尹錫軒 李榮彬 郭偉東 牛鑫蕊 胡正發(fā)

關鍵詞：柔性傳感器；STM32單片機；信號采集；卷積神經網(wǎng)絡

0 引言

在現(xiàn)代科技領域，柔性傳感器具有靈活性強、適應性好、輕量化、低成本、易于集成、多功能性、低功耗和實時監(jiān)測等諸多優(yōu)點，使其逐漸成為各種應用中的重要組成部分。特別是柔性壓力傳感器在醫(yī)療、人機交互、工業(yè)自動化、機器人技術、智能穿戴等領域展示出了巨大的應用潛力[1-5]。然而，有效地采集和分析柔性壓力傳感器陣列所產生的復雜信號仍然是一個具有挑戰(zhàn)性的任務。

為此，本文設計基于柔性壓力傳感器陣列的信號采集系統(tǒng)，該系統(tǒng)可以實現(xiàn)對復雜環(huán)境下的壓力分布進行準確且實時的監(jiān)測與分析。通過該系統(tǒng)，可以獲取到關于物體表面壓力分布的高分辨率信息，為人機交互、健康監(jiān)測、運動分析等領域提供數(shù)據(jù)支持。

1 采集系統(tǒng)方案設計

本系統(tǒng)主要由外置的柔性壓力傳感器模塊、信號采集器（下位機模塊）、上位機模塊和數(shù)據(jù)分析模塊四部分組成。系統(tǒng)總體框架如圖1所示。

柔性壓力傳感器通常由柔性材料制成，能夠感知和測量外部施加的壓力。它們能夠靈活地安裝在各種曲面或不規(guī)則表面上，用于監(jiān)測和記錄壓力變化[6-9]。在本系統(tǒng)中，柔性壓力傳感器模塊負責采集實時的壓力數(shù)據(jù)，以便后續(xù)的分析和處理。信號采集器模塊是連接到柔性壓力傳感器的硬件設備，負責接收傳感器模塊傳來的數(shù)據(jù)，并將其轉換為數(shù)字信號或其他可處理的形式。該模塊包括模數(shù)轉換（ADC） 電路、信號放大電路、濾波電路等，用于將傳感器采集到的模擬信號轉換成數(shù)字信號。信號采集器模塊將數(shù)字信號傳輸給上位機模塊進行進一步處理和分析。上位機是用于接收、處理和顯示從信號采集器模塊傳輸過來的數(shù)據(jù)的軟件部分，使用戶能夠實時監(jiān)測和分析壓力數(shù)據(jù)。上位機模塊可以提供圖形化的界面、數(shù)據(jù)存儲功能、實時顯示以及數(shù)據(jù)導出等功能，以滿足用戶的需求。數(shù)據(jù)分析模塊負責對從上位機模塊接收到的壓力數(shù)據(jù)進行進一步的處理、分析和挖掘。其主要目的是從大量的壓力數(shù)據(jù)中提取有用的信息，并為用戶提供洞察力和決策支持。

2 系統(tǒng)硬件設計

2.1 采集對象

系統(tǒng)的采集對象是一個集成了16個柔性壓力傳感器單元的4×4陣列柔性壓力傳感器。每個傳感器單元由上下層柔性電極板和中間壓敏材料組成，形成了一個靈活而敏感的結構。這種設計使得每個傳感器單元能夠獨立地感知并測量其所在位置的壓力變化，從而實現(xiàn)了對整個表面壓力的高精度探測。當受到壓力作用時，中間的壓敏材料會產生變形，導致傳感器單元的電阻隨之變化。這種電阻的變化隨著壓力的增加而減少，通過柔性導線連接到信號采集器模塊，將采集到的數(shù)據(jù)傳輸?shù)缴衔粰C軟件進行進一步處理和分析。其陣列結構如圖2所示：

2.2 信號采集系統(tǒng)設計

系統(tǒng)的設計中，采用STM32F103R8T6作為主控芯片。STM32F103R8T6搭載了ARM Cortex-M3內核，這個處理器核心性能穩(wěn)定可靠，能夠提供足夠的計算能力和處理速度，滿足信號采集與分析系統(tǒng)的需求。同時，該芯片內置64KB Flash存儲器和20KB SRAM，這提供了足夠的存儲空間，可以用于存儲采集到的數(shù)據(jù)以及執(zhí)行程序。其電路設計原理框圖如圖3所示：

在這個設計中，選用CD4051B八選一模擬開關電路實現(xiàn)4×4傳感器陣列檢測。STM32芯片通過控制CD4051B的使能端和地址選擇端所連接的IO口輸出高電平或低電平，從而控制傳感器陣列行的通斷。每行所連接的傳感器單元通過CD4051B 的選擇端與STM32相連，實現(xiàn)對特定傳感器單元的選擇。而各列則通過串聯(lián)電阻與所通行形成串聯(lián)分壓電路，將傳感器單元受到的壓力轉換為相應的電壓信號。這些電壓信號經過模擬開關電路后，傳入STM32進行模擬到數(shù)字（AD） 轉換。轉換后的數(shù)字信號通過串口通信傳輸至上位機，以實現(xiàn)對各個陣列點的檢測和監(jiān)測。通過這種設計，可以實現(xiàn)對目標表面的多個點位進行高效、精準的數(shù)據(jù)采集，為后續(xù)的數(shù)據(jù)分析和處理提供了可靠的基礎。

