基于FDC2214分段線性回歸紙張識別裝置的設計

楊東興　劉春俠

摘 ?要：針對傳統紙張計數無法達到精準、無損、高效識別紙張數目的不足，設計了一款基于FDC2214分段線性回歸紙張識別裝置。該裝置采用平行板電容法原理，以STM32F103C8T6為主控單元、FDC2214電容傳感器和金屬板作為數據采集單元、以OLED屏幕作為顯示單元。通過數據采集單元對電容值進行采集，在MCU里利用分段式回歸算法進行運算實現訓練、識別。同時引入簡單機器學習算法進一步提高了整個裝置的穩定性和準確性。在數據處理時用卡爾曼濾波、溫度補償等算法進行誤差補償，提高了整個裝置抗干擾能力。該裝置在訓練模式下對紙張數目進行學習并對數據儲存，然后在測試模式下經過算法運算、數據比對從而準確輸出紙張數目。經過實驗證明，該裝置能夠達到準確、穩定、高效地輸出紙張數目。

關鍵詞：分段線性回歸算法;FDC2214;紙張識別;電容采集;卡爾曼濾波算法;溫度補償;機器學習

中圖分類號：TP181 文獻標志碼：A ? ? ? ? 文章編號：2095-2945（2020）31-0084-03

Abstract： Aiming at the situation that the shortage of traditional paper counting can not achieve accurate， lossless and efficient identification of paper number， a paper identification device based on FDC2214 piecewise linear regression is designed. The device adopts the principle of parallel plate capacitance method， with STM32F103C8T6 as the main control unit， FDC2214 capacitance sensor and metal plate as the data acquisition unit， and OLED screen as the display unit. The capacitance value is collected by the data acquisition unit， and the training and recognition are realized in MCU by using the subsection regression algorithm. At the same time， a simple machine learning algorithm is introduced to further improve the stability and accuracy of the whole device. In data processing， Kalman filter， temperature compensation and other algorithms are used for error compensation， which improves the anti-interference ability of the whole device. The device learns the number of paper and stores the data in the training mode， and then outputs the number of paper accurately through algorithm operation and data comparison in the test mode. The experiments show that the device can output the number of paper accurately， stably and efficiently.

Keywords： piecewise linear regression algorithm; FDC2214; paper identification; capacitance acquisition; Kalman filter algorithm; temperature compensation; machine learning

引言

隨著經濟和工業的快速發展，印刷、造紙行業對紙張計數也提出了更高的要求，精準識別紙張數目就顯得尤為重要。紙張計數經歷從最開始的人工計數到現在機械微控制計數。人工計數相對來說效率低、出錯率高，而機械微控制計數在計數的過程中可能會對紙張產生影響，造成紙張磨損等情況。當前驗鈔機就是機械微控制計數，在點鈔的時候會對紙張有磨損，甚至可能出現損傷紙張的情況。為了完善以上不足，設計出一款高效、準確、穩定的紙張識別裝置更符合現代潮流趨勢。本設計采用平行板電容法，通過改變放入兩極板中不同紙張會引起電容值改變的原理，設計出新的紙張識別裝置。該裝置可以用在銀行識別鈔票數目、造紙廠識別紙張數目等方面。

1 系統工作原理

本裝置采用平行板電容器法來進行測量：用兩片金屬片（50mm*50mm）作為信號采集的直接裝置，中間放入紙張進行測量。實驗原理通過C0=（H為極板間距，S為極板有效面積，ε為空氣相對介電常數，C0為實測電容值，ε0為真空介電常數），在控制變量法的原則下，當插入紙張數量不同，會引起兩極板間的介電常數ε會發生改變，從而得到的電容值的改變。用FDC2214電容數字轉化芯片作為信號采集的處理芯片，將實際電容值等效成一個高精度的數字電容值。當紙張放到兩極板之間后，在FDC2214芯片內部發生簡諧變化產生一個諧振頻率，通過計算將頻率轉化成一個等效電容值。

DATAx=

（DATAx：計算出的值，fSENSOR：傳感器得到的值，fREF：單片機提供參考頻率）

2 系統硬件設計

2.1 系統整體設計

在構建整個系統時，既要考慮到外界強電場、含鐵物質對該系統的影響又要兼顧該系統的可行性和獨特性。硬件機械裝置采用亞克力板和3D打印模型為主材料，下面是硬件機械裝置立體圖如圖1所示。硬件電路主要有以下部分構成：主控單元、信號采集單元、輸出顯示單元、操作單元，使用5V直流電源供電。系統結構框架圖如圖2所示。

2.2 主控MCU的選擇

本裝置主控MCU選擇STM32F103C8T6的32位單片機，最高主頻能達到72MHz，片內有128K的Flash和20KB的ROM，支持多種協議，內置資源豐富，具有低功耗、高性能、低成本完全適合本產品。

2.3 信號采集單元

信號采集單元由FDC2214電容數字轉換芯片、兩片（50mm*50mm）的錫紙片和SHT30傳感器組成。

FDC2214電容數字轉換芯片低功耗、高分辨率，多通道，采用EMI架構具有抗電磁干擾，即在高噪聲環境中也能維持性能的不變。FDC2214傳感器電路設計圖如圖3所示。

