邱意敏，李 煒

(1.安徽工程大學 電氣工程學院，安徽 蕪湖 241000；2.安徽工程大學 檢測技術與節(jié)能裝置安徽省重點實驗室，安徽 蕪湖 241000)

0 引言

目前，常見的體溫測量裝置有水銀溫度計、紅外額溫槍、紅外耳溫槍及遠距離測溫儀.其中，水銀溫度計雖然測量體溫相對比較準確，但存在不能快速得知測量結果、破損后易造成較大危害、不能自動上報記錄等缺點[1]；紅外額溫槍測量溫度較為準確，價格適中，但存在不能自動上報記錄的缺點[2]；紅外耳溫槍測量溫度較為準確，但存在操作煩瑣、對操作人員要求高、不能自動上報記錄等缺點[3]；遠距離測溫儀雖然能夠實現(xiàn)遠距離溫度的自動測量，但存在易受環(huán)境溫度影響、測量誤差較大、價錢昂貴、不能自動上報記錄等缺點[4].因此，設計與研究一個操作方便、測量溫度較為準確且能夠自動上報記錄的測溫裝置，可以將工作人員從繁復機械式的工作中解放出來,具有一定的意義.

1 總體設計

針對目前體溫測量裝置存在的測量誤差大、操作煩瑣、不能自動上報記錄等缺點，設計了一個簡易無接觸溫度測量與身份識別裝置.該裝置由處理器模塊、溫度測量模塊、身份識別模塊、電源模塊、語音模塊、通信模塊和按鍵模塊組成，具體框架如圖1所示.

圖1 總體架構

其中，處理器模塊主要是協(xié)調處理其他各個模塊的工作，如處理溫度測量模塊和身份識別采集的數(shù)據(jù)、存儲溫度和身份信息、發(fā)送控制指令等；溫度測量模塊主要是利用紅外檢測的原理進行無接觸的溫度測量；身份識別模塊主要是對被測者身份進行識別；按鍵模塊主要是對溫度閾值進行設置；語音模塊主要是用語音播報溫度、身份及報警提示；通信模塊主要是將相關溫度和身份信息上傳.為了提高該裝置的檢測準確性，擬使用基于遺傳算法的BP神經(jīng)網(wǎng)絡算法、卷積神經(jīng)網(wǎng)絡和聯(lián)合稀疏表示對采集的溫度數(shù)據(jù)和人臉圖片進行處理.

2 硬件設計

2.1 電源模塊

根據(jù)總體設計，該裝置中各模塊的工作電壓不同，故對電源模塊進行設計時，需將該裝置3種不同的工作電壓，即7.2 V、5 V和3.3 V考慮進來.其中，7.2 V電壓可以直接由鎳鎘電池提供；5 V電壓可以通過兩塊AMS1117-5V芯片將7.2 V電壓轉換為5 V，分別為STM32F407最小系統(tǒng)板和身份識別模塊供電，具體電壓轉換電路如圖2所示；3.3 V電壓可以再通過兩塊AMS1117-3.3V芯片將5V電壓轉換成3.3 V，分別為溫度檢測模塊和其他3.3 V模塊供電，具體電壓轉換電路如圖3所示.在這里，由于使用了多個LDO芯片，故所有模塊均能保持穩(wěn)定的工作電源.

圖2 7.2 V轉5 V電路

圖3 5 V轉3.3 V電路

2.2 處理器模塊

由無接觸溫度測量與身份識別裝置的總體設計可以看出，該裝置需要快速處理大量數(shù)據(jù)，且需要快速簡便地記錄數(shù)據(jù).STM32F407是一款32位高性能的ARM Cortex-M4處理器，數(shù)據(jù)處理速度快，即時響應度高，內存較大，可供選擇的引腳數(shù)量多[5]，庫函數(shù)豐富，性價比高，能夠較好地滿足該裝置設計的需要.

