一种机器人识别环境的方法及系统技术方案

本发明专利技术公开了一种机器人识别环境的方法及系统，其中该方法包括：采集外界环境的待测图像信息；将待测图像信息输入至预先训练的基于区域候选的卷积神经网络模型；获取卷积神经网络模型输出的与待测图像信息中每一个识别对象对应的包含该识别对象的每一个候选框的坐标值信息；基于每一个候选框的坐标值信息进行到达或避开该候选框包含的识别对象的路径规划。实验证明，本发明专利技术提供的一种机器人识别环境的方法利用基于区域候选的卷积神经网络模型提高了机器人对环境的识别准确度。综上所述，本发明专利技术提供的一种机器人识别环境的方法解决了如何提高机器人对环境的识别准确度的技术问题。

【技术实现步骤摘要】
一种机器人识别环境的方法及系统
本专利技术涉及机器人
，更具体地说，涉及一种机器人识别环境的方法及系统。
技术介绍
随着机器人技术的发展，越来越多的机器人进入餐厅等服务行业。由于餐厅等服务场所的环境比较复杂，所以需要机器人对环境有较高的识别准确度。现有的一种机器人识别环境的方法是工业机器人识别环境的方法，包括图像采集、图像处理、坐标提取、转化成机器人坐标、基于机器人坐标进行运动规划。然而，现有的工业机器人识别环境的方法对周边环境的识别度低，不适合应用到环境比较复杂的服务场所。综上所述，如何提高机器人对环境的识别准确度是目前本领域技术人员亟待解决的问题。
技术实现思路
本专利技术的目的是提供一种机器人识别环境的方法，其能解决如何提高机器人对环境的识别准确度的技术问题。本专利技术还提供了一种机器人识别环境的系统。为了实现上述目的，本专利技术提供如下技术方案：一种机器人识别环境的方法，包括：采集外界环境的待测图像信息；将所述待测图像信息输入至预先训练的基于区域候选的卷积神经网络模型；获取所述卷积神经网络模型输出的与所述待测图像信息中每一个识别对象对应的包含该识别对象的每一个候选框的坐标值信息；基于每一个所述候选框的坐标值信息进行到达或避开该候选框包含的识别对象的路径规划。优选的，所述预先训练基于区域候选的卷积神经网络模型，包括：按照预先设定的参数创建基于区域候选的卷积神经网络模型为当前神经网络模型；获取预设量的训练图像信息，并将所述训练图像信息输入至当前卷积神经网络模型；获取当前卷积神经网络模型输出的与所述训练图像信息中每一个测试对象对应的包含该测试对象的每一个候选框包含该测试对象的概率值；判断每一个所述候选框对应的概率值是否均大于预先设定的阈值，若是，则确定当前卷积神经网络模型为训练完成的卷积神经网络模型；若否，则调整当前卷积神经网络模型中的参数得到对应的卷积神经网络模型为当前卷积神经网络模型，执行所述将所述训练图像信息输入至当前卷积神经网络模型的步骤，直到每一个所述候选框对应的概率值均大于预先设定的阈值，则确定当前卷积神经网络模型为训练完成的卷积神经网络模型。优选的，所述采集外界环境的待测图像信息之后，所述将所述待测图像信息输入至基于区域候选的卷积神经网络模型之前，还包括：对所述待测图像信息进行归一化和图像增强处理。优选的，所述获取所述卷积神经网络模型输出的与所述待测图像信息中每一个识别对象对应的包含该识别对象的每一个候选框的坐标值信息，包括：获取所述卷积神经网络模型输出的与所述待测图像信息中每一个识别对象对应的包含该识别对象的每一个候选框的坐标值信息，所述候选框的形状包括矩形。本专利技术还提供了一种机器人识别环境的系统，包括：采集模块，用于采集外界环境的待测图像信息；输入模块，用于将所述待测图像信息输入至训练模块预先训练的基于区域候选的卷积神经网络模型；获取模块，用于获取所述卷积神经网络模型输出的与所述待测图像信息中每一个识别对象对应的包含该识别对象的每一个候选框的坐标值信息；规划模块，用于基于每一个所述候选框的坐标值信息进行到达或避开该候选框包含的识别对象的路径规划。优选的，还包括：训练模块，用于：按照预先设定的参数创建基于区域候选的卷积神经网络模型为当前卷积神经网络模型；获取预设量的训练图像信息，并将所述训练图像信息输入至当前卷积神经网络模型；获取当前卷积神经网络模型输出的与所述训练图像信息中每一个测试对象对应的包含该测试对象的每一个候选框包含该测试对象的概率值；判断每一个所述候选框对应的概率值是否均大于预先设定的阈值，若是，则确定当前卷积神经网络模型为训练完成的卷积神经网络模型；若否，则调整当前卷积神经网络模型中的参数得到对应的卷积神经网络模型为当前卷积神经网络模型，执行所述将所述训练图像信息输入至当前卷积神经网络模型的步骤，直到每一个所述候选框对应的概率值均大于预先设定的阈值，则确定当前卷积神经网络模型为训练完成的卷积神经网络模型。优选的，还包括：预处理模块，用于在所述采集模块采集外界环境的待测图像信息之后，所述输入模块将所述待测图像信息输入至训练模块预先训练的基于区域候选的卷积神经网络模型之前，对所述待测图像信息进行归一化和图像增强处理。优选的，所述获取模块包括：获取单元，用于获取所述卷积神经网络模型输出的与所述待测图像信息中每一个识别对象对应的包含该识别对象的每一个候选框的坐标值信息，所述候选框的形状包括矩形。本专利技术提供了一种机器人识别环境的方法，包括：采集外界环境的待测图像信息；将待测图像信息输入至预先训练的基于区域候选的卷积神经网络模型；获取卷积神经网络模型输出的与待测图像信息中每一个识别对象对应的包含该识别对象的每一个候选框的坐标值信息；基于每一个候选框的坐标值信息进行到达或避开该候选框包含的识别对象的路径规划。实验证明，本专利技术提供的一种机器人识别环境的方法利用基于区域候选的卷积神经网络模型提高了机器人对环境的识别准确度。综上所述，本专利技术提供的一种机器人识别环境的方法解决了如何提高机器人对环境的识别准确度的技术问题。本专利技术提供的一种机器人识别环境的系统也解决了相应的技术问题。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本专利技术实施例提供的一种机器人识别环境的方法的流程图；图2为本专利技术实施例提供的一种机器人识别环境的方法中预先训练基于区域候选的卷积神经网络模型的流程图；图3为实际应用中本专利技术提供的一种机器人识别环境的方法中机器人处理信息的流程图；图4为实际应用中本专利技术提供的一种机器人识别环境的方法的实现流程图；图5为本专利技术实施例提供的一种机器人识别环境的系统的结构示意图；图6为实际应用中可以实现本专利技术提供的一种机器人识别环境的系统的连接示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1，图1为本专利技术实施例提供的一种机器人识别环境的方法的流程图。本专利技术实施例提供的一种机器人识别环境的方法中各个步骤的动作执行主体可以为对应的机器人识别环境的系统，而该系统可以设置在机器人内，因此本专利技术所提供的一种机器人识别环境的方法中各个步骤的动作执行主体也可以为机器人，本专利技术在这里不做具体限定。为了描述方便，这里将各个动作的执行主体设定为机器人。本专利技术实施例提供的一种机器人识别环境的方法可以包括以下步骤：步骤S101：采集外界环境的待测图像信息。实际应用中，机器人一般根据周边环境的图像信息识别环境中的识别对象，所以需要先采集外界环境的待测图像信息。机器人可以通过自身安装的摄像头采集外界环境的待测图像信息，也可以通过雷达采集外界环境的待测图像信息，当然还可以有其他采集外界环境的待测图像信息的方法，本专利技术在这里不做具体限定。识别对象是指机器人所要识别的对象，比本文档来自技高网...

