基于Arduino的货车油箱防盗系统

杨皓程，杜芊芊，唐秀昌，胡琦瑶

（1.西北大学 信息科学与技术学院，陕西 西安 710127；2.西北大学 数学学院，陕西 西安 710127）

0 引 言

我国幅员辽阔，公路运输业已成为我国国民经济赖以生存和发展的命脉。2014—2018年间，我国公路货运总量增长了近30%；2017年，我国物流业社会物流总额达到252.8万亿元，货运量达到479亿吨，快递业务量突破400亿件。货车司机在运输途中经常在安保措施较为薄弱的高速公路、国道服务区和偏僻的公路停车场停车休息。不法分子借机对货车油箱进行盗窃，3 min就可偷走200 L柴油，造成巨大的经济损失。本文设计了一种基于Arduino的货车油箱防盗系统，可以为长期奔波在外的货车司机提供财产安全保障。

1 整体架构

本文设计的油箱防盗系统下位机基于Arduino嵌入式开发板，使用搭载安可信高清摄像机模块的ESP32-CAM开发板作为视频采集模块，用谐振式水深传感器模拟货车油表。上位机则由服务端和客户端组成。服务端用于接收下位机上传的图片信息并判断周围环境是否存在危险，同时为客户端传输摄像头所发送的图像。货车司机可以在服务端判定当前环境存在危险时收到提醒，同时也可以控制摄像头转向查看货车周围环境并使用声光报警系统对不法分子进行驱赶。系统整体架构如图1所示。

图1 系统整体架构

ESP32-CAM模块被安装在油箱顶部的舵机上，通过通用异步收发器与Arduino进行通信。同时，液位传感器所收集到的油量信息也通过串口传输至Arduino开发板，经换算处理后与实时环境图像信息一同传递至上位机服务器。

当位于下位机的HC-SR501人体红外传感器探测到周围环境有人通过时，摄像头开始向服务器的识别程序定时发送环境图片。当程序无法完全准确判断时，可以控制舵机旋转以获得多个角度的环境图像进行综合判断。一旦发现可疑人员和可疑物品，则向客户端发送警告，并同时发出声光报警进行驱赶操作。当车辆油量异常下降时，也会通过服务端向用户报告情况，做到提前判断和事后判断相结合，有效减少司机损失，大大提高运输安全性。

2 系统硬件设计

2.1 数据采集

本方案采用基于ATMEGA 2560芯片的Arduino微控制器，其拥有多达54路的数字输入输出，符合需大量I/O接口的设计需求，且后期的功能扩展性也尤为突出。其中16路可作为PWM输出，另有16 路模拟输入，4 路UART接口，1个16 MHz晶体振荡器，并可兼容ArduinoUNO设计的扩展板。完全可以满足本方案需求。

由于Arduino只有8 KB的SRAM，无法满足图片存储、发送的需求，故采用带有4MPSRAM的ESP32-CAM开发板作为WiFi和高清摄像头模块。ESP32开发板模块采用体积小的803.11b/g/n WiFi+BT/BLE Soc模块，其低功耗双核CPU主频可达240 MHz，可满足高清视频传输需求。

本文将使用上述两模块完成以下功能：

（1）使用OV2640摄像头模块进行高清图像采集。

（2）使用UART接收来自谐振式液位传感器的油量信息。

（3）使用ESP32自带的WiFi模块通过TCP-IP协议向上位机服务器传输实时图像，方便进一步处理。

（4）使用PWM输出控制舵机使摄像头可以进行多角度采集。

（5）使用GPIO控制声光报警系统。

2.2 数据传输

本文使用HTTP协议与上位机服务器进行通信。首先，OV2640模块和液位传感器采集到的信息将存储在PSRAM中。然后，使用wifi.begin（）函数启动ESP32的网络服务功能；循环使用server.handleClient（）函数检查上位机是否发送HTTP请求。如果收到请求，则将图片和液位信息以字符串的形式发送。

服务器使用Python语言中的request库进行数据收发，定时向ESP32模块所在的IP地址发送请求以得到数据。

2.3 谐振式液位传感器

为测量卡车油箱中液位情况，本文使用谐振式水位传感器（如图2所示），用水压气管的空气压力大小判断水位高低。通过引入嘴进入传感器气室，气室上面是封闭的，与水位成正比的气压被传到隔膜上；导板嵌装在隔膜上，当水位上升时，气压增大，导板向上移动，当水位下降时，气压降低，导板向下移动。导板移动会导致传感器中电感线圈磁通量增大。根据式（1）所示的电容电感并联谐振频率公式，并经单片机处理后判定水位高低。