2.3 溫度測量模塊

溫度檢測分為接觸式和非接觸式[6]，由于非接觸式測溫受空間的影響較小，能夠有效減少測試者與被測者的接觸，故選擇非接觸式溫度觸感器.MLX90614是一款利用紅外檢測溫度原理的傳感器[7]，通過內部狀態(tài)機控制被測物體的溫度測量，其輸出數(shù)據(jù)和物體溫度呈線性比例，具有高精度和高分辨率的特點.測量溫度的原理如圖4所示.MLX90614的溫度測量范圍在-70 ℃和382.2 ℃之間，在室溫范圍內溫度測量誤差為±0.5 ℃，在人體溫度范圍內溫度測量誤差為±0.1 ℃，分辨率為0.02 ℃.溫度測量模塊的具體設計電路如圖5所示.其中，J5端子中的4個接口用杜邦線與相應管腳連接，具體如下：1口接地，2、3口接STM32F407的PD1和PD2管腳，4口接3.3 V電源.

圖4 溫度傳感器測溫原理

圖5 溫度測量模塊電路

2.4 身份識別模塊

根據(jù)身份識別模塊的功能需要，選擇Maix Dock開發(fā)板的AI芯片K210作為核心單元.K210是一款具有獨立FPU的雙核處理器，64位的CPU位寬、8M片內SRAM、400M可調標稱頻率，支持乘法、除法和平方根運算的雙精度FPU，在機器識別和人臉檢測方面表現(xiàn)突出.身份識別模塊的具體設計電路如圖6所示.

圖6 身份識別模塊電路

2.5 通信模塊

通信模塊主要是將相關溫度和身份信息上傳，為了避免有線連接的束縛，這里選用無線通信方式.nRF2401是一款工作頻率高達2.4 GHz的基于射頻技術的無線通信芯片，具有抗干擾性強、功耗低、傳輸速率快、所需外圍元器件少等優(yōu)點，能較好地滿足無接觸溫度測量與身份識別裝置的設計需要.通信模塊的具體設計電路如圖7所示.

圖7 通信模塊電路

3 軟件設計

3.1 溫度數(shù)據(jù)處理

該裝置利用MLX90614作為溫度傳感器，通過對比熱電堆的輸出電壓和冷端溫度信號的差值得出被測物體溫度，溫度測量的準確性易受冷端溫度信號的準確性影響.此外，作為紅外溫度傳感器，測溫的準確性受到被測物體表面發(fā)射率的影響，僅依靠人工改變發(fā)射率的修正系數(shù)難免會對溫度數(shù)據(jù)的精度有一定的影響.因此，為了提高測量溫度數(shù)據(jù)的準確性，利用基于遺傳算法的BP神經(jīng)網(wǎng)絡算法對檢測的溫度數(shù)據(jù)進行處理[8].具體步驟如下.

1)收集大量的MLX90614的測量溫度數(shù)據(jù)和標準儀器測量溫度數(shù)據(jù)，構成一個溫度數(shù)據(jù)集.

2)將溫度數(shù)據(jù)集分成兩個部分，一個作為訓練樣本，一個作為測試樣本，并用訓練樣本對BP神經(jīng)網(wǎng)絡進行訓練.

3)計算預測輸出與實際輸出的誤差值，以此值作為遺傳算法的適應度值.

4)設置進化代數(shù)計數(shù)器t和最大進化代數(shù)T，隨機產生M個個體，并將這些個體作為初始群體P(0).

5)計算出P(t)中個體的適應度值，選出最優(yōu)個體，看其是否滿足迭代要求，若滿足條件，則進入步驟6)；若不滿足條件，則通過選擇、交叉、變異操作，產生新的群體P(t+1)，再重復此步驟的過程直至滿足迭代要求為止.

6)用得到的最優(yōu)個體對BP神經(jīng)網(wǎng)絡的權值和閾值進行賦值，并對新的BP神經(jīng)網(wǎng)絡進行訓練.

