硬度识别方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例提供了一种硬度识别方法、装置、电子设备及存储介质，方法包括：获取目标物体的硬度特征数据；基于所述硬度特征数据和预先训练得到的触觉胶囊神经网络，得到所述目标物体的硬度识别结果；其中，所述触觉胶囊神经网络基于预设的胶囊神经网络训练得到。本申请实施例实现了对物体硬度进行识别，解决了现有机器学习无法学习到物体硬度信息的问题。机器学习无法学习到物体硬度信息的问题。机器学习无法学习到物体硬度信息的问题。

【技术实现步骤摘要】
硬度识别方法、装置、电子设备及存储介质


[0001]本申请属于人工智能
，尤其涉及一种硬度识别方法、装置、电子设备及存储介质。

技术介绍

[0002]由于对机器人的各种灵巧抓取和操纵的需求日益增加，机器人抓取物体的能力越来越受到人们的关注，并逐渐发展成为机器人感知领域的一个常见问题。如果在开始抓取物体时就能对抓取结果做出可靠的预测，就可以有效避免失败的抓取，并提供重新抓取物体的机会，进而提高抓取的成功率。在传统机器学习及深度学习对物体状态进行识别的过程中，通常利用视觉或触觉的感知来对物体对象进行特征分析，并进一步使用分类器进行分类。而相比于视觉图像，触觉感知能够提供更为精确的属性，如粗糙度、接触强度、温度、压力和其他视觉难以捕捉的细节。
[0003]触觉识别对于机器人探索周边环境起到了重要的作用，特别是处于环境昏暗的情况或者识别传感器不能工作的时候。但目前硬度识别对机器人来说仍是一个较大的挑战。