3 上位機軟件

上位機軟件在柔性壓力傳感器陣列信號采集與分析系統(tǒng)中扮演著重要角色，能夠實時把接收的數(shù)據(jù)顯示在用戶界面上。為了實現(xiàn)與下位機的通信，上位機必須與下位機匹配波特率、數(shù)據(jù)位、停止位等串口通信參數(shù)。這一步驟的順利完成是保證數(shù)據(jù)傳輸正常進行的關鍵。一旦連接成功，上位機將開始接收來自下位機的數(shù)據(jù)流。在上位機的用戶界面中，這些數(shù)據(jù)以4×4陣列的形式實時顯示。這種顯示方式使用戶能夠直觀地了解整個傳感器陣列的壓力分布情況，為后續(xù)的數(shù)據(jù)分析和處理提供了基礎，其界面示意圖如圖4所示。

此外，為了更好地管理和利用這些數(shù)據(jù)，上位機軟件還可以將接收到的數(shù)據(jù)存儲在預先設置好的數(shù)據(jù)庫中。這樣一來，用戶不僅可以實時監(jiān)測數(shù)據(jù)，還可以對歷史數(shù)據(jù)進行回溯和分析，從而更好地理解系統(tǒng)的運行情況，并做出相應的優(yōu)化和改進措施?？傮w使用流程如圖5所示。

4 采集系統(tǒng)在平整度檢測上的應用

在工業(yè)生產和制造過程中，表面平整度的重要性不可忽視。無論是汽車外殼、飛機機身、電子設備外殼還是建筑物墻面，表面平整度都直接關系到產品的外觀質量和功能性能。然而，傳統(tǒng)的平整度檢測方法往往存在諸多局限性，如耗費大量人力和時間、無法實時反饋等問題。針對這些挑戰(zhàn)，基于柔性壓力傳感器陣列信號采集與分析系統(tǒng)成為一種創(chuàng)新解決方案。該系統(tǒng)將柔性壓力傳感器陣列布置在待檢測的表面上，通過信號采集與分析技術實時記錄數(shù)據(jù)，并將數(shù)據(jù)轉換為平面受力的熱力圖，以圖像的形式突出壓力分布的特征。轉換效果如圖6所示。

當柔性傳感器貼合面較為平整時，各個傳感器單元受到的力較為均勻分布，因此生成的熱力圖在整體上呈現(xiàn)出顏色較為一致的特征，如圖（a） 和（b） 所示。而當貼合面存在不平整或凹凸的情況時，各個傳感器單元所受到的力會出現(xiàn)不均勻分布，導致熱力圖中出現(xiàn)明顯的顏色差異，如圖（c） 至（f） 所示。在熱力圖中，數(shù)據(jù)的數(shù)值大小決定了顏色的深淺程度，類似于記錄溫度時的原理，即記錄到的壓力數(shù)值越大，對應的顏色越深；而數(shù)值越小，則顏色越淺。這種可視化方式能夠直觀地反映出貼合面的平整度或凹凸程度，為進一步分析和處理提供了重要參考。

為了提高判斷效率和節(jié)省生產過程中的人力成本，結合神經網(wǎng)絡進行平整度檢測，實現(xiàn)自動檢測。該方法具有更高的客觀性和準確性。神經網(wǎng)絡能夠通過大量數(shù)據(jù)學習到復雜的特征和模式，自主提取信息進行判斷，避免了人為主觀因素的影響，提高平整度檢測的精度和效率，為生產過程提供更可靠的質量控制保障。

由于壓力分布熱力圖的圖像結構簡單，特征較為突出明顯，與字符圖像類似，在此選用LeNet作為訓練網(wǎng)絡模型。相較于其他深層網(wǎng)絡模型，LeNet網(wǎng)絡結構簡單而有效（深度較淺/模型復雜度較為簡單），具有較好的特征提取能力，且能夠避免深層網(wǎng)絡模型因模型復雜度過高記住訓練數(shù)據(jù)的所有細節(jié)而無法泛化到新數(shù)據(jù)上，進而出現(xiàn)過擬合使模型可靠性降低，預測能力大打折扣的問題，適用于對平整度進行判斷。

通過卷積層提取原始圖像的特征，隨后利用池化層來減少特征圖的尺寸，降低特征圖的空間分辨率，以增強輸入圖像的平移不變性。在本次網(wǎng)絡的池化層中，采用了最大池化的方式，其原理如圖7所示。

通過多次線性變換、非線性變化和回歸計算，提取出對應類別特征向量的特征值，最后輸出兩個分類的概率。采集到了2300組未測試的數(shù)據(jù)在訓練好的模型上進行驗證，正確率達到了92.8%。

5 總結

基于柔性壓力傳感器陣列信號采集系統(tǒng)設計結合LeNet神經網(wǎng)絡實現(xiàn)平整度檢測，是將傳感器技術與深度學習相融合的創(chuàng)新工程。該系統(tǒng)以柔性壓力傳感器陣列為核心，實時采集目標表面的壓力分布數(shù)據(jù)，通過LeNet神經網(wǎng)絡進行分析和判斷，以快速準確地檢測表面平整度。柔性傳感器陣列具備高靈敏度和靈活性，能夠準確感知表面壓力分布，為系統(tǒng)提供可靠的數(shù)據(jù)基礎。LeNet神經網(wǎng)絡作為關鍵算法，能夠自動學習并提取壓力數(shù)據(jù)中的特征，從而有效評估表面的平整度。系統(tǒng)設計還充分考慮了數(shù)據(jù)預處理、模型訓練和評估等環(huán)節(jié)，通過歸一化處理、噪聲濾除等手段提高數(shù)據(jù)質量，優(yōu)化LeNet網(wǎng)絡參數(shù)以提高檢測性能。綜合而言，這一系統(tǒng)不僅實現(xiàn)了對表面平整度的快速準確檢測，還具備廣泛的應用前景，可在工業(yè)生產和制造領域提升生產效率、優(yōu)化產品質量，實現(xiàn)智能化生產。