7)計算新的BP神經(jīng)網(wǎng)絡預測輸出和實際輸出的誤差是否滿足誤差要求，若滿足條件，則結束,若不滿足條件，則返回步驟3).

3.2 身份識別設計

該裝置身份識別的功能主要是通過對人臉進行識別實現(xiàn)的，而目前常用的人臉識別技術是特征提取識別和模式分類識別.通常來說，神經(jīng)網(wǎng)絡在人臉特征提取方面具有一定優(yōu)勢，而稀疏表示在模式分類方面具有一定優(yōu)勢.在這里，采用卷積神經(jīng)網(wǎng)絡和聯(lián)合稀疏表示相結合的方式對人臉進行識別，具體流程如圖8所示.其中，卷積神經(jīng)網(wǎng)絡主要用于人臉特征的提取，聯(lián)合稀疏表示主要對特征進行融合并分類，該方法能實現(xiàn)優(yōu)勢互補，提高人臉識別的準確率.

圖8 人臉圖像訓練的流程

3.2.1 深度特征提取

卷積神經(jīng)網(wǎng)絡是一個類似人工神經(jīng)網(wǎng)絡的多層感知器，主要是利用卷積核對輸入圖像的多層次特征進行學習，再根據(jù)特征對其進行分類[9-12].由此可看出，它能以多個特征圖作為輸入，無須經(jīng)過特征提取和數(shù)據(jù)重建的過程就能對圖像進行訓練，能夠較好地滿足人臉識別的要求[13-14].根據(jù)該裝置身份識別的需要，設計了一個如圖9所示的卷積神經(jīng)網(wǎng)絡結構，包括3個卷積層、3個池化層和2個全連接層，最終完成對同一幅圖像多個深度特征的提取.其中:3個卷積層分別通過不同數(shù)量的卷積核對輸入圖像的多層次特征進行學習，并利用向量串聯(lián)得到相應的特征向量；3個池化層主要是利用最大值池化降低卷積層輸出特征矢量的維度，以便簡化網(wǎng)絡的復雜度；全連接層是先利用Dropout機制去擬合化，再利用Softmax函數(shù)進行分類，進而得到多個深度特征向量和相應的全局字典.整個深度特征的過程均利用Python編程實現(xiàn)，而為了提升網(wǎng)絡的非線性處理能力，選取ReLU(分段線性函數(shù))作為激活函數(shù).

圖9 卷積神經(jīng)網(wǎng)絡結構

3.2.2 深度特征融合及分類

為了更好地進行人臉識別，利用聯(lián)合稀疏表示對上述卷積神經(jīng)網(wǎng)絡訓練得到的深度特征進行特征融合并判定目標類型[15-16].結合該裝置人臉識別精度的需要，以20類人臉和3個深度特征分別作為聯(lián)合稀疏表示的模式類種類數(shù)量和特征種類數(shù)量.

yi=XiΓi+Ni,i=1,2,3.

(1)

為了使識別的準確性提高，就需使表達式y(tǒng)≈XΓ成立.而聯(lián)合稀疏矩陣可以通過組合各個深度特征對應的稀疏矩陣得到，再將稀疏矩陣Γ范數(shù)約束取為l1/l2.因此，該問題可以優(yōu)化成對式(2)進行求解的問題.式中，λ是預設的參數(shù)，αk是稀疏矩陣的Γ的第k行.

(2)

(3)

3.3 程序設計

無接觸溫度測量與身份識別裝置的程序流程如圖10所示，一旦檢測到溫度不在設置的溫度范圍內，則語音提示溫度異常.與此同時，進行身份識別:若身份識別不正確，則語音提示溫度和身份均異常；若身份識別正確，則將檢測到的溫度數(shù)據(jù)和身份信息進行打包通過通信模塊發(fā)送至后臺，以實現(xiàn)異常溫度數(shù)據(jù)的自動上傳.

