坐標(biāo)，并分析目標(biāo)物體坐標(biāo)與畫面中心的差，進(jìn)而通過電機(jī)驅(qū)動(dòng)模塊控制電機(jī)運(yùn)轉(zhuǎn)，實(shí)現(xiàn)左轉(zhuǎn)、右轉(zhuǎn)、前進(jìn)或后退的動(dòng)作，達(dá)成跟蹤目標(biāo)的目的.

1.3 電機(jī)驅(qū)動(dòng)模塊

使用L298N作為電機(jī)主驅(qū)動(dòng)芯片.它具有驅(qū)動(dòng)能力強(qiáng)、可靠性高、發(fā)熱量小、抗干擾能力強(qiáng)、輸出電流大等特點(diǎn).最多可以同時(shí)控制4個(gè)電機(jī).L298N通過接收主控制芯片的輸入信號(hào)，調(diào)節(jié)電源輸出的電壓，實(shí)現(xiàn)電機(jī)的正反轉(zhuǎn)驅(qū)動(dòng)；通過使能端輸入脈沖寬度調(diào)制(pulse width modulation，PWM)信號(hào)，改變電機(jī)的轉(zhuǎn)速.同時(shí)板載5 V穩(wěn)壓模塊，可以把電池組提供的7.2 V電壓降至穩(wěn)定的5 V，為主控芯片和OpenMV供電，使它們工作在額定電壓下，解決了芯片供電電壓問題.

1.4 云臺(tái)模塊

云臺(tái)模塊采用2自由度的設(shè)計(jì)，使OpenMV在水平和垂直方向上都能實(shí)現(xiàn)180°旋轉(zhuǎn)，能夠搜尋范圍內(nèi)的目標(biāo)物體.云臺(tái)框架通過3D打印機(jī)打印，再安裝2個(gè)伺服電機(jī)，就構(gòu)成了云臺(tái)模塊.這2個(gè)電機(jī)通過連接到信號(hào)線上的不同占空比的PWM信號(hào)實(shí)現(xiàn)不同角度的旋轉(zhuǎn).其中PWM波的周期要求為20 ms.

圖3 軟件總流程Fig.3 General software flow

圖4 測(cè)距模塊原理Fig.4 Principle diagram of ranging module

圖5 PID控制系統(tǒng)原理Fig.5 Schematic diagram of PID control system

2 系統(tǒng)軟件設(shè)計(jì)

2.1 軟件設(shè)計(jì)整體方案

系統(tǒng)的軟件設(shè)計(jì)可分為OpenMV攝像頭、Arduino控制、電機(jī)模塊等部分.軟件總流程如圖3所示.

2.2 測(cè)距以及測(cè)量物體大小

小車的測(cè)距系統(tǒng)由2部分構(gòu)成.第一部分是OpenMV的視覺處理設(shè)計(jì)，首先離線獲取目標(biāo)物體AprilTag和儀表盤直徑數(shù)值，根據(jù)這個(gè)數(shù)值在線探測(cè)識(shí)別目標(biāo)物中心點(diǎn)橫坐標(biāo)，串口將獲得的坐標(biāo)信息以json字符串類型發(fā)送出去.第二部分是Arduino UNO主控程序設(shè)計(jì)，首先接收通過串口發(fā)送過來的數(shù)據(jù)，再判斷目標(biāo)物中心點(diǎn)是否發(fā)生偏離；若發(fā)生偏離，則調(diào)節(jié)電機(jī)轉(zhuǎn)動(dòng)使目標(biāo)物出現(xiàn)在圖像中心.OpenMV采用的是單目攝像頭，想要實(shí)現(xiàn)測(cè)距，就需要選參照物，利用參照物的大小比例來計(jì)算距離.在AprilTag和儀表盤采集時(shí)都運(yùn)用此算法進(jìn)行距離的測(cè)算.測(cè)距模塊原理如圖4所示.

