机器人的摄像机构自检方法、电子设备及存储介质技术

本申请是关于一种机器人的摄像机构自检方法、电子设备及存储介质，通过采集预设场景下的摄像机构被遮挡时的图像，并对图像进行预处理，形成训练集；构建摄像机构自检网络模型，摄像机构自检网络模型包括多层感知单元；采用训练集的图像对摄像机构自检网络模型进行训练，优化摄像机构自检网络模型的网络参数，以此采用基于神经网络算法的机器人摄像头遮挡自检策略，同时采用卷积模块与多层感知机结合的方式，简化遮挡检测模块的计算复杂度，并结合业务场景特点，动态调用遮挡自检模块，节约机器人资源。

【技术实现步骤摘要】
机器人的摄像机构自检方法、电子设备及存储介质
本申请涉及人工智能
，尤其涉及一种机器人的摄像机构自检方法、电子设备及存储介质。
技术介绍
机器人在写字楼等室内环境移动时，依赖摄像头对前方识别感知环境状况，从而作出运动规划决策。在机器人日常运营过程中，机器人镜头存在人为或非人为的异常遮挡的情况，如午高峰时期机器人挤电梯时，行人的衣服会紧贴在机器人的镜头上，同时也会存在部分用户用手或者手机等方式试探性遮挡机器人的镜头。此时机器人的视觉感知系统将不能工作，机器人本身对摄像头遮挡的情况无感，因而机器人的运动规划也会受到影响。
技术实现思路
为克服相关技术中存在的问题，本申请提供一种机器人的摄像机构自检方法、电子设备及存储介质，旨在提供一种机器人能够自我检查前置摄像头异常遮挡的功能，使得当机器人镜头被遮挡时，所述机器人能够上报报错，并在周围广播提醒行人不要干扰机器人工作。本申请解决上述技术问题的技术方案如下：一种机器人的摄像机构自检方法，其包括以下步骤：步骤1，采集预设场景下的摄像机构被遮挡时的图像，并对所述图像进行预处理，形成训练集；步骤2，构建摄像机构自检网络模型，所述摄像机构自检网络模型包括多层感知单元；步骤3，采用所述训练集的图像对所述摄像机构自检网络模型进行训练，优化所述摄像机构自检网络模型的网络参数。优选的，采集预设场景下的摄像机构被遮挡时的图像，并对所述图像进行预处理，形成训练集具体包括：通过图片直方图的方式对所述图像进行预处理，得到所述图像的像素值；将所述图像的像素值转化为十进制的数值区间0～255；统计所述图像的像素值在数值区间0～255的概率分布p(i)，得到所述图像的直方图概率分布p(i)函数。优选的，所述图像的直方图概率分布p(i)函数为：其中，W为图像的宽度，H为图像的高度。优选的，通过所述摄像机构自检网络模型对所述图像的直方图概率分布p(i)进行256维的特征向量计算，在所述多层感知单元上增加一维卷积层，一维卷积层定义为：其中K为卷积核的参数，p为所述图像的直方图概率分布，y为64维的特征向量。优选的，在所述摄像机构自检网络模型中，所述多层感知单元设有三层感知机，所述多层感知单元的隐藏层连接数为16，所述多层感知单元定位为：z＝σ16→1(σ64→16(y(i)))；其中z为多层感知单元的输出。优选的，通过sigmoid函数得到所述摄像机构自检网络模型的最终预测值Z，Z函数为：其中z为多层感知单元的输出，当Z大于0.7表示摄像机构被遮挡，Z小于等于0.7表示摄像机构正常。优选的，所述摄像机构自检网络模型的结构按计算单元处理顺序为：图像预处理单元，用于对所述图像进行直方图预处理；一维卷积单元，用于对预处理后的图像进行卷积；第一全连接层，用于全连接所述一维卷积单元的输出；第二全连接层，用于全连接所述第一全连接层的输出；第三全连接层，用于全连接所述第二全连接层的输出；激活函数层，用于使所述第三全连接层的输出非线性化。优选的，采用所述训练集的图像对所述摄像机构自检网络模型进行训练，得到所述摄像机构自检网络模型的损失函数，损失函数为：CELoss＝Ylog(Z)+(1-Y)log(1-Z)。优选的，在步骤S3之后还包括以下步骤：当所述机器人开机、重定位或者所述机器人切换状态时，判断所述摄像机构连续5秒内是否检测到目标；当所述摄像机构连续超过5秒内没有检测到目标，所述机器人拉起警报，警报所述摄像机构已被遮挡，所述机器人保持遮挡检测。本申请实施例的第二方面提供了一种电子设备，包括：处理器；以及一个或多个处理器；一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行如上所述的方法的指令。本申请第三方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法。本申请提供一种机器人的摄像机构自检方法、电子设备及存储介质，通过采集预设场景下的摄像机构被遮挡时的图像，并对所述图像进行预处理，形成训练集；构建摄像机构自检网络模型，所述摄像机构自检网络模型包括多层感知单元；采用所述训练集的图像对所述摄像机构自检网络模型进行训练，优化所述摄像机构自检网络模型的网络参数，以此采用基于神经网络算法的机器人摄像头遮挡自检策略，同时采用卷积模块与多层感知机结合的方式，简化遮挡检测模块的计算复杂度，并结合业务场景特点，动态调用遮挡自检模块，节约机器人资源。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。附图说明通过结合附图对本申请示例性实施方式进行更详细的描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。图1是本申请实施例示出的机器人的摄像机构自检方法的流程示意图；图2是本申请实施例示出的图像预处理的的流程示意图；图3是本申请实施例示出的摄像机构自检网络模型的示意图；图4是本申请实施例示出的机器人的摄像机构自检方法的另一流程示意图；图5是本申请实施例示出的电子设备的结构示意图。具体实施方式下面将参照附图更详细地描述本申请的优选实施方式。虽然附图中显示了本申请的优选实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。本专利技术实施例的机器人可以被构造成任何合适形状，以便实现特定业务功能操作，例如，本专利技术实施例机器人可以为递送机器人、搬运机器人、看护机器人等等。所述机器人一般包括壳体、传感器单元、驱动轮部件、存储部件及控制器。壳体的外形大体上呈圆形，在一些实施例中，壳体的外形可以大体上呈椭圆形、三角形、D形、柱形或其他形状。传感器单元用于采集机器人的一些运动参数及环境空间各类数据。在一些实施例中，传感器单元包括激光雷达,本文档来自技高网...

