基于STM32 的简易护理机器人设计

赵玲

（四川中医药高等专科学校，四川绵阳，261000）

0 引言

随着社会经济的发展，人们对于医学护理方面的需求也日趋提升。现在的护理工作主要靠医护人员来开展。就存在工作强度较高以及一定的感染风险等问题。因此，设计一种护理机器人，实现无人化的护理作业，可以有效解决上述问题，具有良好的应用价值。

就目前而言，国内许多机构在护理机器人领域开展了研究。2020 年，电子科技大学成都学院陈虹宇以人机工程学为基础，设计了一种穿戴式下肢复健辅助行走装置，用于脑卒中偏瘫患者的康复护理[1]；2021 年，江南大学姜智文通过构建人机力学模型，研究了仿人背抱机器人的主要设计因素[2]；2022 年，安徽理工大学毕亮亮团队采用TRIZ 发明原理，研发了一种多功能的辅助护理机器人[3]。从上述设计来看，对护理机器人的研发均达到了良好的效果，且解决了一定的问题。通过分析上述文献的研究方式可知，均是以提出问题－目标－功能研发为流程进行开展。由此可以说明，该研究方式对于护理机器人的结构、性能研发是比较有效的。因此，本文也以上述研究方式为依据，以STM32 为主控芯片，开发一种结构合理、系统稳定且具有简易护理功能的机器人。

1 系统的整体布局

本课题对于简易护理机器人的设计中，将到被护理人的常规需求作为设计的主要目标。因此，该护理机器人需要实现的目标有：喂餐、辅助翻身、中医推拿、人机交互等。要实现上述功能，系统完成各项功能所需要具备的模块如表1所示。

表1 功能与实现模块

由表1 所示的功能与模块对应图，护理机器人在运行时，主要通过信号采集、信号传输、发送指令信号指示各模块动作等流程来实现各项功能。因此，需要确定系统的主控芯片从而实现结构的完整性。因此，本文以STM32 为主控核心[4]，构建整个系统。系统的整体布局情况，如图1 所示。

图1 系统整体布局

2 系统的硬件设计

系统的整体布局完成之后，下一步就是对系统的硬件进行设计。具体操作为：（1）模块分析。对系统的各模块应用场景、要求等情况进行分析，为后续硬件的类型选择提供参考依据；（2）对系统的各部分确定合理的硬件类型（如：型号、参数、功能）；（3）设计各模块的硬件电路，即根据各模块的情况，搭建能够使其正常运行的电路。

■2.1 主控芯片的确定

护理机器人在运行中，需要具有以下几个性能：（1）系统的运行速度较快且稳定性要求较高；（2）在给被护理人喂饭、翻身、推拿等操作中，需要各种信号和指令即时、稳定传输才能确保一切工作有条不紊地进行，故主控芯片需要支持大量且高速的数据传输；（3）对于机器人在护理工作中，系统面对各种复杂的指令，具有良好的可靠性；（4）系统的功耗较低。根据上述性能，本文选择的主控芯片为STM32F407。该控制器兼具上述优点，同时还具有多样化的接口，可以满足护理机器人在不同场景下的使用需求，其丰富的外设，也能够使其应用在多种场合下[5]。STM32F407 的主要参数，如表2 所示。

表2 STM32F407部分主要参数

STM32F407 主控芯片的电路如图2 所示。

图2 STM32 主控芯片

■2.2 驱动模块的确定

就本课题而言，护理机器人由于需要满足一定的功能需求，故其机器人本体，设计为手臂式结构。考虑到机器人在不同场景的开展护理工作时，能够根据具体的情况来动作。且工作场景通常是在病房或室内，其地面较为平整，故行走机构设计为轮式。因此，该护理机器人的驱动模块主要体现在几个方面：（1）驱动机器人行走机构的驱动；（2）机械手臂的驱动。机器人的手臂包括大臂、小臂、关节、手腕，为实现翻身、喂饭、按摩等功能，需要对关节和手腕进行驱动。