由攝像頭的幾何關(guān)系可得知:

(1)

(2)

由式(1)和(2)可推出式(3):

(3)

由真實(shí)圖像的幾何關(guān)系可得式(4):

(4)

將式(4)代入式(3)，可得出式(5):

(5)

再將式(1)代入式(5)可推出式(6):

(6)

其中Lm是攝像頭與目標(biāo)物體的距離,Bpix是攝像頭中目標(biāo)物體所占的像素(直徑的像素)，Rm是目標(biāo)物體真實(shí)的半徑，Apix是固定的像素，L′是攝像頭與OpenMV內(nèi)部鏡頭底座的距離.可以通過計(jì)算儀表盤到小車的距離，控制小車前進(jìn)與后退，使之正好在OpenMV監(jiān)測(cè)范圍內(nèi).

2.3 速度控制算法的理論分析

巡檢小車在行駛過程中，速度控制可由比例、積分、微分(proportional integral differential，PID)算法對(duì)其電機(jī)進(jìn)行控制.PID控制系統(tǒng)原理如圖5所示.

該算法中，整體運(yùn)動(dòng)進(jìn)行解算后得到輪子的期望轉(zhuǎn)速r(t)為輸入，輸出為控制電機(jī)的PWM值u(t),通過編碼器反饋值計(jì)算出的實(shí)際速度y(t)、e(t)為偏差信號(hào)，其中關(guān)系如式(7)所示:

e(t)=r(t)-y(t).

(7)

輸出為一種線性組合表達(dá)式，該表達(dá)式由偏差信號(hào)的比例、積分、微分決定，具體由式(8)表示：

(8)

式(8)中：Kp是比例系數(shù)；Ti是比例積分常數(shù)；Td是微分時(shí)間常數(shù).

采用PID算法對(duì)電機(jī)進(jìn)行控制，主要是因?yàn)樗俣确答伄惓？赡軙?huì)使輸出的目標(biāo)速度大幅變化，導(dǎo)致巡檢機(jī)器人失控造成損壞.另外，還要對(duì)其極限速度進(jìn)行限幅，限幅值是系統(tǒng)運(yùn)行前通過人工整定而獲得的.

圖6 特征提取Fig.6 Feature extraction diagram

圖7 MobileNetV2網(wǎng)絡(luò)結(jié)構(gòu)Fig.7 MobileNetV2 network structure diagram

2.4 特征提取與檢測(cè)

采用自適應(yīng)通用加速分割檢測(cè)(adaptive and generic accelerated segment test，AGAST)算法進(jìn)行特征提取,AGAST算法是在角點(diǎn)特征檢測(cè)(features from accelerated segment test，F(xiàn)AST)算法的基礎(chǔ)上改進(jìn)而來.該算法對(duì)于光照、仿射和投影變換等各種干擾因素具備一定的抗干擾性.為了進(jìn)一步提高檢測(cè)效率與檢測(cè)速度，該算法提取足夠多的像素點(diǎn)，并且以待檢測(cè)點(diǎn)為圓心，以3個(gè)像素的Bresenham圓作為半徑，把這個(gè)區(qū)域作為模板，將灰度值大于或小于該模板鄰域內(nèi)閾值的待檢測(cè)點(diǎn)視為特征點(diǎn).雖然AGAST算法與FAST算法具有相似的特征點(diǎn)檢測(cè)方法，但其對(duì)于復(fù)雜圖像的檢測(cè)，具有更好的性能，并且采用式(9)所示的“非較亮”與“非較暗”2種模式對(duì)原圖像檢測(cè)進(jìn)行擴(kuò)展：

(9)

2.5 特征分類

由于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)存在內(nèi)存需求大、運(yùn)算量大等缺點(diǎn)，導(dǎo)致無法在移動(dòng)設(shè)備以及嵌入式設(shè)備上運(yùn)行.本設(shè)計(jì)在識(shí)別到儀表盤后，將采用MobileNet V2輕量化網(wǎng)絡(luò)，對(duì)識(shí)別到的儀表盤進(jìn)行二分類.MobileNet V2網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示.MobileNet V2網(wǎng)絡(luò)采用倒殘差結(jié)構(gòu),首先使用1×1的卷積核進(jìn)行升維，再通過3×3的卷積核進(jìn)行Dwise操作，最后再通過1×1卷積進(jìn)行降維處理.

