【技术实现步骤摘要】
一种基于深度神经网络的机器人材质识别方法及系统
[0001]本专利技术涉及机器人触觉感知
,特别指一种基于深度神经网络的机器人材质识别方法及系统。
技术介绍
[0002]触觉感知对于机器人了解其工作环境至关重要,随着触觉传感器的发展,机器人在物体分类、材质识别、抓握、滑动检测等方面取得了很大的进展。其中,材质识别是特定种类机器人的强制性能力,例如服务机器人、医疗机器人和探索性机器人。
[0003]在现实世界的开放场景下,由于环境的复杂性,存在各种不确定因素以及突发情况,例如机械臂的重新安装、位置的偏移等,这将直接导致机器人感知的数据存在特征偏移,即直接影响机器人的材质识别准确性。
[0004]因此,如何提供一种基于深度神经网络的机器人材质识别方法及系统,实现提升机器人材质识别的准确性、稳定性以及泛化能力,成为一个亟待解决的技术问题。
技术实现思路
[0005]本专利技术要解决的技术问题,在于提供一种基于深度神经网络的机器人材质识别方法及系统,实现提升机器人材质识别的准确性、稳定性以及泛化能力。
[0006]第一方面,本专利技术提供了一种基于深度神经网络的机器人材质识别方法,包括如下步骤:
[0007]步骤S10、机器人通过安装于机械臂末端的电子皮肤,在不同工况下分批次采集大量的材质图像;
[0008]步骤S20、基于结构相似性计算各批次的所述材质图像之间的相似度,基于各所述相似度构建数据集;
[0009]步骤S30、基于深度神经网络创建一材质识别模 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度神经网络的机器人材质识别方法,其特征在于:包括如下步骤:步骤S10、机器人通过安装于机械臂末端的电子皮肤,在不同工况下分批次采集大量的材质图像;步骤S20、基于结构相似性计算各批次的所述材质图像之间的相似度,基于各所述相似度构建数据集;步骤S30、基于深度神经网络创建一材质识别模型,利用所述数据集对材质识别模型进行训练;步骤S40、机器人利用训练后的所述材质识别模型,对新的工况下电子皮肤采集的图像进行实时的材质识别,并实时输出识别结果。2.如权利要求1所述的一种基于深度神经网络的机器人材质识别方法,其特征在于:所述步骤S10具体为:在机械臂末端与电子皮肤之间嵌入泡沫硅橡胶,机器人通过安装于机械臂末端的电子皮肤,采集若干种材质的若干张材质图像;依次调整机械臂关节角度、机械臂姿态、按压力度、移动速度、重新拆装电子皮肤,每次调整均分别采集若干种材质的若干张材质图像,以完成在不同工况下分批次采集大量的材质图像。3.如权利要求1所述的一种基于深度神经网络的机器人材质识别方法,其特征在于:所述步骤S20具体包括:步骤S21、随机从其中一个批次的材质图像中,选取不同材质的基准图像;步骤S22、依次计算各所述基准图像与各批次中,相同材质的其余图像的SSIM值,并计算各批次的各所述SSIM值的均值,作为该批次材质图像的不同材质的相似度;步骤S23、基于各所述相似度对材质图像进行分类,进而构建数据集。4.如权利要求3所述的一种基于深度神经网络的机器人材质识别方法,其特征在于:所述步骤S22中,所述SSIM值的计算公式为:其中,μ
x
和μ
y
分别表示图像x和图像y的均值;和分别表示图像x和图像y的方差;σ
xy
表示图像x与图像y的协方差;C1和C2均表示常数。5.如权利要求1所述的一种基于深度神经网络的机器人材质识别方法,其特征在于:所述步骤S30具体包括:步骤S31、机器人基于深度神经网络创建一材质识别模型;所述材质识别模型基于DenseNet以及CBAM构建;所述DenseNet包括3个稠密块以及2个过渡层;所述CBAM包括1个通道注意力模块以及1个空间注意力模块;步骤S32、将所述数据集中批次1的数据按2:1的比例划分为训练集和验证集,将所述数据集中批次2和批次3的数据作为测试集,并预设一收敛条件以及一准确率阈值;步骤S33、利用所述训练集对材质识别模型进行训练,直至满足收敛条件,并保存训练过程中所述材质识别模型在验证集上的最佳权重;步骤S34、利用所述测试集对材质识别模型进行测试,判断识别准确率是否大于所述准
确率阈值,若是,则结束训练,并进入步骤S40;若否,则扩充所述训练集,并进入步骤S33。6.一种基于深度神经网络的机器人材质识别系统,其特征在于:包括如下模块:...
【专利技术属性】
技术研发人员:刘昆宏,杨千慧,姚俊峰,谢瑜,黄祥逸,
申请(专利权)人:厦门大学,
类型:发明
国别省市:
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。