基于蝙蝠算法优化BP神经网络双目视觉标定制造技术

本发明专利技术视觉测量双目标定方法属于光学测量与视觉检测领域；该方法包括以下几个步骤：确定BP神经网络隐含层层数、输入输出节点等初始参数；利用经验公式确定隐含层节点数范围，通过单因素方差分析法确定最佳隐含层节点数；根据蝙蝠算法回声定位原理，对BP神经网络的权重与偏置进行最优选取，确定最佳权重与偏置值；确定BP神经网络结构的各参数值，使像素点数据分布学习物方点数据分布，完成标定。本发明专利技术方法通过单因素方差分析法确定隐含层节点数并计算每一个神经网络在训练集上产生的误差,以训练集上产生的误差作为蝙蝠算法的适应度函数，利用蝙蝠算法控制参数少、优化精度和搜索精度高、鲁棒性强的特点，对其选取最佳的初始权重与偏置，解决了当前BP神经网络标定方法隐含层节点数无法确定、易陷入局部最优且收敛速度慢的问题。

Optimizing BP Neural Network Binocular Vision Calibration Based on Bat Algorithms

The double-target determination method for visual measurement belongs to the field of optical measurement and visual detection. The method includes the following steps: determining the initial parameters of BP neural network, such as hidden layer number, input and output nodes; determining the range of hidden layer nodes by empirical formula, and determining the optimal number of hidden layer nodes by single-factor variance analysis; and locating BP by echo location principle of bat algorithm. The weights and biases of the neural network are selected optimally to determine the optimal weights and biases. The parameters of the BP neural network structure are determined to make the pixel data distribution learn the object data distribution and complete the calibration. The method of the invention determines the number of hidden layer nodes by one-factor variance analysis method and calculates the errors produced by each neural network on the training set. The errors generated by the training set are taken as the fitness function of the bat algorithm. By utilizing the characteristics of the bat algorithm, such as fewer control parameters, high optimization accuracy, high search accuracy and strong robustness, the optimal initial weights and biases are selected to solve the problem properly. Pre-BP neural network calibration method has the problems of undetermined number of hidden layer nodes, easy to fall into local optimum and slow convergence speed.

