基于纹理表面接触加速度触觉信息的材质分析方法及装置制造方法及图纸

本发明专利技术提出的一种基于纹理表面接触的加速度触觉信息的材质识别方法，属于电子信息、人工智能、模式识别和机器学习领域。该方法首先将物品划分为不同材质细类，对每种材质细类选取相对应物品并采集三轴加速度数据构成训练样本数据集；对训练样本提取特征，得到每种材质细类的融合特征向量组成融合特征矩阵；利用该矩阵训练前馈神经网络后，采集待测物品的三轴加速度数据并提取特征，输入前馈神经网络，该网络预测输出矩阵中最大值对应的细类材质即为待测物品材质分析结果。该装置包括：振动感受体、数据采集模块和上位机。本发明专利技术通过获得商品材质表面纹理的接触加速度信息判断商品的材质，应用于互联网购物，简单准确有效地反映商品的真实情况。

Material analysis method and device based on contact acceleration tactile information of texture surface contact

The invention discloses a material recognition method based on acceleration and tactile information based on texture surface contact, which belongs to the field of electronic information, artificial intelligence, pattern recognition and machine learning. The article is divided into different types of fine material for each kind of fine material, the selection of the corresponding items and three axis acceleration data acquisition of training data set; feature extraction of training samples to obtain the fusion feature vector of each kind of material fine class composition fusion feature matrix; using the matrix of training a feedforward neural network. Three axis acceleration data acquisition test object and feature extraction, input feedforward neural network, the network of fine material prediction output matrix corresponding to the maximum value is the object to be measured material analysis results. The device consists of a vibratory receptor, a data acquisition module and a host computer. The invention judges the material quality of goods by obtaining the contact acceleration information of commodity material surface texture, and applies it to Internet shopping, which reflects the real situation of goods simply, accurately and effectively.

