基于深度学习的机械臂控制方法技术

本申请提供了一种基于深度学习的机械臂控制方法

【技术实现步骤摘要】
基于深度学习的机械臂控制方法、手术机器人、存储介质


[0001]本申请涉及但不限于医疗设备控制
，尤其涉及一种基于深度学习的机械臂控制方法
、
手术机器人
、
存储介质
。

技术介绍

[0002]现有的手术机器人通过设定受力和预设路径规划的给定坐标去控制让机械臂移动，并落点在人体体表的目标位置
。
但是，人体的承受力范围有限，并且不同人在承受相同作用力的情况下，在此情况下，难以判断到底应该设置多大的力作为停止信号控制机械臂停止移动；如果按照预设的路径规划去定位目标位置，一旦人体发生轻微移动，路径需要重新进行规划，导致机械臂控制的准确率以及效率较低
。

技术实现思路

[0003]本申请实施例提供了一种基于深度学习的机械臂控制方法
、
手术机器人
、
存储介质，能够有效提升手术机器人机械臂的控制精度
。
[0004]第一方面，本申请实施例提供了一种基于深度学习的机械臂控制方法，包括：
[0005]获取待检测超声图像，所述待检测超声图像表征机械臂到达目标对象的体表状态下的图像；
[0006]将所述待检测超声图像输入至预先训练好的深度学习模型进行图像处理，得到图像识别结果；
[0007]确定所述机械臂的初始运动轨迹信息；
[0008]根据所述图像识别结果
、
所述初始运动轨迹信息和预设规则确定目标运动指令；
[0009]根据所述目标运动指令控制所述机械臂运动
。
[0010]在一些实施例中，所述根据所述图像识别结果
、
所述初始运动轨迹信息和预设规则确定目标运动指令，包括：
[0011]当所述图像识别结果不满足预设条件，确定所述待检测超声图像对应的参考作用力和参考落点信息；
[0012]根据所述参考作用力
、
所述参考落点信息和所述初始运动轨迹信息确定所述目标运动指令
。
[0013]在一些实施例中，所述初始运动轨迹信息包括目标落点坐标范围，所述根据所述参考作用力
、
所述参考落点信息和所述初始运动轨迹信息确定所述目标运动指令，包括：
[0014]当所述参考落点坐标超出所述目标落点坐标范围，根据参考距离值和参考方向信息确定所述目标运动指令，所述参考距离值为所述参考落点坐标与所述目标落点坐标范围的边界点的距离值，所述参考方向信息为所述参考落点坐标距离所述目标落点坐标范围的最近的边界点的方向向量；
[0015]或者，
[0016]当所述参考作用力小于所述目标作用力，根据所述参考作用力和所述目标作用力
确定所述目标运动指令，所述参考作用力为所述机械臂对所述目标对象的体表施加的作用力
。
[0017]在一些实施例中，所述深度学习模型包括依次连接的第一卷积层
、
最大池化层
、
第二卷积层和全连接层，所述将所述待检测超声图像输入至预先训练好的深度学习模型进行图像处理，得到图像识别结果，包括：
[0018]将所述待检测超声图像输入至所述第一卷积层进行卷积运算，得到第一中间图像；
[0019]将所述第一中间图像输入至所述最大池化层进行采样处理，得到第二中间图像；
[0020]将所述第二中间图像输入至所述第二卷积层进行卷积运算，得到第三中间图像；
[0021]将所述第三中间图像输入至所述第二卷积层进行图像处理，得到所述图像识别结果
。
[0022]在一些实施例中，所述深度学习模型还包括第一
BN
层
、
第二
BN
层
、
第一激活层和第二激活层，所述第一
BN
层和所述第一激活层分别连接于所述第一卷积层之后，所述第二
BN
层和所述第二激活层分别连接于所述第一卷积层之后
。
[0023]在一些实施例中，在根据所述目标运动指令控制所述机械臂运动之后，所述方法还包括：
[0024]重新获取新的待检测超声图像，将所述新的待检测超声图像输入至所述深度学习模型进行图像处理，得到新的图像识别结果；
[0025]当所述新的图像识别结果满足所述预设条件，控制所述机械臂停止运动
。
[0026]在一些实施例中，在所述将所述待检测超声图像输入至预先训练好的深度学习模型进行图像处理，得到图像识别结果之前，所述方法还包括：
[0027]获取预设的图像预处理规则；
[0028]根据所述图像预处理规则对所述待检测超声图像进行图像预处理，得到预处理后的待检测超声图像
。
[0029]第二方面，本申请实施例提供了一种手术机器人，包括：