MobileNet V2網(wǎng)絡(luò)由Google團(tuán)隊(duì)在2018年提出，具有準(zhǔn)確率高和模型小的特點(diǎn).相比MobileNet V1的殘差結(jié)構(gòu)會(huì)造成信息損失的缺陷，倒殘差結(jié)構(gòu)形成的稀疏特征損失比較少,適合嵌入到本設(shè)計(jì)當(dāng)中.

數(shù)據(jù)集采用68張電壓表圖和68張電流表圖，共136張圖片，其中108張為訓(xùn)練集，28張為測(cè)試集.訓(xùn)練周期為20輪，學(xué)習(xí)率為0.000 5.將訓(xùn)練后生成的標(biāo)簽文件和tflite文件導(dǎo)入到OpenMV中，用于儀表盤的分類.最終生成的模型只有625 KB,大大提高了檢測(cè)速度.

2.6 室內(nèi)定位方案

室內(nèi)定位方案不同于室外定位，室內(nèi)存在衛(wèi)星信號(hào)弱、GPS信號(hào)很難覆蓋到的缺點(diǎn)，并且室內(nèi)區(qū)域環(huán)境更為精細(xì)，需要更加準(zhǔn)確的定位方式.因此，采用可視標(biāo)識(shí)物及圖像采集的方法實(shí)現(xiàn)巡檢小車室內(nèi)定位.視覺基準(zhǔn)的可視標(biāo)志在進(jìn)行選擇時(shí)，需要注意2個(gè)問題.首先是識(shí)別的準(zhǔn)確率，由于室內(nèi)空間相對(duì)來說并不大，所以定位的準(zhǔn)確率就顯得尤為重要，定位有偏差、結(jié)果不穩(wěn)定就會(huì)直接影響儀表盤識(shí)別效率.其次是標(biāo)識(shí)物的信息量，信息量少的標(biāo)識(shí)物，結(jié)構(gòu)相對(duì)簡單，識(shí)別率高；信息量多的標(biāo)識(shí)物，結(jié)構(gòu)比較復(fù)雜，識(shí)別率較低.

圖8 AprilTag檢測(cè)與解碼流程Fig.8 AprilTag detection and decoding

圖9 儀表室導(dǎo)航地圖設(shè)計(jì)Fig.9 Instrument room navigation map design

圖10 不同旋轉(zhuǎn)角度下AprilTag檢測(cè)結(jié)果Fig.10 AprilTag detection results at different rotationrotation angles

表1 不同模型計(jì)算量對(duì)比Tab.1 Comparison of computational load between different models

在綜合比較以上信息后，最終采用AprilTag標(biāo)志作為定位系統(tǒng)的視覺基準(zhǔn).AprilTag是1個(gè)視覺基準(zhǔn)庫，在增強(qiáng)現(xiàn)實(shí)(augmented reality，AR)、機(jī)器人、相機(jī)校準(zhǔn)領(lǐng)域使用廣泛.通過與二維碼相似但是降低了復(fù)雜度的特定標(biāo)志，可以滿足簡單高效的需求，使OpenMV快速檢測(cè)到標(biāo)識(shí)物，并計(jì)算標(biāo)識(shí)物距離攝像頭相對(duì)位置.將AprilTag放置在地圖的特殊位置作為定位點(diǎn)，引導(dǎo)小車到達(dá)目標(biāo)位置，進(jìn)行儀表盤的采集.巡檢小車在室內(nèi)巡檢過程中，會(huì)檢測(cè)當(dāng)前距離目標(biāo)AprilTag的位置和角度，并根據(jù)這些采集的數(shù)據(jù)，指導(dǎo)小車向其對(duì)應(yīng)的方向移動(dòng).AprilTag檢測(cè)與解碼流程如圖8所示.