【技术保护点】
1.一种机器人的摄像机构自检方法，其特征在于，包括以下步骤：/n步骤1，采集预设场景下的摄像机构被遮挡时的图像，并对所述图像进行预处理，形成训练集；/n步骤2，构建摄像机构自检网络模型，所述摄像机构自检网络模型包括多层感知单元；/n步骤3，采用所述训练集的图像对所述摄像机构自检网络模型进行训练，优化所述摄像机构自检网络模型的网络参数。/n

【技术特征摘要】
1.一种机器人的摄像机构自检方法，其特征在于，包括以下步骤：
步骤1，采集预设场景下的摄像机构被遮挡时的图像，并对所述图像进行预处理，形成训练集；
步骤2，构建摄像机构自检网络模型，所述摄像机构自检网络模型包括多层感知单元；
步骤3，采用所述训练集的图像对所述摄像机构自检网络模型进行训练，优化所述摄像机构自检网络模型的网络参数。


2.根据权利要求1所述的机器人的摄像机构自检方法，其特征在于，采集预设场景下的摄像机构被遮挡时的图像，并对所述图像进行预处理，形成训练集具体包括：
通过图片直方图的方式对所述图像进行预处理，得到所述图像的像素值；
将所述图像的像素值转化为十进制的数值区间0～255；
统计所述图像的像素值在数值区间0～255的概率分布p(i)，得到所述图像的直方图概率分布p(i)函数。


3.根据权利要求2所述的机器人的摄像机构自检方法，其特征在于，所述图像的直方图概率分布p(i)函数为：



其中，W为图像的宽度，H为图像的高度。


4.根据权利要求3所述的机器人的摄像机构自检方法，其特征在于，通过所述摄像机构自检网络模型对所述图像的直方图概率分布p(i)进行256维的特征向量计算，在所述多层感知单元上增加一维卷积层，一维卷积层定义为：



其中K为卷积核的参数，p为所述图像的直方图概率分布，y为64维的特征向量。


5.根据权利要求4所述的机器人的摄像机构自检方法，其特征在于，在所述摄像机构自检网络模型中，所述多层感知单元设有三层感知机，所述多层感知单元的隐藏层连接数为16，所述多层感知单元定位为：
z＝σ16→1(σ64→16(y(i)))；
其中z为多层感知单元的输出。


6.根据权利要求5所述的机器人的摄像机构自检方法，其特征在于，通...

【专利技术属性】
技术研发人员：秦豪，赵明，
申请(专利权)人：上海有个机器人有限公司，
类型：发明
国别省市：上海;31