【技术实现步骤摘要】
本专利技术涉及花椒姿态估计领域，更为具体的，涉及一种花椒姿态估计方法、设备、介质及系统。
技术介绍
1、花椒是一种美味的香料，以其美味可口而在中国西部大规模种植，收获是花椒生产中最费时费力的任务。为了提高花椒的收获效率，视觉引导的自主收割机器人提供了解决方案。视觉感知是视觉引导机器人采集的关键因素，视觉系统中的主要关注点之一是估计用于机械手运动规划的花椒姿态。
2、最近为水果或农作物设计的姿态估计方法通常利用物体的几何形状计算姿态。这些基于几何结构的方法很难处理花椒遭受的严重形状变化和高度非结构场景。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提供一种花椒姿态估计方法、设备、介质及系统，避免姿态模糊度的高估问题，减少了对花椒姿态的严重错误分类，提高了简单样本的姿态估计性能等。
2、本专利技术的目的是通过以下方案实现的：
3、一种花椒姿态估计方法，包括以下步骤：
4、s1，不确定性的量化：将采集的花椒图像视为困难样本，通过设计量化深度学习中的不确定性au来测量花椒姿态的标签模糊度；
5、s2，校准任意不确定性：利用分位数装仓作为一个后处理步骤来测量量化的不确定性值与预测风险的匹配程度，具体包括：利用分位数装仓收集保留验证集上不确定性值的分位数，分位数用于将数据分组到代表不同不确定性水平的不同仓中；再通过校准预期风险来减轻步骤s1中au值高估时的影响；
6、s3，花椒姿态估计：在计算自适应标签分布的
7、进一步地，在步骤s1中，所述通过设计量化深度学习中的不确定性au来测量花椒姿态的标签模糊度具体包括：将正态分布放置在bnn输出的分对数向量上，并且au通过分布的协方差来计算；其中，设置an为样本n的分对数，c为标签总数，bnn学习具有对角协方差矩阵的正态分布，即其中fn∈rc，diag(·)指示构建对角矩阵的操作；样本预测的预期似然性p(yn|an)通过以下公式计算：
8、
9、其中，yn是样本n的标签，yn＝1～c；
10、在式(1)中，fn和un都是bnn的输出，an为一个随机节点，并且在训练过程中计算其方差的偏差通常在数值上是不稳定的；
11、再应用一个重新参数化的步骤来确保稳定的优化，具体将an改写成fn+un·n(0，1)，通过蒙特卡罗mc采样近似期望bnn损失计算为：
12、
13、其中，t是mc采样的数量，an本质上是一个随机节点，并且au被协方差矩阵明确地捕获，的行列式表示为det(·)，被用作的标量测度，其计算为：
14、
15、进一步地，在步骤s2中，所述利用分位数装仓收集保留验证集上不确定性值的分位数，分位数用于将数据分组到代表不同不确定性水平的不同仓中，具体包括：
16、首先将验证样本按照au值的升序进行排序，并且根据不确定性分位数依次将样本划分为q个大小相等的仓b1，b2，...bq，...bq；
17、再将校准为通过在验证集上学习的等渗回归函数计算的预期风险
18、
19、
20、其中，方程(4)是保序回归的目标，确保预期风险单调增加，等式(5)使用根据训练样本n到bq的期望和风险rn来测量标签模糊度。
21、进一步地，在步骤s3中，所述在计算自适应标签分布的过程中，预期风险被用作标签模糊度度量，并且这些分布作为监督信号来训练用于花椒姿态估计的dnn；经过训练的dnn，其中由姿势标签监督的分支用于预测推断时的花椒姿态，包括子步骤：
22、根据ldl工作原理，通过高斯平滑计算样本n的标签分布dn，dn∈rc，元素dn(i)由下式给出：
23、
24、
25、
26、其中，函数dis(i，j)被设计为获得两个姿态标签之间的最短距离，dis(i，yn)≤1；zn是确保dn表示概率分布的归一化项；
27、式(6)中的实例感知高斯方差表示标签模糊度；当花椒图像的姿势更加模糊时，标签分布预计会更加平坦；利用au值来调整其由下式给出：
28、
29、其中，是基方差，amax和amin分别是最大和最小调谐因子；rmax和rmin分别是训练集上rn的最高值和最低值；rn调整范围从到
30、然后，利用标签分布作为dnn训练的标签级正则化，网络联合学习姿势分类任务和拟合标签分布dn的任务，将花椒姿态估计的dnn损失ldnn定义为：
31、
32、其中in表示训练样本n的图像，分类损失lcls采用共同的负对数似然进行正确预测，并且ldl损失lldl计算预测分布和dn之间的kl散度：
33、
34、
35、通过使用式(10)，不同花椒图像中的姿态模糊度变化由实例感知标签分布dn表示，有助于提高姿态估计性能；当花椒图像中的姿势不明确时，dn将被高拉低，防止dnn过度拟合单个真实姿态yn；相反，当姿态易于学习时，dn将是尖锐的，从而鼓励dnn在yn上输出更多的概率质量，有助于减少来自与真实姿势相邻的相似标签的混淆。
