用于滅活生物有機(jī)體的紫外線機(jī)器人

描述

描述

由于 2019 年新型冠狀病毒（COVID-19）引起的長(zhǎng)期流行病爆發(fā)，2020 年正在超越現(xiàn)代人類生活中最糟糕的一年。這種新穎的社區(qū)健康問題導(dǎo)致了世界各地衛(wèi)生系統(tǒng)的崩潰和經(jīng)濟(jì)放緩，同樣影響了我們彼此相處的方式、我們的生活方式和工作方式。據(jù)大流行科學(xué)家稱，此類事件可能會(huì)一次又一次地發(fā)生，因此我們必須開發(fā)有助于解決或緩解這些問題的技術(shù)。

在大流行期間，機(jī)器人技術(shù)發(fā)揮了重要作用，因?yàn)樵S多人都知道，機(jī)器人具有的優(yōu)勢(shì)之一是能夠在對(duì)人類有害的極端環(huán)境中工作，例如核災(zāi)難、自然災(zāi)害、深礦以及最終環(huán)境大量未知病原體，例如導(dǎo)致 covid-19 的 SARS-CoV-2 病毒。

幸運(yùn)的是，我們正處于一個(gè)任何人都可以在家中構(gòu)建機(jī)器人的時(shí)代，只需遵循一些簡(jiǎn)短的指令。此外，還有大量的專家程序員社區(qū)，例如制造商，可以通過他們找到構(gòu)建程序所需的幫助。然而，在這個(gè)大流行更潛伏的時(shí)期，許多技術(shù)發(fā)展都集中在建造大型而堅(jiān)固的機(jī)器人上，以便在購(gòu)物中心或大型公共實(shí)體建筑中使用，而此時(shí)大多數(shù)人都希望擁有一個(gè)這些機(jī)器人用于自己家的消毒。不僅能夠消除當(dāng)前的 Covid-19 病毒，還能夠消除其他病毒、細(xì)菌和真菌的設(shè)備。在這些情況下，考慮到其在市場(chǎng)上的尺寸和價(jià)格，如圖 1 所示的大型機(jī)器人不是最合適的。

這就是為什么我的解決方案是基于家用消毒機(jī)器人，比如吸塵機(jī)器人或帶有紫外線 (UV) 燈的吸塵機(jī)器人。對(duì)于想要保持家中清潔和消毒的人們來(lái)說(shuō)，這些機(jī)器人體積小且價(jià)格合理。

這些機(jī)器人在消毒過程方面具有一定的特殊性，例如相互通信的能力。這種通信允許在消毒中進(jìn)行協(xié)調(diào)并優(yōu)化執(zhí)行此任務(wù)的時(shí)間。為此，我依靠稱為多智能體系統(tǒng) (MAS) 的人工智能 (AI) 工具。MAS 允許創(chuàng)建能夠在環(huán)境中相互通信、感知和行動(dòng)的實(shí)體。MAS 的基本單元是控制每個(gè)機(jī)器人的代理。通過這種方式，我們賦予機(jī)器人自主、智能和社交的特征。

特征

MAS 的特點(diǎn)之一是它的行為類似于其他人工智能、機(jī)器視覺和低級(jí)控制工具的容器。利用這種能力，每個(gè)代理（機(jī)器人）都結(jié)合了人工視覺工具、物體和人識(shí)別系統(tǒng)。為此，所有使用 Raspberry Pi 4 構(gòu)建的機(jī)器人都集成了 OpenVino 工具和英特爾神經(jīng)計(jì)算機(jī)棒 2。然而，這種神經(jīng)棒允許使用深度學(xué)習(xí)模型來(lái)檢測(cè)人、物體、地點(diǎn)等. 這種視覺和分類工具被用作防止紫外線照射燒傷的一種措施，它通過檢測(cè)試劑附近是否有人存在，從而使試劑能夠關(guān)閉燈。同時(shí)，作為一種冗余保護(hù)措施，機(jī)器人有一個(gè) PIR 傳感器，可以檢測(cè)人體發(fā)出的運(yùn)動(dòng)和紅外輻射。因此，通過這兩個(gè)保護(hù)系統(tǒng)中的每一個(gè)的輸出，代理將有足夠的信息來(lái)停用紫外線燈。

機(jī)器人建造

這些機(jī)器人是使用帶有全向輪子的平臺(tái)建造的，以方便在復(fù)雜環(huán)境中導(dǎo)航。他們還有一個(gè)用于映射和導(dǎo)航的 YDLIDAR X4、一個(gè)用于改進(jìn)低級(jí)控制的 Arduino Mega 2560 和/或代理居住的 Raspberry Pi 4 或 Jetson Nano。圖 2 顯示了其中一種 3D 設(shè)計(jì)模型。

圖 3 顯示了廚房?jī)?nèi)機(jī)器人的 3D 表示。

圖 3，廚房機(jī)器人的 3D 模型

?