【技术实现步骤摘要】
基于蝙蝠算法优化BP神经网络双目视觉标定
本专利技术属于光学测量与视觉检测领域，具体涉及一种蝙蝠算法优化BP神经网络双目视觉标定方法。
技术介绍
近年来，机器视觉与视觉检测技术已经应用在许多领域中，如大型零部件测量、工业流水线检测等领域，视觉检测不但能减少人工费用，同时也能提高检测精度，避免了由检测人员产生的过失误差。在通常的大型结构视觉标定研究中，研究重心主要放在构建复杂的数学模型的理论上，而摄像机标定的本质是使得像素点与物方点对应，其标定过程中的内参数是非线性函数，当求解非线性函数时采用数学模型的方法计算量大且标定精度不高。因此，在视觉标定中，有必要寻找到一种即能够避免复杂的计算又能保证精度的标定方法。为了实现更有效、快速、精确的标定方法，本次专利技术提出一种基于蝙蝠算法优化的BP神经网络的双目视觉标定，蝙蝠算法具有结构简单、参数少、鲁棒性强、易于理解和实现等优点，将蝙蝠算法应用于神经网络优化中，效果更加明显。
技术实现思路
针对上述问题，本专利技术公开了一种基于蝙蝠算法优化BP神经网络双目视觉标定方法，该专利技术包括测量任务与目标分析，每个环节都对视觉标定的稳定性、精准度与通用性等方面产生影响。本专利技术的目的是这样实现的：基于蝙蝠优化BP神经网络双目视觉标定方法，其特征在于包括以下步骤：步骤a：确定BP神经网络隐含层层数、输入、输出节点数；步骤b：利用经验公式确定隐含层节点数范围，通过单因素方差分析法确定最佳隐含层节点数；步骤c：利用蝙蝠算法对BP神经网络的权重与偏置选取最优值；步骤d：确定BP神经网络结构的各参数值，使像素点数据分布学习物方点数据分布，完成标定。上述蝙蝠算法优化BP神经网络双目视觉标定方法，所述步骤a具体为：建立四种不同层数的BP神经网络双目视觉模型，采用实验法确定BP神经网络最佳的隐含层层数为3。根据双目视觉标定模型，如下所示，确定双目视觉标定时像素点为4个，物方点为3个。在上式中i为摄像机的数量，1≤i≤2，i∈Z+，f为摄像机的焦距，ri、Ti为世界坐标系到两台摄像机坐标系转换的旋转矩阵与平移矩阵，u0i、v0i是图像坐标系原点在像素坐标系中的坐标，dx、dy分别是像素坐标系在X方向和Y方向相邻像素间的距离。上述蝙蝠算法优化BP神经网络双目视觉标定方法，所述步骤b具体为：BP神经网络视觉标定中隐含层节点数范围确定公式为经验公式，是：其中n为输入层节点数，m为输出层节点数、L为隐含层节点数，a为常数。BP神经网络视觉标定中隐含层节点确定方法为单因素方差分析法，分布函数为F分布，是：其中S1、S2为比较的两个样本间的标准差，k为第一组样本中的自由度，m为第二组样本的自由度。单因素方差分析的样本为BP神经网络的性能参数，是：(1)迭代次数；(2)运行时间；(3)标定误差。上述蝙蝠算法优化BP神经网络双目视觉标定方法，所述步骤c具体为：应用蝙蝠算法对神经网络视觉标定进行优化时，选择训练数据，产生输入层和隐含层之间的权值Wij与阀值bj，设定蝙蝠数量M、蝙蝠个体i、最大脉冲频度R(i)和最大脉冲声音强度A(i)，蝙蝠频度增加系数设为γ、声音强度衰减系数α、最大迭代次数Nmax和搜索精度ε，随机初始化蝙蝠个体所在位置xi(i＝1，2,…,M)，并搜寻位于最佳位置x*蝙蝠个体；生成随机数R1，假如R1小于R(i)时，利用vt+1i＝vti+(xti-*x)Qi更新蝙蝠当前位置，其中Qi表示第i只蝙蝠发出的声波，vti表示在t时刻第i只蝙蝠的速度，xti表示在t时刻第i只蝙蝠的位置；否则对蝙蝠当前位置进行扰动，扰动后位置代替当前位置；生成随机数R2，假定R2小于A(i)同时蝙蝠当前位置得到优化和改变，那么蝙蝠个体飞至更新后的位置；假如更新位置后蝙蝠个体i优于个体中最佳蝙蝠，那么更换掉目前的最佳蝙蝠个体，并根据公式At+1(i)＝αAt(i)与Rt+1(i)＝R0(i)×(1-e-γt)调整蝙蝠脉冲频度R(i)和脉冲音强A(i)；经过一段时间运行，对新的蝙蝠群体进行评估判定，找出当前位置最佳蝙蝠个体及对应地最优位置；输出函数全局最优解和最优个体值，输出函数的全局最优解，作为BP神经网络的权值和阀值。上述蝙蝠算法优化BP神经网络双目视觉标定方法，所述步骤d具体为：蝙蝠算法优化BP神经网络视觉标定中隐含层激活函数为对数几率函数，是：蝙蝠算法优化BP神经网络视觉标定中训练方法为最速下降法，其作用是:通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。蝙蝠算法优化BP神经网络视觉标定中学习速率选取原则为经验选取原则，学习率越小，学习会越精细，但同时学习速度也会降低，学习率越大，学习速度会越快，但同时学习精度也会降低。有益效果：本专利技术提出了一种蝙蝠算法优化的BP神经网络双目视觉标定方法，研究了神经网络标定方法的隐含层节点数确定原则与蝙蝠算法对BP神经网络的权值与阀值的最优选取问题，考虑了神经网络误差作为蝙蝠算法的适应度，应用智能算法与BP神经网络结构的特点，完成对双目视觉高精度标定。本专利技术解决了当前BP神经网络标定隐含层节点数无法具体确定、运行时易陷入局部最优且收敛速度慢的问题，通过本专利技术的方法可以实现视觉标定的准确性与快速性，为实现大尺寸装备的视觉标定研究奠定了基础。附图说明图1是本专利技术基于蝙蝠算法优化BP神经网络双目视觉标定的算法流程图；图2是本专利技术基于蝙蝠算法优化BP神经网络双目视觉标定的结构图；图3是本专利技术仿真所用棋格盘角点提取图；图4是本专利技术单因素方差分析法所用均值处理后的数据示意图；图5是本专利技术BA-BP(a)与BP-NN(b)的均方误差对比图。具体实施方式下面结合附图对本专利技术的具体实施方式作进一步详细描述。具体实施例一本实施例的蝙蝠算法优化BP神经网络标定方法，流程图如图1所示，该方法包括以下步骤：步骤a：确定BP神经网络隐含层层数、输入、输出节点数；步骤b：利用经验公式确定隐含层节点数范围，通过单因素方差分析法确定最佳隐含层节点数；步骤c：利用蝙蝠算法对BP神经网络的权重与偏置选取最优值；步骤d：确定BP神经网络结构的各参数值，使像素点数据分布学习物方点数据分布，完成标定。具体实施例二本实例的蝙蝠算法优化BP神经网络标定方法，在具体实施例一的基础上，进一步限定步骤a、步骤b、步骤c、步骤d的具体操作步骤。其中：所述步骤a具体为：建立四种不同层数的BP神经网络双目视觉模型，采用实验法确定BP神经网络最佳的隐含层层数为3。根据双目视觉标定模型，如下所示，确定双目视觉标定时像素点为4个，物方点为3个。在上式中i为摄像机的数量，1≤i≤2，i∈Z+，f为摄像机的焦距，ri、Ti为世界坐标系到两台摄像机坐标系转换的旋转矩阵与平移矩阵，u0i、v0i是图像坐标系原点在像素坐标系中的坐标，dx、dy分别是像素坐标系在X方向和Y方向相邻像素间的距离。所述步骤b具体为：BP神经网络视觉标定中隐含层节点数范围确定公式为经验公式，是：其中n为输入层节点数，m为输出层节点数、L为隐含层节点数，a为常数。BP神经网络视觉标定中隐含层节点确定方法为单因素方差分析法，分布函数为F分布，是：其中S1、S2为比较的两个样本间的标准差，k为第一组样本中的自由度，m为第二组样本的自由度。单因素方差分析的样本为BP神经本文档来自技高网...