2.7 室內(nèi)巡檢方案

關(guān)鍵位置的AprilTag標(biāo)簽是整個(gè)巡檢地圖的核心構(gòu)成元素，要將關(guān)鍵節(jié)點(diǎn)的AprilTag標(biāo)簽增加代碼描述，使OpenMV檢測(cè)到對(duì)應(yīng)標(biāo)簽后，獲取該標(biāo)簽的信息，執(zhí)行相應(yīng)的函數(shù).每個(gè)AprilTag節(jié)點(diǎn)包括如下的信息.

1) ID_S：當(dāng)前節(jié)點(diǎn)的ID信息.

2) ID_F：上一個(gè)節(jié)點(diǎn)的ID信息.

3) DIR_F：上一個(gè)節(jié)點(diǎn)相對(duì)X軸正向的方向.

4) ROTATE_F：上一個(gè)節(jié)點(diǎn)沿X軸方向的旋轉(zhuǎn)角度.

5) ID_N：下一個(gè)節(jié)點(diǎn)的ID信息.

6 ) DIR_N：下一個(gè)節(jié)點(diǎn)相對(duì)X軸正向的方向.

7) ROTATE_N：下一個(gè)節(jié)點(diǎn)沿X軸方向的旋轉(zhuǎn)角度.

每個(gè)節(jié)點(diǎn)都包含著上下相鄰節(jié)點(diǎn)的ID、姿態(tài)、位置、旋轉(zhuǎn)角度的信息，通過這種方式不僅可以實(shí)現(xiàn)導(dǎo)航和定位的功能，還可以讓巡檢小車在指定節(jié)點(diǎn)完成儀表盤信息采集.巡檢小車運(yùn)行時(shí)，讀取當(dāng)前節(jié)點(diǎn)的信息，完成該節(jié)點(diǎn)對(duì)應(yīng)的巡檢任務(wù)及儀表盤圖像采集，并判斷下一個(gè)節(jié)點(diǎn)信息，繼續(xù)完成后續(xù)的巡檢.

巡檢導(dǎo)航需要在儀表室設(shè)置導(dǎo)航地圖，如圖9所示.在儀表室地面的每個(gè)轉(zhuǎn)彎口和每個(gè)儀表柜旁都放置一個(gè)AprilTag標(biāo)志，當(dāng)巡檢小車行駛到某個(gè)AprilTag標(biāo)志時(shí)，讀取其ID，從而獲悉儀表盤相對(duì)位置，并進(jìn)行儀表盤信息的識(shí)別與采集，從而引導(dǎo)巡檢小車到下一個(gè)AprilTag標(biāo)志處.

在室內(nèi)巡檢實(shí)驗(yàn)中，通過旋轉(zhuǎn)路徑上AprilTag不同的角度，檢測(cè)OpenMV是否能夠準(zhǔn)確識(shí)別.實(shí)驗(yàn)結(jié)果表明，在2 m范圍內(nèi)，OpenMV對(duì)路徑上的AprilTag識(shí)別準(zhǔn)確率可達(dá)100%，如圖10所示.

3 實(shí)驗(yàn)結(jié)果及分析

本算法相對(duì)于其他目標(biāo)檢測(cè)算法具有輕量型的特點(diǎn).通過比較不同模型的計(jì)算量，衡量算法對(duì)應(yīng)的時(shí)間復(fù)雜度.本算法與其他算法在計(jì)算量大小方面的比較如表1所示.從表1中可以看出本算法網(wǎng)絡(luò)提升了檢測(cè)效率，計(jì)算量明顯下降，相比于YOLOv3減少了88.22%，相比于YOLOv4減少了65.24%,相比于了Faster-RCNN減少了98.46%,相比于EfficientDet-D1減少了41.16%,相比于CenterNet減少了88.18%.同時(shí)生成的模型更小，便于在OpenMV上部署.