電容器極板采用兩片（50mm*50mm）錫紙片，經過實驗對比錫紙片比鐵片、銅片實驗效果更好一點，電容變化的范圍大，易于后期實驗數據的處理。

SHT30傳感器是一個高精度數字溫濕度傳感器，具有很高的可靠性和長期穩定性，響應迅速，抗干擾能力強。該傳感器在本系統中進行溫度補償，減小誤差的影響，提高整個裝置的精度。

3 系統軟件設計

3.1 實現功能

本裝置為紙張識別裝置，通過FDC2214電容數字轉化芯片和平行板電容器收集到電容值變化情況，進行紙張識別。在本系統中有兩個模式：訓練模式和測試模式。在訓練模式下，對不同紙張進行數據收集并記錄。訓練分為1-10張淺度訓練、11-20張中度訓練、20-30張深度訓練，總的訓練時間不超過4分鐘。在測試模式下，放入紙張進行測試，按下啟動鍵后，蜂鳴器響后，屏幕準確顯示紙張數目，整個過程不超過2秒。

3.2 實現算法

本系統使用的算法模型是在MATLAB軟件上通過多組數據進行擬合出來，分階段進行線性回歸擬合方程的算法，這樣既提高了輸出結果的準確率，又改進了單純查表法的一些弊端，進一步提高了整個系統的穩定性。

3.3 系統流程

如圖4所示是整個系統工作流程。

在使用前確定周圍環境盡量避開強電場，這樣降低環境中的干擾因素。在開機后，系統各項進行初始化后顯示開機界面，接著系統會判斷是否兩極板接觸短路，短路會報警蜂鳴器響起、屏幕提示。之后系統自校準進入訓練模式，進行對紙張的訓練，訓練紙張一般為1-20張紙，訓練結束后，數據集進行保存到MCU里。在自校準結束后，整個系統正常工作，可以開始正常測試。

3.4 數據處理

3.4.1 引入機器學習算法

在系統主要數據處理時時分為兩種模式：訓練模式和測試模式，第一次使用需要在訓練模式下進行1-20張紙的訓練，訓練后的數據集保存到MCU里，每次訓練都會產生新的數據集。在測試模式下會對測試結果進行抽樣，把抽樣值經過算法處理判斷是否記錄到新數據集里，進一步補充數據集的完整性，提高了本系統在工作環境中的準確性。

3.4.2 引入溫度補償算法

本裝置采用平板電容器電容法的原理進行紙張測量，在測量時外界環境會對實驗數據采集時有影響，為了降低溫濕度變化帶來的影響，本系統中引入溫度補償算法。

H（x）=A（f1（x））+B（f2（x））+C

H（x）：輸出溫度補償值;f1（x）、f2（x）：傳遞溫、濕度函數值;A、B：溫、濕度補償系數;C：系統誤差。

當溫濕度變化大時，會直接影響后期處理的結果，所以在不同溫濕度下進行補償，進一步提高系統輸出的準確率。

本系統中，數據集最大是15組，在訓練模式下的數據集會一直保存，若其他數據集大于14組，數據集會進一步更新。若超過訓練紙張數目，根據算法會進行判別記錄數據集，同時顯示輸出結果。采集數據處理圖如圖5所示。

3.4.3 數據誤差處理

本裝置對輸入信號的質量要求很高，在采集裝置到FDC2214采用時分復用兩路信號進行采集，在不同時刻進行數據采樣通過一階平滑濾波處理后，這樣間接消除單通道偶然因素影響，再通過卡爾曼濾波算法進一步消除系統中的噪聲和干擾，這樣處理后的數據可信度更高。數據誤差處理框圖如6所示。

3.5 實驗結果

經過測試，在1-50張紙的正確率為99.75%，在51-80張紙的正確率為98.62%，在81-150張紙的正確率為95.89%。下面表1展示出測試1-18張紙的數據變化，其中檢測電容值是通過系統處理后的值。實驗中測1-18張紙張的數據如表1所示。

4 結束語

本文提出基于FDC2214分段線性回歸紙張識別裝置設計，該裝置實現了紙張精準計數、快速識別、操作簡單，測量過程中不損傷紙張等特點，解決了人工計數效率低、出錯率大，機械計數對紙張磨損等問題。該裝置具有精度高、有制作成本低、操作簡單、低功耗等特點，有望在銀行、印刷業能夠廣泛應用。

參考文獻：

[1]郭霞，譚亞麗，申淼.基于FDC2214的手勢識別系統[J].傳感器與微系統，2018，37（12）：90-92.

[2]張輝，卜雯意，施豪.基于FDC2214電容傳感器的手勢識別裝置的設計與實現[J].巢湖學院學報，2018，20（06）：84-90.

[3]彭丁聰.卡爾曼濾波的基本原理及應用[J].軟件導刊，2009，8（11）：32-34.

[4]王玨，石純一.機器學習研究[J].廣西師范大學學報（自然科學版），2003（02）：1-15.