图2 谐振式水位传感器

3 系统软件设计

3.1 基于深度学习的图像识别系统

为了识别停车环境下的可疑人员和可疑物品，本文采用基于YOLO算法的深度学习框架进行目标识别。与R-CNN、Fast R-CNN等将检测内容分为物体类别（分类）、物体位置（回归）的网络相比，YOLO将物体检测作为回归问题求解，训练和检测都在同一个网络中运行，故得到了百倍于其他神经网络的识别速度。直接从图片像素出发，得到分类和概率。YOLO的算法流程如图3所示，其特征提取主要步骤如下：

图3 YOLO算法流程

（1）将输入图像划分为×个均等大小的格子，每个格子负责检测此格子中存在的物体。

（2）假如被测物体中心恰好落在格子中，方格将预测并提取目标特征。每一个方格会预测出个包含物体的矩形区域（Bounding box）信息和个物体属于某类别的置信度（准确率）。Bounding box信息包含物体边界框的中心坐标(,)、边界框高度与宽度(,)和置信度。代表预测边界框和标签边界框的IOU（Intersection Over Union）与目标存在概率的乘积。

YOLO算法是将目标检测看成回归问题，所以它采用的是均方差损失函数，最简单的为平方差损失函数，即（预测坐标-实际坐标）+（预测概率-实际概率）。损失函数如下：

Loss由坐标误差、IOU误差、分类误差组成，表达式分别为：

相对于基于region proposal的Fast R-CNN等传统物体识别算法，YOLO将物体检测作为回归问题进行求解，在保证准确率的情况下获得了较高的检测速度。同时，由于YOLO在推理和训练的过程中可以一次性得到整张图的信息，YOLO的背景误检率低；而基于region proposal的诸多检测算法均采用“滑动检测”，即一次只能得到候选框中部分信息，容易将背景（非物体）误检为物体。货车停车环境复杂，使用YOLO可以大大降低误检率。

3.2 模型训练

本文采用Keras框架训练出可以检测人和部分偷油工具的YOLOv3模型。

本文以偷油常见工具PVC软管、面包车和人作为样本进行训练。通过request库爬取相关图片并进行筛选。收集输油管、车、人的图片共672张。

由于原始数据较少，为提高训练效果，需要对原始数据进行预处理。首先，将图片统一裁剪；之后，对图片分别进行剪裁、旋转；最后，标记图片中待检对象，转换为VOC2007格式并进行归一化处理。

将darknet版本的YOLO model进行适当的修改后（降低filter层以适应更少种类的检测）转换为Keras model；然后，导入预处理完成的图片，随机划分训练集、测试集、验证集，使用GPU进行训练，根据数据情况将训练次数设为1 000次。如图4所示，经过训练，Loss稳定在20左右，模型收敛，基本满足使用要求。图5和图6是对输油管、面包车和人的识别结果。

图4 训练次数与损失的关系

图5 输油管识别结果

图6 面包车和人的识别结果

3.3 下位机程序设计

当系统开机布防后，将使用digitalRead（）函数获取人体红外传感器返回的信号；也会通过Serial1.read（）函数实时读取油箱液位数据。当判断有人经过时，启动ESP32-CAM摄像机模块对周围环境进行取景；同时使用analogWrite（）函数输出PWM方波控制舵机转动，将四周的环境图像通过TCP协议传输至服务器。当收到服务器判断环境危险或油箱液位在短时间内快速下降的信息后，启动声光报警系统。

3.4 手机端程序设计

本文使用HTML5+JavaScript开发WebAPP，并通过Android SDK中的WebView组件将HTML打包为APP。APP通过TCP协议与服务器进行通信，实现过程分为4个步骤：建立Socket 对象，通过IP与端口连接；创建接收与发送的资源配置；建立监听循环机制；跳出循环关闭连接。

APP实现的具体功能如下：

（1）可以实时查看货车油箱周围环境图像、剩余油量。

（2）当服务器端检测到货车周围环境存在危险时，及时向用户推送通知并回传环境图像。

图7和图8为软件程序在不同环境下的运行状态展示。

图7 环境安全时程序运行状态

图8 环境危险时程序运行状态

4 结 语

本文设计了一种基于Arduino的货车油箱防盗系统，其上位机由服务器和手机APP组成，下位机由Arduino及配套的ESP32-CAM模块、谐振式水位传感器模块、声光报警模块、红外传感模块组成。通过OV2640摄像头采集图像数据、谐振式水位传感器采集油量信息并通过ESP32上传至服务器进行识别，判断周围环境是否安全，并在发现可疑人员和物品或油箱油量短时间内大量减少时启用声光报警系统并通知车主。与市面上同类产品相比，具有智能化程度高、可以提前预测等优点，较大程度上避免损失，拥有广阔的市场前景。