【技术保护点】
一种机器人识别环境的方法，其特征在于，包括：采集外界环境的待测图像信息；将所述待测图像信息输入至预先训练的基于区域候选的卷积神经网络模型；获取所述卷积神经网络模型输出的与所述待测图像信息中每一个识别对象对应的包含该识别对象的每一个候选框的坐标值信息；基于每一个所述候选框的坐标值信息进行到达或避开该候选框包含的识别对象的路径规划。

【技术特征摘要】
1.一种机器人识别环境的方法，其特征在于，包括：采集外界环境的待测图像信息；将所述待测图像信息输入至预先训练的基于区域候选的卷积神经网络模型；获取所述卷积神经网络模型输出的与所述待测图像信息中每一个识别对象对应的包含该识别对象的每一个候选框的坐标值信息；基于每一个所述候选框的坐标值信息进行到达或避开该候选框包含的识别对象的路径规划。2.根据权利要求1所述的方法，其特征在于，所述预先训练基于区域候选的卷积神经网络模型，包括：按照预先设定的参数创建基于区域候选的卷积神经网络模型为当前卷积神经网络模型；获取预设量的训练图像信息，并将所述训练图像信息输入至当前卷积神经网络模型；获取当前卷积神经网络模型输出的与所述训练图像信息中每一个测试对象对应的包含该测试对象的每一个候选框包含该测试对象的概率值；判断每一个所述候选框对应的概率值是否均大于预先设定的阈值，若是，则确定当前卷积神经网络模型为训练完成的卷积神经网络模型；若否，则调整当前卷积神经网络模型中的参数得到对应的卷积神经网络模型为当前卷积神经网络模型，执行所述将所述训练图像信息输入至当前卷积神经网络模型的步骤，直到每一个候选框对应的概率值均大于预先设定的阈值，则确定当前卷积神经网络模型为训练完成的卷积神经网络模型。3.根据权利要求2所述的方法，其特征在于，所述采集外界环境的待测图像信息之后，所述将所述待测图像信息输入至基于区域候选的卷积神经网络模型之前，还包括：对所述待测图像信息进行归一化和图像增强处理。4.根据权利要求3所述的方法，其特征在于，所述获取所述卷积神经网络模型输出的与所述待测图像信息中每一个识别对象对应的包含该识别对象的每一个候选框的坐标值信息，包括：获取所述卷积神经网络模型输出的与所述待测图像信息中每一个识别对象对应的包含该识别对象的每一个候选框的坐标值信息，所述候选框的形状包括矩形...

【专利技术属性】
技术研发人员：刘治，李家兴，章云，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44