基于柔性传感器阵列信号采集系统设计与应用

尹锡轩 李荣彬 郭伟东 牛鑫蕊 胡正发

关键词：柔性传感器；STM32单片机；信号采集；卷积神经网络

0 引言

在现代科技领域，柔性传感器具有灵活性强、适应性好、轻量化、低成本、易于集成、多功能性、低功耗和实时监测等诸多优点，使其逐渐成为各种应用中的重要组成部分。特别是柔性压力传感器在医疗、人机交互、工业自动化、机器人技术、智能穿戴等领域展示出了巨大的应用潜力[1-5]。然而，有效地采集和分析柔性压力传感器阵列所产生的复杂信号仍然是一个具有挑战性的任务。

为此，本文设计基于柔性压力传感器阵列的信号采集系统，该系统可以实现对复杂环境下的压力分布进行准确且实时的监测与分析。通过该系统，可以获取到关于物体表面压力分布的高分辨率信息，为人机交互、健康监测、运动分析等领域提供数据支持。

1 采集系统方案设计

本系统主要由外置的柔性压力传感器模块、信号采集器（下位机模块）、上位机模块和数据分析模块四部分组成。系统总体框架如图1所示。

柔性压力传感器通常由柔性材料制成，能够感知和测量外部施加的压力。它们能够灵活地安装在各种曲面或不规则表面上，用于监测和记录压力变化[6-9]。在本系统中，柔性压力传感器模块负责采集实时的压力数据，以便后续的分析和处理。信号采集器模块是连接到柔性压力传感器的硬件设备，负责接收传感器模块传来的数据，并将其转换为数字信号或其他可处理的形式。该模块包括模数转换（ADC） 电路、信号放大电路、滤波电路等，用于将传感器采集到的模拟信号转换成数字信号。信号采集器模块将数字信号传输给上位机模块进行进一步处理和分析。上位机是用于接收、处理和显示从信号采集器模块传输过来的数据的软件部分，使用户能够实时监测和分析压力数据。上位机模块可以提供图形化的界面、数据存储功能、实时显示以及数据导出等功能，以满足用户的需求。数据分析模块负责对从上位机模块接收到的压力数据进行进一步的处理、分析和挖掘。其主要目的是从大量的压力数据中提取有用的信息，并为用户提供洞察力和决策支持。

2 系统硬件设计

2.1 采集对象

系统的采集对象是一个集成了16个柔性压力传感器单元的4×4阵列柔性压力传感器。每个传感器单元由上下层柔性电极板和中间压敏材料组成，形成了一个灵活而敏感的结构。这种设计使得每个传感器单元能够独立地感知并测量其所在位置的压力变化，从而实现了对整个表面压力的高精度探测。当受到压力作用时，中间的压敏材料会产生变形，导致传感器单元的电阻随之变化。这种电阻的变化随着压力的增加而减少，通过柔性导线连接到信号采集器模块，将采集到的数据传输到上位机软件进行进一步处理和分析。其阵列结构如图2所示：

2.2 信号采集系统设计

系统的设计中，采用STM32F103R8T6作为主控芯片。STM32F103R8T6搭载了ARM Cortex-M3内核，这个处理器核心性能稳定可靠，能够提供足够的计算能力和处理速度，满足信号采集与分析系统的需求。同时，该芯片内置64KB Flash存储器和20KB SRAM，这提供了足够的存储空间，可以用于存储采集到的数据以及执行程序。其电路设计原理框图如图3所示：

在这个设计中，选用CD4051B八选一模拟开关电路实现4×4传感器阵列检测。STM32芯片通过控制CD4051B的使能端和地址选择端所连接的IO口输出高电平或低电平，从而控制传感器阵列行的通断。每行所连接的传感器单元通过CD4051B 的选择端与STM32相连，实现对特定传感器单元的选择。而各列则通过串联电阻与所通行形成串联分压电路，将传感器单元受到的压力转换为相应的电压信号。这些电压信号经过模拟开关电路后，传入STM32进行模拟到数字（AD） 转换。转换后的数字信号通过串口通信传输至上位机，以实现对各个阵列点的检测和监测。通过这种设计，可以实现对目标表面的多个点位进行高效、精准的数据采集，为后续的数据分析和处理提供了可靠的基础。

