代码收藏家 2021年电赛F题综合回顾与分析
关于这次2021年的电子设计大赛F题（智能送药小车）的比赛历程，经过一段时间的学习和准备，前后面对了8月份的延迟比赛和11月份的亚克力球消失之谜，怀着忐忑不安的心情开始三天四夜紧张又充实的比赛。
回顾赛题，个人认为本赛题对控制的要求比较低，由于题中有着时间限制，所以让传统控制的核心PID调节显得可有可无，反而着重考察了对于图像的处理，系统的整合以及多任务的切换。
整体思路设计：
首先是小车的搭建。本次比赛小车搭建了三层板，第一层固定了四个直流减速电机以及给小车供电的四节3.7V的18650动力电池，前端安装了用于寻迹的七路灰度传感器。第二层固定了L298N电机驱动，使用PWM调节控制小车的转速，小车两边固定两个稳压模块分别调节电压给电机驱动和单片机供电，第三层放置STM32单片机，图像处理系统OPENMV，自己制作的集成了OLED，三色LED灯，蜂鸣器等等的电路板以及固定了红外对光关管的放置药品盒子。
图像的识别处理部分，利用OPENMV固定对地距离，通过改变角度偏差对每一个数字以及每一种道路情况进行不少于1500次的数据采集，利用Edge Impulse网站搭建出网络模型。数字识别时，将看到的图像画面分为左右两个部分，寻找到黑色矩形框后，对矩形里的数字进行识别，取十次识别结果中的众数作为最终识别数字。道路识别部分添加了七路灰度传感器，保证小车不会偏差道路，其余识别部分与上述同理。
对于远端的T字道路，由于没有使用广角摄像头，所以无法同时将四个数字放到镜头中，设计的解决方法是通过T字路口直接左转，循迹到达第二个T字路口时，开始识别数字，如果并没有识别到，掉头全速冲到右侧的T字路口寻找目标数字。小车到达病房，检测到拿走药品开始返回时，运用堆栈原理，小车可以原路返回。
两车通过蓝牙技术无线通信，小车1到达病房后向小车2发送指令，小车2开始循迹直行，并到达暂停点，小车1卸载药品开始返回时向小车2发送指令，小车2开始识别数字到达病房。
部分代码：
# 道路识别所需文件
net_load = "trained_load.tflite"
labels_load = [line.rstrip('\n') for line in open("labels_load.txt")]
# 道路列表
load_list=[]
# 数字识别（0背景，1到8数字）
def number_classes(img,net,labels,roi_rects):
for r in img.find_rects(threshold = 20000,roi=roi_rects):
img.draw_rectangle(r.rect(), color = (255, 0, 0))
roi=r.rect()
for obj in tf.classify(net, img, roi=roi,min_scale=1.0, scale_mul=0.8, x_overlap=0.5, y_overlap=0.5):
sorted_list = sorted(zip(labels, obj.output()), key = lambda x: x[1], reverse = True)
if(sorted_list[0][1]>0.8):
img.draw_string(r.rect()[0] + 20, r.rect()[1]-20, sorted_list[0][0],color = (255,0,0), scale = 2,mono_space=False)
blue_led.toggle()
return sorted_list[0][0]
# 数字识别所需文件
net_number = "trained_number.tflite"
labels_number = [line.rstrip('\n') for line in open("labels_number.txt")]
# 把整个屏幕分成左右两个部分
roi_left =(0,0,155,180)
roi_right=(140,0,180,180)
# 数字列表
number_left_list=[]
number_right_list=[]
# 检测十次中出现最多的元素并返回
def get_maxtimes(list):
maxtimes=max(list,key=list.count)
return maxtimes
# 外部受控引脚
p6_in = Pin('P6', Pin.IN, Pin.PULL_UP)#设置p_in为输入引脚，并开启上拉电阻
p7_in = Pin('P7', Pin.IN, Pin.PULL_UP)#设置p_in为输入引脚，并开启上拉电阻
clock = time.clock()
# 检测次数
limit_times=10
while(True):
clock.tick()
img = sensor.snapshot()
value_p6 = p6_in.value()
value_p7 = p7_in.value()
if(value_p6==0):
result_load=load_classes(img,net_load,labels_load)
green_led.toggle()
if(result_load!=None):#识别到的路属于直线、十字、T字和黑色虚线中一个
load_list.append(result_load)
if(len(load_list)>2):
rd=get_maxtimes(load_list)
print('load:',str(rd))
connect(rl,rr,rd)
load_list.clear()
rd=0
else:
continue
if(value_p7==0):
result_number_left=number_classes(img,net_number,labels_number,roi_left)
result_number_right=number_classes(img,net_number,labels_number,roi_right)
blue_led.toggle()
if(result_number_left!=None): #识别到有效数字
number_left_list.append(result_number_left)
if(len(number_left_list)>limit_times):
rl=get_maxtimes(number_left_list)
print('left number:',str(rl))
number_left_list.clear()
if(result_number_right!=None): #识别到有效数字
number_right_list.append(result_number_right)
if(len(number_right_list)>limit_times):
rr=get_maxtimes(number_right_list)
print('right number:',str(rr))
connect(rl,rr,rd)
number_right_list.clear()
rr=0
rl=0
总结与思考：
小车整体的设计思路没有明显错误，但有些地方会显的力不从心。由于本次设计只用了OPENMV进行图像处理，尽管我们从一开始的OPENMV3升级到OPENMV4 PLUS，但在图像识别和处理方面依然不是很理想，在车身倾斜后，识别的正确率会下降很多。如果使用K210或者树莓派等处理起来会轻松一些。还有便是小车的转弯方面，虽然“DELAY大法”是不错，但毕竟还是存在一部分不确定因素，对于这点，我们可以添加一个陀螺仪，精确控制转弯角度，尽量减少不确定因素，同时在小车两侧添加红外对光管，图像处理和数字循迹双重保障。
通过这次电赛，还是感觉到应当平时多多积累，多做一些往年的电赛的题目练手，一步一步来，把各个模块调通，确保需要用到东西可以直接往里植入，提前测试无误。