【技术保护点】
1.基于蝙蝠优化BP神经网络双目视觉标定方法，其特征在于包括以下步骤：步骤a：确定BP神经网络隐含层层数、输入、输出节点数；步骤b：利用经验公式确定隐含层节点数范围，通过单因素方差分析法确定最佳隐含层节点数；步骤c：利用蝙蝠算法对BP神经网络的权重与偏置选取最优值；步骤d：确定BP神经网络结构的各参数值，使像素点数据分布学习物方点数据分布，完成标定。

【技术特征摘要】
1.基于蝙蝠优化BP神经网络双目视觉标定方法，其特征在于包括以下步骤：步骤a：确定BP神经网络隐含层层数、输入、输出节点数；步骤b：利用经验公式确定隐含层节点数范围，通过单因素方差分析法确定最佳隐含层节点数；步骤c：利用蝙蝠算法对BP神经网络的权重与偏置选取最优值；步骤d：确定BP神经网络结构的各参数值，使像素点数据分布学习物方点数据分布，完成标定。2.根据权利1所述的一种基于蝙蝠算法优化BP神经网络双目视觉标定方法，其特征在于，所述步骤a具体为：建立四种不同层数的BP神经网络双目视觉模型，采用实验法确定BP神经网络最佳的隐含层层数为3。根据双目视觉标定模型，如下所示，确定双目视觉标定时像素点为4个，物方点为3个。在上式中i为摄像机的数量，1≤i≤2，i∈Z+，f为摄像机的焦距，ri、Ti为世界坐标系到两台摄像机坐标系转换的旋转矩阵与平移矩阵，u0i、v0i是图像坐标系原点在像素坐标系中的坐标，dx、dy分别是像素坐标系在X方向和Y方向相邻像素间的距离。3.根据权利1所述的一种基于蝙蝠算法优化BP神经网络双目视觉标定方法，其特征在于，所述步骤b具体为：BP神经网络视觉标定中隐含层节点数范围确定公式为经验公式，是：其中n为输入层节点数，m为输出层节点数、L为隐含层节点数，a为常数。BP神经网络视觉标定中隐含层节点确定方法为单因素方差分析法，分布函数为F分布，是：其中S1、S2为比较的两个样本间的标准差，k为第一组样本中的自由度，m为第二组样本的自由度。单因素方差分析的样本为BP神经网络的性能参数，是：(1)迭代次数；(2)运行时间；(3)标定误差。4.根据权利1所述的一种基于蝙蝠算法优化BP神经网络双目视觉标定方法，其特征在于，所述步骤c具体为：应用蝙蝠算法对神经网络视觉标定进行优...

【专利技术属性】
技术研发人员：乔玉晶，赵宇航，张思远，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江,23