36、进一步地，设置t＝20。
37、进一步地，超参数amin和amax分别设置为1.0、0.5和2.0。
38、一种花椒姿态估计设备，包括处理器和存储器，所述存储器中存储有计算机程序，当所述计算机程序被所述处理器加载时并执行如上任一项所述的方法。
39、进一步地，所述处理器和存储器集成设置在花椒采摘机器人设备中。
40、一种计算机可读存储介质，在可读存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行如上任一项所述的方法。
41、一种花椒姿态估计系统，包括如上所述的花椒姿态估计设备。
42、本专利技术的有益效果包括：
43、本专利技术提出了一种新的用于花椒姿态估计的标签分布学习(ldl)方法，通过设计一种基于算术不确定性(au)的标签模糊度测度。通过贝叶斯神经网络对训练样本的au值进行量化，以捕捉标签模糊度的变化，并将au值校准到预期风险，从而避免姿态模糊度的高估问题。用于姿态估计的网络由实例感知标签分布来监督，其中分布方差由预期风险来调整。在本专利技术收集的花椒图像上的实验结果表明，通过au捕获标签模糊度显著减少了对花椒姿态的严重错误分类，校准au值显著提高了简单样本的姿态估计性能。本专利技术方法在花椒姿态估计任务的性能上优于最近领先的ldl方法。
本文档来自技高网...【技术保护点】
1.一种花椒姿态估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的花椒姿态估计方法，其特征在于，在步骤S1中，所述通过设计量化深度学习中的不确定性AU来测量花椒姿态的标签模糊度具体包括：将正态分布放置在BNN输出的分对数向量上，并且AU通过分布的协方差来计算；其中，设置an为样本n的分对数，C为标签总数，BNN学习具有对角协方差矩阵的正态分布，即其中fn∈RC，Diag(·)指示构建对角矩阵的操作；样本预测的预期似然性p(yn|an)通过以下公式计算：
3.根据权利要求1所述的花椒姿态估计方法，其特征在于，在步骤S2中，所述利用分位数装仓收集保留验证集上不确定性值的分位数，分位数用于将数据分组到代表不同不确定性水平的不同仓中，具体包括：
4.根据权利要求1所述的花椒姿态估计方法，其特征在于，在步骤S3中，所述在计算自适应标签分布的过程中，预期风险被用作标签模糊度度量，并且这些分布作为监督信号来训练用于花椒姿态估计的DNN；经过训练的DNN，其中由姿势标签监督的分支用于预测推断时的花椒姿态，包括子步骤：
5.根据权利要求2
6.根据权利要求4所述的花椒姿态估计方法，其特征在于，超参数amin和amax分别设置为1.0、0.5和2.0。
7.一种花椒姿态估计设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，当所述计算机程序被所述处理器加载时并执行如权利要求1～6任一项所述的方法。
8.根据权利要求7所述的花椒姿态估计设备，其特征在于，所述处理器和存储器集成设置在花椒采摘机器人设备中。
9.一种计算机可读存储介质，其特征在于，在可读存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行如权利要求1～6任一项所述的方法。
10.一种花椒姿态估计系统，其特征在于，包括权利要求7所述的花椒姿态估计设备。
...【技术特征摘要】
1.一种花椒姿态估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的花椒姿态估计方法，其特征在于，在步骤s1中，所述通过设计量化深度学习中的不确定性au来测量花椒姿态的标签模糊度具体包括：将正态分布放置在bnn输出的分对数向量上，并且au通过分布的协方差来计算；其中，设置an为样本n的分对数，c为标签总数，bnn学习具有对角协方差矩阵的正态分布，即其中fn∈rc，diag(·)指示构建对角矩阵的操作；样本预测的预期似然性p(yn|an)通过以下公式计算：
3.根据权利要求1所述的花椒姿态估计方法，其特征在于，在步骤s2中，所述利用分位数装仓收集保留验证集上不确定性值的分位数，分位数用于将数据分组到代表不同不确定性水平的不同仓中，具体包括：
4.根据权利要求1所述的花椒姿态估计方法，其特征在于，在步骤s3中，所述在计算自适应标签分布的过程中，预期风险被用作标签模糊度度量，并且这些分布作为监督信号来训练...
【专利技术属性】
技术研发人员：曾梦玮，肖夏，戴莉斯，刘雪垠，郭恒，马子凤，
申请(专利权)人：四川省机械研究设计院集团有限公司，
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。