實(shí)驗(yàn)又分別在OpenMV底座上加裝4種不同的攝像頭:原裝攝像頭、無畸變攝像頭、廣角攝像頭和長焦攝像頭，其參數(shù)如表2所示.

表2 不同類型攝像頭參數(shù)對(duì)比

實(shí)驗(yàn)采用不同攝像頭，對(duì)不同距離的儀表盤進(jìn)行識(shí)別，其實(shí)驗(yàn)結(jié)果如表3所示.實(shí)驗(yàn)得到最佳識(shí)別距離時(shí)的檢測(cè)結(jié)果，如圖11所示.

(a) 原裝攝像頭檢測(cè)結(jié)果 (b) 無畸變攝像頭檢測(cè)結(jié)果 (c) 廣角攝像頭檢測(cè)結(jié)果 (d) 長焦攝像頭檢測(cè)結(jié)果圖11 不同類型攝像頭檢測(cè)結(jié)果Fig.11 Test results of different types of cameras

由上述結(jié)果可知，OpenMV可以準(zhǔn)確識(shí)別到儀表盤位置，顯示儀表盤類型、識(shí)別準(zhǔn)確率和儀表盤之間的距離.原裝攝像頭、廣角攝像頭和無畸變攝像頭，都在距離目標(biāo)物0.20～0.50 m時(shí)，識(shí)別效率較高.長焦攝像頭可以識(shí)別到3.00 m左右的標(biāo)識(shí)物及儀表盤.實(shí)驗(yàn)又對(duì)比了不同算法在Jetson Nano上的檢測(cè)結(jié)果，如表4所示.

表3 不同類型攝像頭識(shí)別效果對(duì)比

表4 Jetson Nano上檢測(cè)結(jié)果Tab.4 Detection results on Jetson Nano

通過以上實(shí)驗(yàn)，發(fā)現(xiàn)小車可以準(zhǔn)確識(shí)別鋪設(shè)在地上的AprilTag標(biāo)志，不受角度的限制.攝像頭方面，無畸變攝像頭可以更加清晰成像，效果更加明顯，最終作為主要攝像頭.在一些特殊的場(chǎng)景中，如需要遠(yuǎn)距離提取儀表盤信息時(shí)，也可以考慮長焦攝像頭.采用MobileNet V2作為主干特征提取網(wǎng)絡(luò)，更適合應(yīng)用在性能有限的嵌入式設(shè)備中.實(shí)驗(yàn)結(jié)果表明，本設(shè)計(jì)在略微損失精度的情況下，提升了檢測(cè)的速度，同時(shí)具備輕量化和小型化的特點(diǎn)，方便在變電站中遷移部署，具有很好的應(yīng)用價(jià)值.

4 結(jié)論

在基于OpenMV的自動(dòng)追蹤識(shí)別儀表小車設(shè)計(jì)中，OpenMV在特征識(shí)別和特征檢測(cè)系統(tǒng)以及室內(nèi)定位等方面，起著至關(guān)重要的作用.可以準(zhǔn)確識(shí)別儀表盤，分辨儀表盤類型，獲取距離信息，距離較遠(yuǎn)的可以采用長焦攝像頭進(jìn)行采集與識(shí)別，而且它成本低、結(jié)構(gòu)穩(wěn)定.該系統(tǒng)在獲取儀表盤圖像以及檢測(cè)速率上有所提升，具備一定的實(shí)際應(yīng)用價(jià)值，后續(xù)工作將會(huì)根據(jù)變電站自動(dòng)巡檢的實(shí)際應(yīng)用環(huán)境和需求開展更進(jìn)一步的研究.