【技术实现步骤摘要】
基于纹理表面接触加速度触觉信息的材质分析方法及装置
本专利技术涉及一种基于纹理表面接触加速度触觉信息的材质分析方法及装置，属于电子信息、人工智能、模式识别和机器学习领域。
技术介绍
近年来，随着信息时代的到来和互联网技术的不断发展，人们越来越多的依赖于使用互联网进行商品购买，互联网购物虽然方便了人们的行为，但是人们往往只能通过商家提供的图片信息从视觉感官判断商品的材质，而图片信息往往不能完全反应出商品材质的准确信息。触觉是一种重要的知觉形式，与视觉相比，触觉可以获得更精细的纹理特性。材质表面的纹理是物体表面微观结构分布特征的体现。当人手与纹理表面接触时，会感觉到凹凸不平的触感及纹理触觉。依靠探知表面纹理特性即可获得对材质的分类。这方面的研究工作很多，依靠探知表面纹理特性来获得对材质的分类，一般需要通过刮插、滑动、磨蹭等操作获得振动信号，利用信号处理的方法对振动信息进行处理和分析。例如，文献“Vibrotactilerecognitionandcategorizationofsurfacesbyahumanoidrobot”利用5种刮擦动作识别了20种表面纹理；“Methodsforrobotictool-mediatedhapticsurfacerecognition”识别了15种表面材质；“Majorityvoting:materialclassificationbytactilesensingusingsurfacetexture”模拟人类的行为，通过多次接触，采用投票(majorityvoting)的方式识别了8类表面纹理。由此可见，触觉对于材质纹理的识别具有相当重要的意义。但目前，基于触觉信息的材质分析还停留在理论研究阶段，尚无一种明确的方法或装置能够应用于实际的商品材质分析。触觉传感器能够感知到很多视觉传感器难以感知，甚至无法感知到的材质信息。其按功能可分为接触觉传感器、力－力矩觉传感器、压觉传感器和滑觉传感器等，此外，加速度传感器也可作为一种触觉传感器感受纹理的振动信息。
技术实现思路
本专利技术的目的是为了克服网购时仅仅依靠视觉判断无法完全反应出商品材质的不足之处，提出一种基于纹理表面接触加速度触觉信息的材质分析方法及装置。本专利技术通过获得商品材质表面纹理的接触加速度信息判断商品的材质，应用于互联网购物，简单准确有效地反映商品的真实情况。本专利技术提出的一种基于纹理表面接触加速度信息的材质分析方法，包括以下步骤：1)材质分类；划分A大类材质，在每大类材质中选取B类具体物品，再将B类具体物品划分为C类细类材质，共划分得到M＝A×B×C种不同的细类材质；2)构建训练样本数据集；具体步骤如下：2-1)任意选取步骤1)确定的一种细类材质所属的具体物品，将该物品摆放平整后，数据采集人员使用振动感受体在该材质表面的随机1个地区进行滑动，滑动轨迹随机，力度范围为0-4N，采集振动感受体在该材质表面滑动时产生的三轴加速度数据，将采集到的三轴加速度数据发送至上位机进行存储，作为该细类材质的一个的训练样本；2-2)重复2-1)，对步骤2-1)选定的具体物品重复N次数据采集操作，并保存每次操作采集得到的三轴加速度数据，得到该细类材质的N个训练样本；2-3)重复步骤2-1)至步骤2-2)，对步骤1)确定的所有细类材质所属的具体物品分别采集相应的三轴加速度数据，每种细类材质分别得到N个训练样本，组成所有细类材质的训练样本数据集Rp代表第p个训练样本，P为训练样本数据集中训练样本的数量，P＝M×N个；3)对训练样本数据集进行处理并提取特征；3-1)对训练样本数据集中第p