小型水域水面水底垃圾清理機器人設計

胡夢杰 梁潤智 李章誠 李欣蓓

摘 要：：針對小型水域中沒有專門的垃圾清理機器，為此我們設計了一款綠色能源的小型水域水面水底垃圾清理機器人。機器人采用了太陽能作為能源補充。采用BDS巡航系統實現自主路徑巡航規劃。同時搭載了太陽自動追蹤系統，結合路徑規劃，保證太陽能發電板最大的工作效率。采用視覺信息采集技術進行垃圾信息收集。機器人實現了可長時間實時垃圾清理，該機器人使用綠色能源解決了小型水域的垃圾污染。

關鍵詞：BDS區域巡航;視覺識別;太陽能自動追蹤

引言

目前，學校、小區、景區的小型天然湖或者人工湖等小型水域中的漂浮物和水底垃圾主要采用人工手持網兜來進行清理。因為人群聚集，流動性大，容易產生新的垃圾，因此此類小型水域存在著水面垃圾清理不徹底，耗時長，效率低，勞動強度大與水底垃圾清理不到等弊端。市面上的水面水底垃圾清理裝置，往往不適用于小型水域的垃圾清理。小型水域水面水底清理機器人的設計，減少了人力勞動，可以隨時隨地的清理水面水底垃圾，減少水域污染，美化環境，同時利用太陽能減少了能源消耗。可以滿足學校，小區，景區的使用。

1、系統設計

系統設計框圖如圖1所示，太陽能板負責為整個機器人提供能源補充，通過無線充電的方式為水下部分提供能源補充。機器人的動力主要靠螺旋槳進行控制，通過PID算法實現在水面和水底能夠平穩的進行移動。水面部分的垃圾收集通過翻斗翻轉倒入垃圾筐，水底垃圾收集通過機械臂收集放入垃圾筐內。通過攝像頭采集水面水底的垃圾信息通過物聯網模塊將信息傳輸到云平臺，通過云平臺的垃圾識別功能快速的實現垃圾識別，通過云平臺數據處理能力，減少中心控制器的消耗。通過微信小程序連接云平臺可以獲取實時的視頻信息，通過云平臺的信息存儲功能可以獲取前段時間的機器人的各種信息以及垃圾收集的信息。BDS巡航系統通過北斗定位模塊的定位信息實現區域巡航，同時通過位置信息獲取到當地的天氣情況信息，輔助太陽能追蹤系統，確保太陽能板的發電效率保持在最高的狀態。

無線充電系統基本流程如圖2所示。當電路工作時，利用產生的振蕩作用使電路發出一個脈沖頻率，再通過逆變電路傳給變壓器的原邊，即發射圈。這樣就使得發射線圈周圍產生磁場，當其與接收線圈距離較近時，就能夠產生相應的感應電流，經過整流和濾波電路，最終得到所需要的充電電壓和電流。當發射線圈與接收線圈距離控制在一定范圍以內時，可以實現近距離無線充電功能。

經典PID對于非線性時變系統的動態響應特性差，KP、KI和KD參數無法在線自整定，難以滿足系統對變化工況的性能要求.設計采用反向傳播（back propagaton，BP）神經網絡，利用其自學習特性實現對PID參數自適應整定，從而改善系統靜態特性和動態特性。

3、系統結構

一、云平臺圖像處理與數據分析技術

物聯網數據分析LA（Link Analytics）使我們能更好的掌握小型水域中垃圾的分類，垃圾集中分布的位置，新垃圾產生的主要時間與位置。通過這些數據的分析，能更好的進行實時的垃圾收集與處理，同時根據數據可以對垃圾種類的不同對機器人的收集裝置進行更改。云平臺的圖像處理技術更加的成熟，可以節省機器學習的時間，提高了視覺識別的精度。借助于物聯網云平臺實現方便快捷的數據結構化存儲，遠程調試和監控。

二、水下圖下像增強算法

算法的模型結構如圖3，實現方法是通過依賴大量的水下圖像，清晰的水下圖像能有效提高檢測精度，對水下垃圾檢測具有重要的影響。光在水中傳播遇到懸浮粒子會發生散射，前向散射會產生圖像細節模糊;后向散射會造成霧狀模糊，導致圖像縮小下降。CL AHE通過對圖像分塊進行直方圖變換可以有效地提高圖像亮度，并利用線性插值算法提高速度，但CLAHE會造成圖像顏色失真，并且不能從水下圖像色偏。MSRCR是基于Retinex理論提出的圖像。增強算法，Retinex理論認為一幅圖像可以表示為兩部分：光照量和反射量。ACE通過計算目標點與其他提示點的差值，得到返回點之間的亮度差異信息來校正校正值。首先通過對圖像的色彩域空域調整，完成色差校正，然后對RGB三通道分別進行線性擴展與動態拉伸最終圖像。ACE能夠更好地處理圖像細節，實現色彩校正并提升圖像亮度和而基于物理模型的方法主要根據圖像退化過程進行數學建模，并進行參數估計，反演得到清晰的圖像。

表1所示采用通過CLAHE，MSRCR與ACE增強后的圖像訓練，mAP均能提高1個左右。其中對易拉罐的檢測精度，CL AHE提高了3%，ACE提高了2.3%，MSRCR提高了3.3%，這說明增強后的圖像更有利于目標檢測。同時，經過DCP處理的圖像，不同類別的AP均降低，mAP降低了0.6%，因此DCP并不適用于水下圖像增強與復原。在由常規算法對圖像進行初步的基礎上，優化后的ACE_ _CLAHE與ACE_ _MSRCR也表現出良好的效果。通過ACE_ _CL AHE增強的圖像，和原圖比例，易拉罐AP提高了5.1%，紙質垃圾AP提高了2.4%。

機器人通過自身所帶的傳感器，將水面水底垃圾信息，水面水底周圍環境信息，自身狀態信息。通過物聯網模塊將數據傳輸到云平臺進行數據處理，處理后的數據返回到中心控制器中。機器人通過處理后的數據實現垃圾識別、垃圾收集、自動巡航、能源補充、潛水深度控制、機器學習。云平臺在實際應用中不斷的進行機器學習，對該水域中的垃圾進行分類。整理出不同種類垃圾數量的多少，分布區域，加強對該區域數量多垃圾種類的識別。同時將云平臺中不斷學習的數據包在每隔一段時間后返回到樹莓派中，減少樹莓派的學習時間。同時在出現機器人與云平臺連接不上時，樹莓派可以繼續運作，進行垃圾識別。

參考文獻：

[1]郝琨，王闊，趙璐，王貝貝，王傳啟.基于圖像增強與改進YOLOv3的水下生物檢測算法[J/OL].吉林大學學報（工學版）.2021-05-11：1-11.

[2]梁永峰，李正，宋翔宇.手機近距離無線充電系統設計及仿真[J].滄州師范學院學報，2020，36（02）：43-46+59.

[3]曹朝陽，葉會英.水下機器人的無線充電研究[J].吉林大學學報（工學版）2018（08）：64.

[4]王奔，牛洪海，徐衛峰，蔡丹，陳俊.基于PLC的槽式光熱太陽能追蹤控制系統的研究與應用[J].中國電力，2020，53（11）：185-194.