該機(jī)器人是易于修改和/或更新的模塊化機(jī)器人，可以改變燈的類型、高度等。在機(jī)器人的上部，紫外線燈是固定的，這將有助于消毒。由于家庭消毒的復(fù)雜性，燈可以45度角定向，360度旋轉(zhuǎn)。這使我們能夠?qū)撞炕蜃雷拥撞康葏^(qū)域進(jìn)行消毒（圖 4）。

圖 4，家中的紫外線機(jī)器人。

?

如上所述，機(jī)器人有兩個(gè)神經(jīng)計(jì)算機(jī)棒 2，它們使機(jī)器人能夠引入機(jī)器學(xué)習(xí)算法，使機(jī)器人能夠識(shí)別物體和/或在未來(lái)確定哪些物體更容易被污染，因此花費(fèi)更多時(shí)間在消毒過程中（圖5）。

圖 5，神經(jīng)計(jì)算機(jī)棒 2

?

圖 6 顯示了帶有 Sense-Hat 的機(jī)器人，使用其磁力計(jì)、陀螺儀和加速度計(jì)，使機(jī)器人能夠更好地導(dǎo)航和定位自己。所有這些在做地圖和 SLAM 時(shí)都非常重要。

圖 6，機(jī)器人及其感應(yīng)帽

?

為了實(shí)現(xiàn)這種導(dǎo)航，機(jī)器人必須有工具來(lái)檢測(cè)障礙物并將位置映射到其工作環(huán)境中的位置。為此目的，已加入激光雷達(dá)，使其能夠進(jìn)行 SLAM 制圖。圖 7 顯示了一個(gè)真實(shí)激光雷達(dá)獲得 SLAM 批準(zhǔn)的示例。

圖 7，使用 Ydlidar X4 的 SLAM

?

圖 8 顯示了機(jī)器人的下半部分，其中包含機(jī)器人中的每個(gè)元素，例如激光雷達(dá)、英特爾神經(jīng)計(jì)算機(jī)棒 2 以及使機(jī)器人工作的其他硬件。

圖 8，機(jī)器人底部。

?

軟件

所有機(jī)器人都在兩個(gè)級(jí)別進(jìn)行編程：基于 Arduino mega 2560 的最低級(jí)別使用 Arduino IDE 進(jìn)行編程，而頂級(jí)控制（即機(jī)器視覺、代理之間的消息傳遞或?qū)Ш剑┦褂?Python 3.7 進(jìn)行編程。此外，機(jī)器人可以使用 ROS 進(jìn)行控制，但是，這些原型是通過使用我目前正在開發(fā)的機(jī)器人控制和模擬工具來(lái)控制的，其中模擬和控制的核心是 Pybullet。這不僅可以控制機(jī)器人，還可以使用物理約束（重力、摩擦）或碰撞檢測(cè)進(jìn)行模擬。圖 9 顯示了廚房中的模擬，其中綠線代表機(jī)器人的虛擬激光雷達(dá)，藍(lán)色線代表激光雷達(dá)光束的碰撞。

圖 9，廚房模擬。

?

將模擬器集成到機(jī)器人控制系統(tǒng)中的優(yōu)點(diǎn)之一是，它可以制定最大化消毒過程的策略并確定燈的功率，如下圖 10 和 11 所示（激光雷達(dá)已停用）。

圖 10，廚房消毒過程的模擬

?

圖 11，廚房消毒過程的模擬。

?

如前所述，機(jī)器人有能力通過使用 OpenVino 系統(tǒng)及其兩個(gè)神經(jīng)棒 2 來(lái)識(shí)別物體。但是，它可以識(shí)別的物體數(shù)量將取決于不同的需求，即哪些物體最有可能具有高概率細(xì)菌、病毒或真菌污染。然后，消毒器可以通過評(píng)估哪些物體最容易受到影響來(lái)確定這些物體的紫外線照射時(shí)間是否增加。

這些可以是一些例子來(lái)說(shuō)明這個(gè)項(xiàng)目：

圖 12，機(jī)器人要分類的對(duì)象

?

必須為機(jī)器人創(chuàng)建數(shù)據(jù)集以識(shí)別這些對(duì)象。為了構(gòu)建這個(gè)數(shù)據(jù)集，我們自動(dòng)使用以下 Python 庫(kù)：Bing Image Downloader。要安裝這個(gè)庫(kù)，我們從命令終端輸入：pip install bing-image-downloader

一旦安裝了庫(kù)，我們要做的是從我們的數(shù)據(jù)集中下載圖像，在我們的例子中是：

0 Bottle
1 Cup
2 Person
3 Sink_Bathroom
4 Toilet

要進(jìn)行此下載，我們使用以下腳本：

from bing_image_downloader.bing_image_downloader.downloader import download

query_string = ["Person", "Unknow","Cup", "Toilet", "Sink_Bathroom", "Bottle"]

for i in query_string:
    download(i, limit=200, output_dir='dataset', adult_filter_off=True, force_replace=False)

這將創(chuàng)建一個(gè)名為 dataset 的文件夾，在該文件夾中，我們將找到一些帶有要分類的類名稱的子文件夾（圖 13）。

Figura 13, Subcarpetas creadas

?