个训练样本Rp，该训练样本的三轴加速度数表示为对三轴加速度数据进行合成处理，合成之后得到一维加速度数据具体步骤如下：3-1-1)首先将三轴加速度数据进行离散傅立叶变换从时域变换到频域，变换之后记为求取复数的幅值的平方和并进行开方处理得到合成一维加速度数据的幅值信息表达式如式(1)所示：式中，f表示频率；3-1-2)分别求取复数和的实部和虚部，计算和的实部与虚部的商的反正切得到合成一维加速度数据的相位信息表达式如式(2)所示：根据式(1)和式(2)的结果，利用幅值信息和相位信息进行反傅立叶变换从频域变换到时域得到一维加速度数据的时域序列3-2)对步骤3-1)得到的一维加速度数据提取小波包分解各尺度能量特征和功率谱密度特征；具体步骤如下：3-2-1)对一维加速度数据进行小波包3层分解，尺度为2，提取小波包分解后各尺度能量信息，特征向量长度为23＝8维；小波分解过程中，一维加速度数据在希尔伯特空间L2(R)上的2范数定义为：式中，等价于一维加速度数据在时域的能量；假设小波包分解后第e层第f个频带的重构信号Def对应的能量为Eef，则有：式中，Q为一维加速度数据的长度，f＝0,1,2,...,2e-1,为分解频带的节点；|dfq|为重构信号Def的离散点幅值；使用分解频带的信号能量百分比作为反映不同材质表面振动加速度性质的特征向量，提取第p个训练样本的小波包分解各频带的信号能量百分比特征向量为X,其中，xpu表示第p个训练样本信号能量百分比特征向量X的第u维的值，U表示第p个训练样本信号能量百分比特征向量X的维数；3-2-2)提取一维加速度数据的功率谱密度特征并进行降维处理；首先对一维加速度数据分段，分段长度为L，共分为λ段，Q为一维加速度数据的长度，得到每段一维加速度数据记为1≤l≤L；令每段一维加速度数据重合一半，对每段一维加速度数据进行加窗处理后，每一段数据的功率谱表达式如下：式中，为归一化因子，σ表示角频率，γ表示每段一维加速度数据中第γ个数据点；对λ段功率谱进行平均，得到的功率谱估计表达式如下：使用主成分分析算法将式(6)得到的功率谱估计特征向量进行降维处理，将降维后的特征向量命名为PCA特征，第p个训练样本的PCA特征向量表示为Y,ypv表示第p个训练样本的PCA特征向量Y的第v维的值，V表示第p个训练样本的PCA特征向量Y的维数；3-3)使用典型相关分析算法将步骤3-2-1)得到的特征向量X和步骤3-2-2)得到的特征向量Y进行融合处理，得到第p个训练样本的融合特征向量Tp,其中，tpw表示融合特征向量Tp的第w维的值，W表示融合特征向量Tp的维数；第p个训练样本的标签向量记为Zp,zpm表示标签向量Zp的第m维的值,标签向量的维数对应训练样本数据集中细类材质的总数，共M维；3-4)重复步骤3-1)至步骤3-3)，得到所有训练样本对应的融合特征向量，组成所有训练样本的融合特征矩阵Tr,同时得到所有训练样本的标签矩阵4)使用极限学习机训练前馈神经网络；4-1)构建前馈神经网络；前馈神经网络包括输入层、隐含层和输出层三部分，每层包含相应神经元；设输入层包含I个神经元，隐含层包含H个神经元，输出层包含O个神经元，其中输入层神经元的个数I与步骤3-3)中得到的每个训练样本的融合特征向量的维数相等，则I＝W；输出层神经元的个数O与训练样本数据集中材质细类的总数相等，则O＝M；4-2)将步骤3-4)得到的融合特征矩阵Tr作为前馈神经网络的输入矩阵，表达式如下：将步骤3-4)得到的标签矩阵Zr作为前馈神经网络的实际输出矩阵，表达式如下：4-3)使用极限学习机训练本文档来自技高网...

