【技术实现步骤摘要】
一种基于灵巧手触觉信息的物体分类方法
本专利技术涉及使用灵巧手搭载触觉传感器进行信息采集，触觉信息预处理以及目标物体分类
，特别涉及一种基于灵巧手触觉信息的物体分类方法。
技术介绍
随着计算机带来的海量数据的出现，以及深度学习领域技术的飞速发展，在计算机学习模拟人类感官，进行类人判断的智能化过程中，搭载相机的机器视觉技术借助于深度学习的力量，得到了爆发性的进步。然而，相机在黑暗，反光等不利于拍摄的环境下有种种限制，因此，在计算机智能化过程中，除了要具备机器视觉技术，机器触觉技术的使用也是非常重要的一部分。机器触觉技术通过与物体直接接触，直接获得不同物体的不同信号，通过深度学习技术分析信号之间的差异性，从而获得可以从触觉角度增强机器学习的能力，有助于推动机器智能化更好的发展进步。所以，通过灵巧手搭载触觉传感器，得到不同物体的输入信号，通过深度学习技术来进行物体分类，对机器实现触觉感知，模拟人类判断，推进机器智能化发展等方面有十分重要的意义。
技术实现思路
针对上述技术问题，本专利技术将提供一种触觉数据...
【技术保护点】
1.一种基于灵巧手触觉信息的物体分类方法，其特征在于，包括以下步骤：/nS1，使用灵巧手搭载NumaTac触觉传感器夹持物体收集触觉数据，构建用于模型训练的数据集；/nS2，对S1中收集到的数据集进行数据预处理；/nS3，将预处理后的数据随机打乱，并按比例8：2分隔数据集为训练集和测试集两部分；/nS4，将训练集、测试集输入T-LSTM网络模型；/nS5，使用训练集对预先设置T-LSTM的网络模型进行训练，得到训练时物体分类的真实类别与预测类别之间的损失和准确率，其中使用交叉熵损失函数来计算预测标签的概率分布和真实标签的概率分布之间的差异性，准确率被定义为预测正确的样本数/...
【技术特征摘要】
1.一种基于灵巧手触觉信息的物体分类方法，其特征在于，包括以下步骤：
S1，使用灵巧手搭载NumaTac触觉传感器夹持物体收集触觉数据，构建用于模型训练的数据集；
S2，对S1中收集到的数据集进行数据预处理；
S3，将预处理后的数据随机打乱，并按比例8：2分隔数据集为训练集和测试集两部分；
S4，将训练集、测试集输入T-LSTM网络模型；
S5，使用训练集对预先设置T-LSTM的网络模型进行训练，得到训练时物体分类的真实类别与预测类别之间的损失和准确率，其中使用交叉熵损失函数来计算预测标签的概率分布和真实标签的概率分布之间的差异性，准确率被定义为预测正确的样本数/总的样本数；
S6，使用测试集测试训练好的T-LSTM网络，得到测试时物体分类的真实类别与预测类别之间的损失和准确率。
2.根据权利要求1所述的基于灵巧手触觉信息的物体分类方法，其特征在于：所述S1中，夹持的物体为22类不同的物体，分别是圆海绵，方海绵，毛巾，白线团，抽纸，垃圾袋，三角绷带，黑色绷带，胶水，纸杯，指甲盒，火腿肠，果冻，护手霜，肥皂盒，耳机盒，牙缸盒，印泥盒，透明塑料盒，玻璃瓶，易拉罐，金属圆柱；以这些物体的英文名按首字母排序后的英文名顺序作为样本标签，对22类物体各夹持50次，通过ROS系统命令保存NumaTac触觉传感器传出的微振动信号到计算机，信号采样频率为2200HZ，共1100个.bag样本文件，然后使用matlab读取.bag文件，保存.bag文件中的触觉数据成.csv文件。
3.根据权利要求1所述的基于灵巧手触觉信息的物体分类方法，其特征在于：所述S2中的数据预处理具体为，只对无效数据进行切除，以及数据重新整形为三维数据，并不对原始数据做其他任何幅值或频率上的改动。
4.根据权利要求1所述的基于灵巧手触觉信息的物体分类方法，其特征在于：所述T-LSTM网络模型为使用LSTM网络和全连接层构建的一个T-LSTM物体分类模型，本模型由一个包含3层LSTM网络以及2层全连接层的LSTM1单元和一个3层LSTM网络以及2层全连接层的LSTM2单元组成。
5.根据权利要求1所述的基于灵巧手触觉信息的物体分类方法，其特征在于：所述S4中预处理的数据输入T-LSTM网络模型的具体输入流程为，
S41，由预处理后的数据格式，输入三维数据中每一层的二维数据到LSTM1单元的LSTM网络中，对于每一层二维数据大小，每一个时间步输入一个13×1的特征向量，时间序列长度是13，使用小批量随机梯度下降法，每次输入64个样本，LSTM1单元的输入数据维度为(64，13，13)，根据LSTM网络隐含状态更新过程，LSTM网络的输出特征向量维度为(64，13，512)，其中64是小批量随机梯度下降法的batch...
【专利技术属性】
技术研发人员：张鹏，于国奇，单东日，王晓芳，周茂辉，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。