圖10 程序設計總框圖

根據(jù)前面的敘述，為了提高裝置的溫度和身份識別的準確性，該裝置還具有對非接觸測溫和身份識別數(shù)據(jù)進行訓練的功能.為了降低無接觸溫度測量與身份識別裝置程序編寫和調試的難度，這里采用模塊化編程.其中:非接觸溫度測量部分主要是通過不斷地將測量的人體和液體的溫度數(shù)據(jù)與標準溫度測量設備測出的溫度數(shù)據(jù)進行對比，再利用基于遺傳算法的BP神經(jīng)網(wǎng)絡算法對數(shù)據(jù)進行處理，得出準確的溫度測量模型；身份識別部分則是使用大量的目標圖片通過卷積神經(jīng)網(wǎng)絡和聯(lián)合稀疏表示訓練出準確的人臉識別模型，并利用該模型進行人臉的識別，具體流程如圖11所示.

圖11 身份識別流程

部分程序如下：

train_data=np.random.permutation(train_data) #

test_data=np.random.permutation(test_datal)

train_label=np.random.permutation(train_label)

test_data=np.random.permutation(test_datal)

……

self.model.add(Convolution2D(64,5,5,border_mode='same')) #卷積層

self.model.add(Activation('relu')) #激活函數(shù)

self.model.add(MaxPooling2D(pool_size=(2,2))) #池化層

self.model.add(Dropout(0.25)) #Dropout層

self.model.add(Activation('softmax')) #分類層

4 測試方案與測試結果

4.1 測試方案

筆者設計的非接觸溫度測量和身份識別裝置的實物如圖12所示.為了檢測裝置各項功能的準確性，利用液體容器和標準溫度測量設備，分別進行非接觸溫度測量功能和身份識別功能的測試.

圖12 無接觸溫度測量與身份識別裝置實物圖

非接觸溫度測量功能的測試情形做如下分類：被測者和容器中的液態(tài)水依次位于無接觸溫度測量裝置前1～4 cm處，按下按鍵開始檢測，并通過語音模塊播報溫度數(shù)據(jù)，同時使用標準溫度測量設備測量被測物體，將兩者溫度進行比較，觀察測量誤差；在28 ℃到48 ℃之間進行測量，通過按鍵設置報警溫度閾值在30 ℃到46 ℃之間，當檢測溫度超過閾值時，裝置報警，反之不報警.

身份識別功能的測試情形做如下分類：提前輸入被測者姓名，當輸入的姓名與識別到的人身份不符時，裝置報警，反之不報警；觀察裝置是否能夠現(xiàn)場隨機錄入工作人員的身份信息，若是則記錄完成學習的時間，并且驗證裝置在完成學習之后能否進行身份識別.

4.2 測試結果

根據(jù)上述測試步驟，可以得到人體體溫測量、液體溫度測量、溫度超標報警、身份識別和現(xiàn)場學習的部分測試結果(表1～表5).

表1 人體體溫測量 單位:℃

表2 液體溫度測量 單位:℃

表3 溫度超標報警 單位:℃

表4 身份識別

表5 現(xiàn)場學習

從測試結果可以看出，該裝置能夠實現(xiàn)非接觸溫度測量及身份識別的功能，測量出的溫度值與標準溫度測量設備的誤差在2 ℃以內，測量人體體溫的誤差不超過0.5 ℃，測量精度較高.此外，該裝置能在10 min內學習被測人的身份特征并進行身份識別.

5 結論

筆者設計的非接觸溫度測量和身份識別裝置,利用基于遺傳算法的BP神經(jīng)網(wǎng)絡算法、卷積神經(jīng)網(wǎng)絡和聯(lián)合稀疏表示分別對溫度數(shù)據(jù)、人臉圖片進行處理，能較好地實現(xiàn)溫度測量及報警、人臉識別、現(xiàn)場學習等功能.