当系统运行时，驱动模块的基本运行流程为：（1）系统获得指令，指示机器人进行某项动作（如给被护理人翻身）；（2）主控系统指示行走机构的驱动模块，机器人行走至给被护理人翻身的最佳位置；（3）主控系统指示关节、手腕的驱动模块动作，机械手臂开始运动，为被护理人翻身。

由于涉及的驱动模块较多，限于篇幅，本文仅以行走机构模块为例进行说明。从上述运行流程可知，机器人在工作场所中，行走的地面较为平坦，且行走距离较短，故驱动电机仅需要能够实现基本的运动需求即可。鉴于此，行走机构的驱动模块拟定为双驱动结构。驱动模块的电路设计如图3 所示。

图3 行走机构驱动模块

同理，根据关节、手腕驱动手臂的电磁转矩要求、构件的自由度、转速控制的效果等因素，实现相应驱动模块的设计。

■2.3 无线通信模块的确定

通常情况下，护理机器人的活动范围为室内，其整体的活动面积较小。因此，对于系统的无线通信模块设计中，由于蓝牙模块的有效作用范围为30 ～40 米，完全能够满足室内的使用。因此，本文的无线通信模块确定为蓝牙模块，基本类型为蓝牙5.0 Mesh 模块。部分主要参数如表3 所示。

表3 蓝牙5.0基本参数

■2.4 循迹模块的确定

对于护理机器人而言，其运动轨迹较为简单，仅在室内小范围运动。因此，在循迹模块设计中，除了为机器人规划合理的轨迹外，由于小范围活动区间存在大量的物品摆放以及人员走动，因此还要考虑的是避障问题。鉴于上述两点，本文在循迹模块的设计中，考虑到阳光和灯光对传感器的影响，采用红外传感器来实现机器人的循迹[6]。同时，采用超声波传感器对障碍物进行检测[7]，继而达到良好的循迹和避障效果。红外循迹模块如图4 所示，超声波避障模块如图5所示。

图4 红外循迹模块

图5 超声避障模块

■2.5 液晶显示模块的确定

液晶显示模块，是实现人机交互的媒介。即通过液晶显示器，显示系统的运行状态，包括：计时、驱动电机转速、电量、循迹模块工作状态显示以及发送指令等。在液晶显示模块的设计中，选择类型为OLED。原因在于，该显示模块即使没有背离灯光，也能够自主发亮，而且该模块具有较快的响应速度[8]。液晶显示模块的电路设计如图6 所示。

图6 液晶显示模块

3 系统的软件设计

■3.1 算法的确定

护理机器人在执行各项指令的时候，需要对被护理人的特征进行图像识别，例如：执行喂饭操作时，需要识别被护理人的面部，执行翻身操作时，需要识别被护理人的侧方位，以便能够在最佳位置完成上述动作。因此，在系统的软件设计中，主要是图像识别模块的软件设计。在本文的图像识别模块设计中，采用的方法为最大类间方差算法(OTSU 算法)。其主要原因在于：（1）计算速度较快。由于其本质是均值方差的计算，故整个计算过程比较简单，能够快速得到计算结果；（2）受环境影响因素较小。该算法受图片的亮度以及对比度等因素的影响比较小，具有良好的数字图像处理性能[10]。从原理上来说，该方法是一种能够确定图像的二值化分割阈值，将图像采集的目标和背景都达到较高的像素区分度[9]。类间方差表达式为[10]：