[0030]图像获取模块，所述图像获取模块用于获取待检测超声图像，所述待检测超声图像表征机械臂到达目标对象的体表状态下的图像；
[0031]图像处理模块，所述图像处理模块用于将所述待检测超声图像输入至预先训练好的深度学习模型进行图像处理，得到图像识别结果；
[0032]初始运动轨迹信息获取模块，所述初始运动轨迹信息获取模块用于确定所述机械臂的初始运动轨迹信息；
[0033]目标运动指令获取模块，所述目标运动指令获取模块用于根据所述图像识别结果
、
所述初始运动轨迹信息和预设规则确定目标运动指令；
[0034]运动控制模块，所述运动控制模块用于根据所述目标运动指令控制所述机械臂运动
。
[0035]第三方面，本申请实施例提供了一种手术机器人，包括：存储器
、
处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于深度学习的机械臂控制方法
。
[0036]第四方面，本申请实施例还提供了一种计算机可读存储介质，存储有计算机可执
行指令，所述计算机可执行指令用于执行如第一方面所述的基于深度学习的机械臂控制方法
。
[0037]本申请实施例提供了一种基于深度学习的机械臂控制方法
、
手术机器人
、
存储介质，方法包括：获取待检测超声图像，所述待检测超声图像表征机械臂到达目标对象的体表状态下的图像；将所述待检测超声图像输入至预先训练好的深度学习模型进行图像处理，得到图像识别结果；确定所述机械臂的初始运动轨迹信息；根据所述图像识别结果
、
所述初始运动轨迹信息和预设规则确定目标运动指令；根据所述目标运动指令控制所述机械臂运动
。
本申请实施例以超声图像以及基于超声图像的深度学习结果控制机械臂的运动，相较于现有技术中，仅根据预设受力以及预设路径规划去控制机械臂移动的方案，能够根据实际情况变更机械臂的运动路径，从而能够有效提升手术机器人机械臂的控制精度
。...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的机械臂控制方法，其特征在于，包括：获取待检测超声图像，所述待检测超声图像表征机械臂到达目标对象的体表状态下的图像；将所述待检测超声图像输入至预先训练好的深度学习模型进行图像处理，得到图像识别结果；确定所述机械臂的初始运动轨迹信息；根据所述图像识别结果
、
所述初始运动轨迹信息和预设规则确定目标运动指令；根据所述目标运动指令控制所述机械臂运动
。2.
根据权利要求1所述的基于深度学习的机械臂控制方法，其特征在于，所述根据所述图像识别结果
、
所述初始运动轨迹信息和预设规则确定目标运动指令，包括：当所述图像识别结果不满足预设条件，确定所述待检测超声图像对应的参考作用力和参考落点信息；根据所述参考作用力
、
所述参考落点信息和所述初始运动轨迹信息确定所述目标运动指令
。3.
根据权利要求2所述的基于深度学习的机械臂控制方法，其特征在于，所述初始运动轨迹信息包括目标落点坐标范围，所述根据所述参考作用力
、
所述参考落点信息和所述初始运动轨迹信息确定所述目标运动指令，包括：当所述参考落点坐标超出所述目标落点坐标范围，根据参考距离值和参考方向信息确定所述目标运动指令，所述参考距离值为所述参考落点坐标与所述目标落点坐标范围的边界点的距离值，所述参考方向信息为所述参考落点坐标距离所述目标落点坐标范围的最近的边界点的方向向量；或者，当所述参考作用力小于目标作用力，根据所述参考作用力和所述目标作用力确定所述目标运动指令，所述参考作用力为所述机械臂对所述目标对象的体表施加的作用力
。4.
根据权利要求1所述的基于深度学习的机械臂控制方法，其特征在于，所述深度学习模型包括依次连接的第一卷积层
、
最大池化层
、
第二卷积层和全连接层，所述将所述待检测超声图像输入至预先训练好的深度学习模型进行图像处理，得到图像识别结果，包括：将所述待检测超声图像输入至所述第一卷积层进行卷积运算，得到第一中间图像；将所述第一中间图像输入至所述最大池化层进行采样处理，得到第二中间图像；将所述第二中间图像输入至所述第二卷积层进行卷积运算，得到第三中间图像；将所述第三中间图像输入至所述第二卷积层进行图像处理，得到所述图像识别结果
。5.
根据权利要求4所述的基...

【专利技术属性】
技术研发人员：赵泽明，罗皓，王澄，陈浩棠，吴斌，陈泽欣，
申请(专利权)人：珠海横乐医疗科技有限公司，
类型：发明
国别省市：