基于改进极限学习机的涂胶质量数据库构建方法技术

本发明专利技术公开了一种基于改进极限学习机的涂胶质量数据构建方法。该方法将小波理论引入到极限学习机中，利用小波函数和任意分段连续非线性函数构造隐层激励函数，根据输入数据范围对小波函数的伸缩因子和平移因子进行初始化，并结合极限学习机序惯在线学习方法，提出了一种基于改进极限学习机的涂胶质量数据构建方法;该方法解决了涂胶质量在线检测中输入数据没有与之对应的比例系数问题，为涂胶轨迹任意位置都有提供了必要的预测信息，并判断胶条质量信息是否合格，降低工作人员检测的难度，提高汽车企业的生产效率。

Construction method of glue quality database based on improved limit learning machine

【技术实现步骤摘要】
基于改进极限学习机的涂胶质量数据库构建方法
本专利技术涉及一种基于改进极限学习机的涂胶质量数据构建方法，属于汽车涂胶检测领域。
技术介绍
随着机器人技术的日益成熟和汽车产业的高速发展，越来越多的工业机器人投入到汽车生产之中，作为汽车生产重要组成部分的涂胶环节，由于工作环境恶劣，工作强度大以及运动准确性和平稳性要求高的特点，正逐步完成从手工涂胶到机器人涂胶的转变，涂胶自动化已成为一种趋势，涂胶质量易受加热温度变化导致过度稀释或粘稠，以及受胶枪出胶量和机器人的涂胶速度配合不准确影响，因此需要对涂胶进行检测，如今视觉在线检测已成为一种趋势。中国专利技术专利《机器人涂胶质量在线视觉检测装置及方法》，授权公告号为CN106066328A，授权公告日为2016年11月2日，公开了机器人涂胶质量在线检测装置的具体方法，但对提前预存的涂胶质量数据库的构建方法未进行描述，如何给出的计算系数也未进行描述。现有的方法都是离线建立涂胶质量数据库，将给定的输入以及对应输出以离散点的形式建立数据库，视觉在线检测时通过图像处理将计算好的涂胶图像参数输入到数据库中，没有与之对应的输出比例系数，因此无法计算出实际的胶条质量，达不到视觉在线自动检测的目的。
技术实现思路
本专利技术所要解决的问题：解决现有机器人视觉检测技术中涂胶质量数据库构建的不足，提出一种改进极限学习机的涂胶质量数据库建立方法。本专利技术所采用技术方案是：利用改进的极限学习机将离散的数据点拟合成完整的曲线，为视觉涂胶在线检测装置任意位置坐标都有与其对应的比例系数，并且改进的极限学习机具有在线学习功能，对新来的数据进行学习，增加数据库的长度，从而提高算法速度，具体包括以下步骤。步骤1：网络初始化，根据系统的输入输出序列确定网络输入层节点数N，隐含层节点数L，输出层节点数M。步骤2：确定隐藏层激活函数，本专利技术将小波函数与Sigmoid函数构成的复合函数作为隐藏层的激活函数，根据输入数据的范围对参数进行初始化。步骤3：小波函数的初始化，随机选择输入层与隐藏层的权重矩阵V，设[xi,min,xi,max]表示第i个输入数据的范围(不考虑x0)，则隐藏层节点复合函数输入值范围表示为其中h＝1,2,...,L。t*、ψ*分别表示小波函数的时窗中心和时窗半径，则第h个隐层神经元的小波函数的时窗为[bh+ah(t*-ψ*),bh+ah(t*+ψ*)]。为了保证小波函数能覆盖输入数据范围，得到如下等式：由式(1)、(2)得出伸缩因子初始化公式：由式(1)、(2)得出平移因子初始化公式：得出小波函数的时窗中心公式：得出小波函数的时窗半径公式：步骤4:离线初始化训练学习。从给定训练集N＝{(xi,ti)|xi∈Rn,ti∈Rm,i＝1,...}中选取少量的初始训练集进行初始化学习。随机分配输入层与隐层的权值Vi，按照式(2)、(3)初始化伸缩因子ai和平移因子bi，i＝1,...,L。计算初始隐层输出矩阵H0：估计初始输出权值其中步骤5:序惯在线学习。表示第(k+1)个输入数据集，其中Nk+1表示数据集的数量。计算隐层节点输出矩阵Hk+1。令计算输出权值β(k+1)。涂胶质量数据库构建完成，为在线检测提供必要的预测信息，并判断胶条质量信息是否合格，降低工作人员检测的难度，提高汽车企业的生产效率。本专利技术的有益效果为：本专利技术在极限学习机的基础上采用小波函数和Sigmoid函数构成的复合函数作为隐藏层的激活函数，改善了传统极限学习机算法精度低问题，同时提高了运行速度，并具有在线学习的功能。本专利技术采用改进极限学习机建立涂胶质量数据库，解决了离线建立数据库时，涂胶视觉在线检测中输入数据没有与之对应的比例系数问题，为在线检测任意位置都有与其对应的映射关系。本专利技术可以对涂胶视觉在线检测输入的新数据进行在线学习，增加了数据库的长度，提高了运算速度。附图说明图1为专利技术中视觉涂胶在线检测技术总流程图；图2为专利技术中基于改进极限学习机的涂胶质量数据度构建方法的流程图；图3为专利技术中改进极限学习机的结构示意图；图4为在线检测中涂胶质量数据库输出数据的预测值示意图；图5为在线检测中涂胶质量数据库输出数据的误差示意图。具体实施方式下面结合附图进一步说明。如图1总流程图所示，涂胶视觉检测装置在涂胶轨迹上离线采集的图像经过处理得到像素距离，根据标准的胶条的参数信息计算得到比例系数。将机器人的每一位置的坐标作为输入，经过图像处理和计算得到的比例系数作为输出，建立涂胶质量数据库。如图2离线建立涂胶质量数据库流程图所示以及具体可包括以下步骤：网络初始化，根据系统的输入输出序列确定网络输入层节点数L，隐含层节点数H，输出层节点数O。确定隐层激活函数，本专利技术将小波函数的时频局部特征、聚焦特征，神经网络的自学习、自适应、鲁棒性以及极限学习机的在线学习能力相结合，将小波函数与Sigmoid函数构成的复合函数作为隐层的激活函数。其中图3中β表示连接隐层第i个神经元和输出层神经元的权值，ψ表示隐层第i个神经元的小波函数，ai，bi为伸缩因子和平移因子，g(·)表示Sigmoid函数。小波函数的初始化，本专利技术根据输入数据的范围对参数进行初始化。首先，随机选择输入层与隐层权重矩阵V，设[xi,min,xi,max]表示第i个输入数据的范围(不考虑x0)，则隐层节点复合函数输入值范围表示为h＝1,2,...,L，t*、ψ*分别表示小波函数的时窗中心和时窗半径，则第h个隐层神经元的小波函数的时窗为[bh+ah(t*-ψ*),bh+ah(t*+ψ*)]。为了保证小波函数能覆盖输入数据范围，得到如下等式：由式(1)、(2)得出伸缩因子初始化公式：由式(1)、(2)得出平移因子初始化公式得出小波函数的时窗中心公式：得出小波函数的时窗半径公式：计算初始隐层输出矩阵H0，以机器人各个位置的坐标作为输入，在各个位置通过图像处理和计算出来的比例关系作为输出组成起始训练集随机分配输入权值Vi，按照式(1)、(2)初始化伸缩因子ai和平移因子bi，i＝1,...,L。计算初始隐层输出矩阵H0，计算初始输出权值其中因此，基于改进极限学习机的涂胶质量离线数据库构建完成。序惯在线学习，表示第(k+1)个输入数据集，其中Nk+1表示数据集的数量。计算隐层节点输出矩阵Hk+1令计算输出权值β(k+1)在线检测。在线检测中读取的机器人坐标输入到涂胶质量数据库中，由上述数据库中求出的输入层与隐层的本文档来自技高网...