到目前為止，我們已經(jīng)準(zhǔn)備好訓(xùn)練數(shù)據(jù)集。這個(gè)過程可以通過 Keras 和 Tensorflow 使用 MobileNet 網(wǎng)絡(luò)完成，或者我們可以使用工具可教機(jī)器在線執(zhí)行此類訓(xùn)練（圖 14）。

圖 14、teachablemachine

?

我們簡(jiǎn)單地添加類的數(shù)量并上傳每個(gè)類對(duì)應(yīng)的圖像并進(jìn)行訓(xùn)練。

訓(xùn)練過程的結(jié)果如下圖所示：

圖 15，歷元損失

?

圖 16，不同時(shí)期的精度

?

另一方面，圖16是應(yīng)用教學(xué)機(jī)得到的混淆矩陣，圖13是我的移動(dòng)網(wǎng)絡(luò)訓(xùn)練得到的混淆矩陣。

圖 17、teachablemachine 混淆矩陣

?

圖 18、mobilenet 混淆矩陣

?

我們可以觀察到兩個(gè)混淆矩陣之間存在一定的關(guān)系，但是，我的混淆矩陣在 0-1 之間進(jìn)行了歸一化。基于這些結(jié)果，我們可以得出結(jié)論，機(jī)器人將能夠識(shí)別用戶希望機(jī)器人投入更多時(shí)間進(jìn)行消毒的物體。

訓(xùn)練完模型后，下一步就是將其轉(zhuǎn)換為 Openvino 使用的格式。這個(gè)過程需要一些重要的步驟，第一個(gè)是安裝Openvino，我們參考Intel給出的說(shuō)明。安裝步驟因我們的操作系統(tǒng)而異（在我的情況下，我的操作系統(tǒng)是 Windows 10）。

安裝 Openvino 后，下一步就是創(chuàng)建通風(fēng)環(huán)境：

We create the environment: python3 -m venv openvino

We activate the environment: .\openvino\Scripts\activate

安裝后，下一步是查找 Openvino 已安裝的文件：

C:\Program Files (x86)\IntelSWTools\openvino\deployment_tools\model_optimizer\install_prerequisites

在環(huán)境中，它不允許我們以--user身份安裝必要的要求，因此我們修改文件。第一個(gè)是install_prerequisites我們查找單詞--user并將其刪除。一旦我們編輯了這個(gè)文件，我們就可以安裝先決條件。

安裝完所有內(nèi)容并且我們的模型為.h5格式后，接下來(lái)就是將此模型轉(zhuǎn)換為.pb模型。為此，我們使用以下代碼：

import tensorflow as tf
 from tensorflow.python.keras.models import load_model
 # Tensorflow 2.x
 from tensorflow.python.framework.convert_to_constants import convert_variables_to_constants_v2
 
model = load_model("../KerasCode/Models/keras_model.h5")
 
 # Convert Keras model to ConcreteFunction
 full_model = tf.function(lambda x: model(x))
full_model = full_model.get_concrete_function(
  tf.TensorSpec(model.inputs[0].shape, model.inputs[0].dtype))
 
 # Get frozen ConcreteFunction
 frozen_func = convert_variables_to_constants_v2(full_model)
frozen_func.graph.as_graph_def()
 
 # Print out model inputs and outputs
 print("Frozen model inputs: ", frozen_func.inputs)
 print("Frozen model outputs: ", frozen_func.outputs)
 
 # Save frozen graph to disk
 tf.io.write_graph(graph_or_graph_def=frozen_func.graph,
  logdir="./frozen_models",
  name="keras_model.pb",
   as_text=False)

這將返回一個(gè)文件“XXXX.pb”，好吧，接下來(lái)就是在安裝Openvino的文件夾中查找這個(gè)腳本mo_tf.py。一旦進(jìn)入這個(gè)文件夾，重要的是創(chuàng)建一個(gè)名為模型的文件夾（如果需要），并從命令終端（cmd），我們這樣寫：

python mo_tf.py --input_model model\keras_model.pb --input_shape [1,224,224,3] --output_dir model\

如果一切順利，我們將必須在此過程結(jié)束時(shí)擁有這些文件：

• keras_model.bin
• keras_model.mapping
• keras_model (XML)
• 標(biāo)簽.txt

?

?

?

?

1 / 9

?

?