式中，1ω为背景像素占比；2ω为前景像素占比；µ为累积灰度值；1µ为前景平均灰度值；2µ为背景的平均灰度值。

对公示(1)进行简化，可得简化表达式[10]：

■3.2 分割处理系统设计方案

3.2.1 系统基本运行流程

护理机器人主要对被护理人进行识别，以便准确实现对应的护理动作。该图像处理模块主要分为5 个流程：（1）图像的选取；（2）平面图像处理；（3）图像预处理；（4）图像分割；（5）选择图像。在图像识别中，当摄像头拍摄照片后，按照上述步骤系统开始对平面图像进行处理，并将处理好的图像进行展示；随后，被选取的图像将被提取滤波器中，进行均衡化、线性变换以及降噪等处理，再利用OTSU 算法计算图像的最佳值，从而准确实现护理人（人脸、后背等位置）与背景的区分。以人脸识别为例，部分实现的代码如下：

mport cv2

img = cv2.imread(” face2.png” )

faceCascade = cv2.CascadeClassifier(” haarcascade_frontalface_default.xml” )

faces = faceCascade.detectMultiScale(img,1.3)

for (x, y, w, h) in faces:

cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 5)

cv2.imshow(” img” , img)

cv2.waitKey()

cv2.destroyAllWindows()

……

3.2.2 GUI 界面设计

系统的GUI 界面，即图形用户界面。其运行的基本原理为：系统的内部会把用户的指令转换成对应的代码信息。此时，GUI 程序开始运行，并创建对应的消息队列，程序将实时对队列中的消息进行处理。

在本文中，以人脸识别为例，GUI 界面里主要有五个部分：（1）图像的选取；（2）平面图像处理；（3）图像的预处理；（4）图像分割；（5）图像选择。如图所示，第一个按钮是实现图像选择的功能。当图像输入完成后，点击平面图像转化按键，系统便开始对输入的图像进行平面化处理。再通过预处理按键，对图像进行均衡化以及降噪等操作。随后，执行图像分割处理，即开始分割实现目标和非目标要素；最后将已经分割完成的人脸图像进行选择和确定。GUI界面的基本布局，如图7 所示。

图7 GUI 界面布局

■3.3 图像识别效果测试

图像识别的效果，主要通过识别率来判别。具体的操作方式为：确定图像识别的总目标数Fz 以及人工识别总数Fr，则识别率计算表达式为[11~12]：

考虑到护理机器人需要在喂饭、翻身以及按摩三个方面的护理，选取人脸、侧体位以及后背三个对象为识别目标，在保持室内光线充足的前提下，进行图像识别比较。以人体侧面为例，部分程序为：

import cv2

img = cv2.imread(” monitoring.jpg” )

bodyCascade = cv2.CascadeClassifier(” cascades\haarcascade_fullbody.xml” )

bodys = bodyCascade.detectMultiScale(img, 1.15, 4)

for (x, y, w, h) in bodys

cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 5)

……

图像识别效果如表4 所示。

表4 测试结果

从表4 所示的数据来看，在光线充足的条件下，人脸的识别率最高，因为人的脸部具有明显的特征，系统能够较容易地区分人脸与背景的差异；而侧体位识别率略低，通常智能通过手部特征来进行识别，而后背由于明显的特征较少，识别率也进一步降低。所以，OTSU 算法在计算中，对于特征明显的对象，具有非常高的识别精度，但缺乏明显特征的对象，图像识别的准确率会低一些。该实验结果也表明，在护理机器人设计中，可以在图像识别的基础上，再增加人工后台的运维和控制功能，例如：通过UI 设计，开发基于人机远程交互的App，通过手机指令动作，指示机器人的运行，这样便可以弥补系统的不足之处。

4 结论

对于简易护理机器人的设计而言，本文结合功能与设计模块相对应的情况，完成了以STM32 为主控制系统，驱动模块、无线通信模块、循迹模块等相关联的整体布局。在此基础上，完成了系统的硬件设计。并在软件设计中，采用OTSU 算法实现机器人的图像识别功能，从识别率测试来看，对特征不明显的对象识别，会存在识别率略低的情况。因此，下一步工作，通过开发人机交互App，通过人工运维与机器人智能化功能相结合的形式，达到优化护理机器人性能的目的。