技术实现思路

[0004]本申请实施例的目的是提供一种硬度识别方法、装置、电子设备及存储介质，以能够对物体硬度进行识别。
[0005]第一方面，本申请实施例提供了一种硬度识别方法，包括：
[0006]获取目标物体的硬度特征数据；
[0007]基于所述硬度特征数据和预先训练得到的触觉胶囊神经网络，得到所述目标物体的硬度识别结果；其中，所述触觉胶囊神经网络基于预设的胶囊神经网络训练得到。
[0008]第二方面，本申请实施例提供了一种硬度识别装置，包括：
[0009]获取模块，用于获取目标物体的硬度特征数据；
[0010]硬度识别模块，用于基于所述硬度特征数据和预先训练得到的触觉胶囊神经网络，得到所述目标物体的硬度识别结果；其中，所述触觉胶囊神经网络基于预设的胶囊神经网络训练得到。
[0011]第三方面，本申请实施例提供了一种电子设备，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的硬度识别方法的步骤。
[0012]第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的硬度识别方法的步骤。
[0013]在本申请实施中，通过获取目标物体的硬度特征数据，基于硬度特征数据和预先训练得到的触觉胶囊神经网络，得到目标物体的硬度识别结果，触觉胶囊神经网络基于预设的胶囊神经网络训练得到，实现了通过训练得到的触觉神经网络对物体硬度进行识别，
解决了现有机器学习无法学习到物体硬度信息的问题。
附图说明
[0014]为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0015]图1为本申请实施例中硬度识别方法的流程示意图；
[0016]图2为本申请实施例中得到触觉胶囊神经网络的流程示意图；
[0017]图3为本申请实施例中胶囊神经网络的模块示意图；
[0018]图4为本申请实施例中硬度识别装置的模块组成示意图；
[0019]图5为本申请实施例中电子设备的结构示意图。
具体实施方式
[0020]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本申请保护的范围。
[0021]本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
[0022]下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的硬度识别方法进行详细地说明。
[0023]如图1所示，为本申请实施例所提供的硬度识别方法的步骤流程图，该方法的执行主体可以为机器人或其他机器设备(例如多指机械手)等。该方法包括：
[0024]步骤101：获取目标物体的硬度特征数据。
[0025]具体的，目标物体可以根据实际需求而设定，例如可以为水果、食品等，在此并不对此进行具体限定。
[0026]可选地，可以通过机械手来按压目标物体，并在机械手按压目标物体的过程中，通过机械手上安装的传感器来获取目标物体的硬度特征数据。
[0027]步骤102：基于硬度特征数据和预先训练得到的触觉胶囊神经网络，得到目标物体的硬度识别结果。
[0028]其中，触觉胶囊神经网络基于预设的胶囊神经网络训练得到。
[0029]可选地，硬度识别结果可以为硬度分类结果。例如，假设目标物体为硅胶，硅胶的硬度分为十三类，则目标物体的硬度识别结果可以为6，表示硬度识别结果为第六类，当然在此仅为举例说明。再例如，假设目标物体为香蕉，香蕉的硬度包括两类，一类表示熟，一类表示不熟，则目标物体的硬度识别结果可以为0或1，其中0表示第一类，1表示第二类。
[0030]具体的，胶囊神经网络能够通过将高级特征，即硬度特征数据打包成胶囊进行动态路由学习，其中学习到的高级特征具有高维度和高代表性，并能充分的学习到特征层级之间有序特征关系，从而使得基于胶囊神经网络训练得到的触觉胶囊神经网络同样能够充分的学习到特征层级之间有序特征关系。
[0031]在本步骤中，通过硬度特征数据和触觉胶囊神经网络，得到目标物体的硬度识别结果，实现了通过胶囊神经网络技术学习到硬度层级之间的有序关系，提高了硬度分类的准确率和有序性。
[0032]这样，本实施例通过获取目标物体的硬度特征数据，基于硬度特征数据和预先训练得到的触觉胶囊神经网络，得到目标物体的硬度识别结果，触觉胶囊神经网络基于预设的胶囊神经网络训练得到，实现了通过训练得到的触觉神经网络对物体硬度进行识别，解决了现有机器学习无法学习到物体硬度信息的问题。
[0033]在一个可能的实现方式中，所述获取目标物体的硬度特征数据时，可以在预设时段内周期性按压所述目标物体的过程中，获取压力矩阵信号，所述压力矩阵信号包括压力矩阵数据和力矩数据；基于所述力矩数据，确定按压所述目标物体的时刻；将所述时刻所对应的压力矩阵数据确定为硬度特征数据，并获取所述预设时段内的至少一个硬度特征数据。
[0034]具体的，在获取目标物体的硬度特征数据的过程中，可以在预设时段内周期按压目标物体，并在该过程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种硬度识别方法，其特征在于，所述硬度识别方法包括：获取目标物体的硬度特征数据；基于所述硬度特征数据和预先训练得到的触觉胶囊神经网络，得到所述目标物体的硬度识别结果；其中，所述触觉胶囊神经网络基于预设的胶囊神经网络训练得到。2.根据权利要求1所述的硬度识别方法，其特征在于，所述获取目标物体的硬度特征数据，包括：在预设时段内周期性按压所述目标物体的过程中，获取压力矩阵信号，所述压力矩阵信号包括压力矩阵数据和力矩数据；基于所述力矩数据，确定按压所述目标物体的时刻；将所述时刻所对应的压力矩阵数据确定为硬度特征数据，并获取所述预设时段内的至少一个硬度特征数据。3.根据权利要求1或2所述的硬度识别方法，其特征在于，所述基于所述硬度特征数据和预先训练得到的触觉胶囊神经网络，得到所述目标物体的硬度识别结果，包括：将所述硬度特征数据组成触觉图像；将所述触觉图像输入所述触觉胶囊神经网络，得到所述触觉胶囊神经网络输出的硬度识别结果。4.根据权利要求1所述的硬度识别方法，其特征在于，所述基于所述硬度特征数据和预先训练得到的触觉胶囊神经网络，得到所述目标物体的硬度识别结果之前，还包括：获取训练样本集，其中所述训练样本集中每个样本均对应有标签，所述标签用于标识所述样本的硬度；获取所述样本的样本硬度特征数据，并基于所述样本硬度特征数据得到样本触觉图像；基于所述样本触觉图像对所述胶囊神经网络进行训练以及测试，得到所述触觉胶囊神经网络。5.根据权利要求1或4所述的硬度识...

【专利技术属性】
技术研发人员：易正琨，方森林，吴新宇，米婷婷，叶超翔，周贞宁，柳程亮，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：