一種非接觸身份識別測溫系統設計實現

2021-11-03 08:10:20楊斌戚本正劉璟瑤陳濤朱策

電子技術與軟件工程 2021年16期

楊斌戚本正劉璟瑤陳濤朱策

（南開大學濱海學院天津市 300270）

1 引言

目前人工智能的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人臉識別是人工智能學科中發展的最為快速的一個分支之一，已有很多落成熟地應用。本文身份識別采用Face Recognition 人臉識別框架，該框架使用C++開源庫 dlib 中的深度學習模型，用Labeled Faces in the Wild 人臉數據集進行測試，有高達99.38%的準確率。對于dlib 面部識別網絡，輸出特征向量是128-d（即128 個實值數字的列表），用于量化面部。通過實驗，我們找出合適的容錯值，使得識別率得到提高。在本文中，我們對市面常見的紅外溫度傳感器、熱像傳感器進行了實驗測試，分別使用了MLX90614、AMG8833 傳感器。

為了穩定測試環境，本文使用了自動恒溫水箱裝置，通過水泵、氣孔使得液體不斷流動，溫度均勻。同時使用物理溫度計和溫度傳感器同時測量，盡可能的保證被測對象的穩定。針對MLX90614、AMG8833 不同傳感器進行實驗測量，通過最小二乘法擬合，求得擬合系數，經驗證在一定溫度范圍內，測量效果頗佳。

2 系統方案

2.1 系統總體方案

該裝置基于樹莓派4BARMv7 架構和STM32F103RET6 微控制器設計，結合MLX90614 紅外測溫傳感器模塊、MLX90640 32*24熱像模塊、AMG8833 8*8 熱像模塊、樂視體感攝像頭等構成。使用TPS5430 電源管理芯片和XL6009DC-DC 可調電源模塊對裝置供電。無接觸測溫模塊由MLX90614、AMG8833 完成，MLX90614、AMG8833 通過I2C 協議將數據傳給核心處理器，內部算法會對溫度信息進行分析處理。身份識別模塊以OpenCv 為基礎，采用Face Recognition 人臉識別框架，通過攝像頭和樹莓派完成身份識別，將溫度信息、攝像頭捕獲的視頻流以及人臉識別的結果顯示在LCD屏幕上。STM32F103RET6 將各種傳感器采集到的信息進行匯總、分析、處理，并通過串口上傳至樹莓派。總體結構框架圖如圖1所示。

圖1：總體結構框架圖

2.2 傳感器模塊電路設計

2.2.1 MLX90614 模塊設計

如圖2所示，MLX90614 有很多FOV 選型標準，溫度測量范圍：-70℃-382.2℃。

圖2：MLX90614 模塊電路圖

2.2.2 AMG8833 模塊設計

如圖3所示，AMG8833 模塊是一個8*8 的紅外熱傳感器陣列，它可以從遠達7m 的距離開始檢測。

圖3：AMG8833 模塊電路圖

2.3 攝像頭模塊

采用樂視體感攝像頭。該攝像頭可用在機器視覺、3D 點云、OpenCv 學習、ROS 機器人等方面。

2.4 處理器模塊設計

如圖4所示，采用STM32F103RET6 單片機作為次控制模塊的核心。

圖4：STM32F103RET6 電路圖

采用樹莓派4B ARMv7 為主控制模塊。對于本系統設計，主從處理器通過串口通信，對信息進行匯總、分析與處理。

2.5 電源模塊設計

如圖5所示，電源選擇了TPS5430 電源管理芯片和XL6009DC-DC 可調電源模塊，STM32 及所載屏幕使用12V 2A DC電源適配器，樹莓派及其連接屏幕使用5V 3A DC 電源適配器，為電路穩定提供電壓。

圖5：電源模塊電路圖

2.6 恒溫水池設計

如圖6所示，恒溫水池設計具有在水溫下限到水溫上限全量程內的加熱功能，當水溫低于水溫下限時開始加熱，水溫低于水溫上限時自動斷電停止加熱。恒溫水池機械結構模型圖如圖7所示。

圖6：恒溫水池電路圖

圖7：恒溫水池機械結構模型圖

3 設計與論證

3.1 溫度測量方法理論分析及參數計算

3.1.1 紅外溫度測量方法基本分析

紅外熱電堆傳感器輸出的溫度信號經過內部低噪聲、低失調的運算放大器(OPA)放大后經過A/D 轉換器(ADC)轉換為17 位數字信號通過可編程FIR 及IIR 低通數字濾波器(即DSP)處理后輸出，輸出結果存儲在其內部RAM 存儲單元中。

MLX90614 模塊以81101 熱電元件作為紅外感應部分。輸出是被測物體溫度（TO）與傳感器自身溫度（Ta）共同作用的結果，理想情況下熱電元件的輸出電壓為：

Vir=A(To4-Ta4)