【技术保护点】
1.一种基于改进极限学习机的涂胶质量数据库构建方法，其特征在于: 该涂胶质量数据库构建方法是利用改进的极限学习机将离散的数据点拟合成完整的曲线，为视觉涂胶在线检测装置任意位置坐标都有与其对应的比例系数；并且改进的极限学习机具有在线学习功能，对新来的数据进行学习，增加数据库的长度，从而提高算法速度。/n

【技术特征摘要】
1.一种基于改进极限学习机的涂胶质量数据库构建方法，其特征在于:该涂胶质量数据库构建方法是利用改进的极限学习机将离散的数据点拟合成完整的曲线，为视觉涂胶在线检测装置任意位置坐标都有与其对应的比例系数；并且改进的极限学习机具有在线学习功能，对新来的数据进行学习，增加数据库的长度，从而提高算法速度。


2.根据权利要求1所述的基于改进极限学习机的涂胶质量数据库构建方法，其特征在于，具体包括以下步骤：
S1，网络初始化：根据系统的输入输出序列确定网络输入层节点数N，隐含层节点数L，输出层节点数M；
S2，确定隐藏层激活函数：本发明将小波函数与Sigmoid函数构成的复合函数作为隐藏层的激活函数；
S3，小波函数的初始化，根据输入数据的范围对参数进行初始化；随机选择输入层与隐藏层的权重矩阵V，设[xi,min,xi,max]表示第i个输入数据的范围(不考虑x0)，则隐藏层节点复合函数输入值范围表示为其中h＝1,2,...,L；t*、ψ*分别表示小波函数的时窗中心和时窗半径，则第h个隐层神经元的小波函数的时窗为[bh+ah(t*-ψ*),bh+ah(t*+ψ*)]；
为了保证小...

【专利技术属性】
技术研发人员：刘克平，乔宇，杨宏韬，刘富凯，李岩，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：吉林;22