【技术保护点】
一种基于纹理表面接触加速度信息的材质分析方法，包括以下步骤：1)材质分类；划分A大类材质，在每大类材质中选取B类具体物品，再将B类具体物品划分为C类细类材质，共划分得到M＝A×B×C种不同的细类材质；2)构建训练样本数据集；具体步骤如下：2‑1)任意选取步骤1)确定的一种细类材质所属的具体物品，将该物品摆放平整后，数据采集人员使用振动感受体在该材质表面的随机1个地区进行滑动，滑动轨迹随机，力度范围为0‑4N，采集振动感受体在该材质表面滑动时产生的三轴加速度数据，将采集到的三轴加速度数据发送至上位机进行存储，作为该细类材质的一个的训练样本；2‑2)重复2‑1)，对步骤2‑1)选定的具体物品重复N次数据采集操作，并保存每次操作采集得到的三轴加速度数据，得到该细类材质的N个训练样本；2‑3)重复步骤2‑1)至步骤2‑2)，对步骤1)确定的所有细类材质所属的具体物品分别采集相应的三轴加速度数据，每种细类材质分别得到N个训练样本，组成所有细类材质的训练样本数据集

【技术特征摘要】
1.一种基于纹理表面接触加速度信息的材质分析方法，包括以下步骤：1)材质分类；划分A大类材质，在每大类材质中选取B类具体物品，再将B类具体物品划分为C类细类材质，共划分得到M＝A×B×C种不同的细类材质；2)构建训练样本数据集；具体步骤如下：2-1)任意选取步骤1)确定的一种细类材质所属的具体物品，将该物品摆放平整后，数据采集人员使用振动感受体在该材质表面的随机1个地区进行滑动，滑动轨迹随机，力度范围为0-4N，采集振动感受体在该材质表面滑动时产生的三轴加速度数据，将采集到的三轴加速度数据发送至上位机进行存储，作为该细类材质的一个的训练样本；2-2)重复2-1)，对步骤2-1)选定的具体物品重复N次数据采集操作，并保存每次操作采集得到的三轴加速度数据，得到该细类材质的N个训练样本；2-3)重复步骤2-1)至步骤2-2)，对步骤1)确定的所有细类材质所属的具体物品分别采集相应的三轴加速度数据，每种细类材质分别得到N个训练样本，组成所有细类材质的训练样本数据集Rp代表第p个训练样本，P为训练样本数据集中训练样本的数量，P＝M×N个；3)对训练样本数据集进行处理并提取特征；3-1)对训练样本数据集中第p个训练样本Rp，该训练样本的三轴加速度数表示为对三轴加速度数据进行合成处理，合成之后得到一维加速度数据具体步骤如下：3-1-1)首先将三轴加速度数据进行离散傅立叶变换从时域变换到频域，变换之后记为求取复数的幅值的平方和并进行开方处理得到合成一维加速度数据的幅值信息表达式如式(1)所示：式中，f表示频率；3-1-2)分别求取复数和的实部和虚部，计算和的实部与虚部的商的反正切得到合成一维加速度数据的相位信息表达式如式(2)所示：根据式(1)和式(2)的结果，利用幅值信息和相位信息进行反傅立叶变换从频域变换到时域得到一维加速度数据的时域序列3-2)对步骤3-1)得到的一维加速度数据提取小波包分解各尺度能量特征和功率谱密度特征；具体步骤如下：3-2-1)对一维加速度数据进行小波包3层分解，尺度为2，提取小波包分解后各尺度能量信息，特征向量长度为23＝8维；小波分解过程中，一维加速度数据在希尔伯特空间L2(R)上的2范数定义为：式中，等价于一维加速度数据在时域的能量；假设小波包分解后第e层第f个频带的重构信号Def对应的能量为Eef，则有：式中，Q为一维加速度数据的长度，f＝0,1,2,...,2e-1,为分解频带的节点；|dfq|为重构信号Def的离散点幅值；使用分解频带的信号能量百分比作为反映不同材质表面振动加速度性质的特征向量，提取第p个训练样本的小波包分解各频带的信号能量百分比特征向量为X,其中，xpu表示第p个训练样本信号能量百分比特征向量X的第u维的值，U表示第p个训练样本信号能量百分比特征向量X的维数；3-2-2)提取一维加速度数据的功率谱密度特征并进行降维处理；首先对一维加速度数据分段，分段长度为L，共分为λ段，Q为一维加速度数据的长度，得到每段一维加速度数据记为令每段一维加速度数据重合一半，对每段一维加速度数据进行加窗处理后，每一段数据的功率谱表达式如下：式中，为归一化因子，σ表示角频率，γ表示每段一维加速度数据中第γ个数据点；对λ段功率谱进行平均，得到的功率谱估计表达式如下：使用主成分分析算法将式(6)得到的功率谱估计特征向量进行降维处理，将降维后的特征向量命名为PCA特征，第p个训练样本的PCA特征向量表示为Y,ypv表示第p个训练样本的PCA特征向量Y的第v维的值，V表示第p个训练样本的PCA特征向量Y的维数；3-3)使用典型相关分析算法将步骤3-2-1)得到的特征向量X和步骤3-2-2)得到的特征向量Y进行融合处理，得到第p个训练样本的融合特征向量Tp,其中，tpw表示融合特征向量Tp的第w维的值，W表示融合特征向量Tp的维数；第p个训练样本的标签向量记为Zp,zpm表示标签向量Zp的第m维的值,标签向量的维数对应训练样本数据集中细类材质的总数，共M维；3-4)重复步骤3-1)至步骤3-3)，得到所有训练样本对应的融合特征向量，组成所有训练样本的融合特征矩阵Tr,同时得到所有训练样本的标签矩阵4)使用极限学习机训练前馈神经网络；4-1)构建前馈神经网络；前馈神经网络包括输入层、隐含层和输出层三部分，每层包含相应神经元；设输入层包含I个神经元，隐含层包含H个神经元，输出层包含O个神经元，其中输入层神经元的个数I与步骤3-3)中得到的每个训练样本的融合特征向量的维数相等，则I＝W；输出层神经元的个数O与训练样本数据集中材质细类的总数相等，则O＝M；4-2)将步骤3-4)得到的融合特征矩阵Tr作为前馈神经网络的输入矩阵，表达...

【专利技术属性】
技术研发人员：刘华平，刘晓楠，孙富春，方静，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11