其中溫度單位均為 Kelvin(開爾文)，A 為元件的靈敏度常數。

計算好的溫度輸出分辨率為0.02℃，傳感器的出廠校準范圍為-40 ～+125℃。在 RAM 單元地址006h 中，2DE4h 對應-38.2℃ (線性輸出最低限度) ，4DC4h (19908d) 對應125℃。

通過下式將RAM 內容轉換為實際的Ta 溫度：

Ta[°K]=Tareg×0.02 ,or 0.02°K/LSB

物體溫度 To 輸出結果分辨率為 0.02℃，并存于RAM。To 的實際溫度為：

To[°K]=Toreg×0.02 ,or 0.02°K/LSB

3.1.2 紅外熱成像測量方法基本分析

紅外熱成像測溫系統屬于窄譜輻射成像的測量設備，可以將接收到的紅外熱輻射能量轉換為電信號，電信號經過放大、整形、模數轉換后成為數字信號，通過圖像的形式在顯示器上顯示出來，同時對溫度值進行計算。

AMG8833 是基于高級MEMS 技術的高精度紅外陣列傳感器，其內部框圖如圖8所示，傳感器芯片經過高增益放大與內部熱敏電阻通過ADC 轉換器存儲到ROM 中。

圖8：AMG8833 內部框圖

AMG8833 每個像素的觀看中央角度傳感器的光學中心間隙：在±5.6°內（水平和垂直方向）。像素間隙排列圖如圖9所示。

圖9：像素間隙排列圖

AMG8833 通過128 個Temperature 寄存器一次性讀取64 個像素點的溫度，存儲在自定義數組中（例如a[64]），64 個溫度值中有部分受環境影響而導致測溫不準確,由于環境的溫度低于人體溫度,故軟件設計中采取設置閾值比較算法，取64 個溫度值中最大溫度的10 個溫度取平均(如果大于44℃會被視為異常點舍棄),即代表了人體體溫。

3.2 最小二乘法的分析

最小二乘法是一種在誤差估計、不確定度、系統辨識及預測、預報等數據處理諸多學科領域得到廣泛應用的數學工具，通過最小化誤差的平方和來尋找數據的最佳函數進行匹配。

矩陣表達形式：

對于n 個樣本來說，可以用如下線性方程組表示：

圖14、15、16 裝置測量實物圖

將上式記為矩陣形式為：

最終形式為：A·B = Y，最小二乘形式可以表示為：min||AB-Y||2，最優解為：。

本文使用Matlab對測量數據進行擬合，初步使用二階函數擬合，去掉一個差距最大的數據和差距最小的數據，取平均值，形成如圖10所示的關系曲線。

圖10：Matlab 關系曲線

3.3 識別方法理論分析及參數計算

3.3.1 深度學習中的人臉識別分析

進行人臉識別是由如下步驟完成的：首先，從視頻流中截取一張包含人臉的照片；其次無論周圍光線如何，確保能夠識別出是同一個人的臉；再針對截取的人臉需要區分與其他人臉的不同之處；最后將截取的人臉與已知的人臉庫進行比較，確定人臉的標記。

為了得到每個人臉最獨特的數據，該算法將從圖片（圖11）中找到所有的人臉，然后捕捉并識別人臉的關鍵點，包括眼睛、鼻子、嘴和下巴。在對成千上萬的人的數百萬個圖像重復此步驟數百萬次之后，神經網絡學會了可靠地為每個人生成128 個數據值。也就是會在人臉上獲取128 個點的向量，比如眉毛的輪廓、鼻子的輪廓、嘴的輪廓等許多個點組成的線。

圖11：人臉面部特征圖

3.4 系統整體軟件程序設計

系統軟件程序設計流程圖如圖12所示。

圖12：系統軟件程序設計流程圖

4 硬件調試與實驗

4.1 溫度測量

4.1.1 測量方案及測試條件

溫度測量條件如圖13。

圖13：溫度測量條件

測試方案：將MLX90614 紅外測溫傳感器模塊、紅外熱像儀AMG8833 模塊固定在STM32 板子上，攝像頭可以直射容器中的水。以測試距離為1m 的攝像頭為基準，其實際長度為3.8cm，在容器和攝像頭中間放一塊長5cm，寬和高分別為1cm 的小木塊，則測試距離為：5-3.8=1.2cm。在此基礎上，每放一塊小木塊，攝像頭和容器之間的距離就增加1cm，隨之測出的數據會顯示在LCD 屏幕上，當所測溫度超過自己設定的閾值時，就會發射出報警。每測出一組數據，就要與紅油溫度計的實際溫度進行比對，去掉一個誤差最大和最小的數據，取平均值，最后進行最小二乘法的擬合，用matlab繪制出來。裝置測量實物圖如圖14、圖15 和圖16所示。

4.1.2 測量結果

數據對比如下：

采用兩種不同型號的MLX90614，DCI 測距為1m 左右，BCC/DCC 測距為10cm 左右。如表1 和表2所示。