3 上位机软件

上位机软件在柔性压力传感器阵列信号采集与分析系统中扮演着重要角色，能够实时把接收的数据显示在用户界面上。为了实现与下位机的通信，上位机必须与下位机匹配波特率、数据位、停止位等串口通信参数。这一步骤的顺利完成是保证数据传输正常进行的关键。一旦连接成功，上位机将开始接收来自下位机的数据流。在上位机的用户界面中，这些数据以4×4阵列的形式实时显示。这种显示方式使用户能够直观地了解整个传感器阵列的压力分布情况，为后续的数据分析和处理提供了基础，其界面示意图如图4所示。

此外，为了更好地管理和利用这些数据，上位机软件还可以将接收到的数据存储在预先设置好的数据库中。这样一来，用户不仅可以实时监测数据，还可以对历史数据进行回溯和分析，从而更好地理解系统的运行情况，并做出相应的优化和改进措施。总体使用流程如图5所示。

4 采集系统在平整度检测上的应用

在工业生产和制造过程中，表面平整度的重要性不可忽视。无论是汽车外壳、飞机机身、电子设备外壳还是建筑物墙面，表面平整度都直接关系到产品的外观质量和功能性能。然而，传统的平整度检测方法往往存在诸多局限性，如耗费大量人力和时间、无法实时反馈等问题。针对这些挑战，基于柔性压力传感器阵列信号采集与分析系统成为一种创新解决方案。该系统将柔性压力传感器阵列布置在待检测的表面上，通过信号采集与分析技术实时记录数据，并将数据转换为平面受力的热力图，以图像的形式突出压力分布的特征。转换效果如图6所示。

当柔性传感器贴合面较为平整时，各个传感器单元受到的力较为均匀分布，因此生成的热力图在整体上呈现出颜色较为一致的特征，如图（a） 和（b） 所示。而当贴合面存在不平整或凹凸的情况时，各个传感器单元所受到的力会出现不均匀分布，导致热力图中出现明显的颜色差异，如图（c） 至（f） 所示。在热力图中，数据的数值大小决定了颜色的深浅程度，类似于记录温度时的原理，即记录到的压力数值越大，对应的颜色越深；而数值越小，则颜色越浅。这种可视化方式能够直观地反映出贴合面的平整度或凹凸程度，为进一步分析和处理提供了重要参考。

为了提高判断效率和节省生产过程中的人力成本，结合神经网络进行平整度检测，实现自动检测。该方法具有更高的客观性和准确性。神经网络能够通过大量数据学习到复杂的特征和模式，自主提取信息进行判断，避免了人为主观因素的影响，提高平整度检测的精度和效率，为生产过程提供更可靠的质量控制保障。

由于压力分布热力图的图像结构简单，特征较为突出明显，与字符图像类似，在此选用LeNet作为训练网络模型。相较于其他深层网络模型，LeNet网络结构简单而有效（深度较浅/模型复杂度较为简单），具有较好的特征提取能力，且能够避免深层网络模型因模型复杂度过高记住训练数据的所有细节而无法泛化到新数据上，进而出现过拟合使模型可靠性降低，预测能力大打折扣的问题，适用于对平整度进行判断。

通过卷积层提取原始图像的特征，随后利用池化层来减少特征图的尺寸，降低特征图的空间分辨率，以增强输入图像的平移不变性。在本次网络的池化层中，采用了最大池化的方式，其原理如图7所示。

通过多次线性变换、非线性变化和回归计算，提取出对应类别特征向量的特征值，最后输出两个分类的概率。采集到了2300组未测试的数据在训练好的模型上进行验证，正确率达到了92.8%。

5 总结

基于柔性压力传感器阵列信号采集系统设计结合LeNet神经网络实现平整度检测，是将传感器技术与深度学习相融合的创新工程。该系统以柔性压力传感器阵列为核心，实时采集目标表面的压力分布数据，通过LeNet神经网络进行分析和判断，以快速准确地检测表面平整度。柔性传感器阵列具备高灵敏度和灵活性，能够准确感知表面压力分布，为系统提供可靠的数据基础。LeNet神经网络作为关键算法，能够自动学习并提取压力数据中的特征，从而有效评估表面的平整度。系统设计还充分考虑了数据预处理、模型训练和评估等环节，通过归一化处理、噪声滤除等手段提高数据质量，优化LeNet网络参数以提高检测性能。综合而言，这一系统不仅实现了对表面平整度的快速准确检测，还具备广泛的应用前景，可在工业生产和制造领域提升生产效率、优化产品质量，实现智能化生产。