一種基于神經(jīng)網(wǎng)絡(luò)的視覺系統(tǒng)標(biāo)定方法
【專利摘要】本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡(luò)的視覺系統(tǒng)標(biāo)定方法，包括根據(jù)機(jī)器人、攝像機(jī)的位置關(guān)系，推導(dǎo)出適合于Delta機(jī)器人視覺系統(tǒng)的Faugeras標(biāo)定算法；利用Faugeras標(biāo)定算法求取視覺系統(tǒng)標(biāo)定的線性內(nèi)參和線性外參，并將它們作為神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和偏置；利用Faugeras推導(dǎo)出適合于Delta機(jī)器人視覺系統(tǒng)標(biāo)定的2?2?3?1四層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)的輸入層和隱層之間的傳遞關(guān)系代表攝像機(jī)標(biāo)定的外參，網(wǎng)絡(luò)的隱層和輸出層的傳遞關(guān)系代表視覺系統(tǒng)標(biāo)定的外參，由于存在畸變等非線性因素，因而神經(jīng)網(wǎng)絡(luò)的激活函數(shù)為非線性的；由于神經(jīng)網(wǎng)絡(luò)的輸出中，機(jī)器人坐標(biāo)系X軸和Y軸具有不一樣的網(wǎng)絡(luò)特性，因而采用2?2?3?1四層分布式神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，本發(fā)明的實驗標(biāo)定精度為0.109mm，而傳統(tǒng)的Faugeras標(biāo)定算法的精度為0.535mm。
【專利說明】
一種基于神經(jīng)網(wǎng)絡(luò)的視覺系統(tǒng)標(biāo)定方法
技術(shù)領(lǐng)域
[0001]本發(fā)明涉及一種神經(jīng)網(wǎng)絡(luò)標(biāo)定方法，尤其是用于控制工業(yè)Delta機(jī)器人物料抓取 的視覺系統(tǒng)的標(biāo)定方法。
【背景技術(shù)】
[0002] Delta機(jī)器人視覺系統(tǒng)成像過程中存在諸多影響因素，如徑向畸變、切向畸變、測 量誤差等，最終的攝像機(jī)成像模型變成了復(fù)雜的非線性模型，物點與像點間的映射關(guān)系也 成為了非線性映射關(guān)系。許多研究者對攝像機(jī)的成像關(guān)系進(jìn)行了深入的研究，提出了許多 新的標(biāo)定方法。傳統(tǒng)的標(biāo)定方法并不能囊括成像過程中的所有非線性因素，只能選擇其中 主要因素，而忽略其他不確定因素。然而精確的數(shù)學(xué)標(biāo)定模型將導(dǎo)致計算繁瑣，標(biāo)定效率低 下?；谏窠?jīng)網(wǎng)絡(luò)的標(biāo)定方法不依賴確定的數(shù)學(xué)模型，而是通過訓(xùn)練中間參數(shù)來確定物點 與像點間的非線性映射關(guān)系。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法在應(yīng)用過程中標(biāo)定精度低，迭代速度慢，容 易早熟而無法獲取精準(zhǔn)的結(jié)果。

【發(fā)明內(nèi)容】

[0003] 為了克服傳統(tǒng)標(biāo)定算法精度低、迭代速度慢，標(biāo)定過程繁瑣等問題，本發(fā)明提供了 一種基于神經(jīng)網(wǎng)絡(luò)的視覺系統(tǒng)標(biāo)定方法，用于Delta機(jī)器人視覺系統(tǒng)的標(biāo)定。相比于傳統(tǒng)標(biāo) 定算法，具有更高的標(biāo)定精度和泛化能力，而與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，本發(fā)明神經(jīng)網(wǎng)絡(luò)的結(jié) 構(gòu)是根據(jù)公式深入推導(dǎo)得出的，能夠再保證精度的情況下，具有更快的收斂速度。由于各坐 標(biāo)軸的標(biāo)定參數(shù)不完全相同，在上述標(biāo)定模型的基礎(chǔ)上進(jìn)一步采用分布式結(jié)構(gòu)，可以進(jìn)一 步提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度和速度。
[0004] 本發(fā)明的技術(shù)方案如下：
[0005] -種基于神經(jīng)網(wǎng)絡(luò)的視覺系統(tǒng)標(biāo)定方法，包括如下步驟：
[0006] 步驟1，準(zhǔn)備數(shù)據(jù)檢驗集:將靶標(biāo)放置在攝像機(jī)正下方，采集靶標(biāo)圖像，經(jīng)過圖像預(yù) 處理以及Harris角點檢測，獲取角點像素坐標(biāo)(ui，vi)，電機(jī)控制移動傳送帶，通過編碼器 計數(shù)獲取傳送帶移動距離A L，使靶標(biāo)位于機(jī)器人的工作空間，移動機(jī)器人，獲取圖像坐標(biāo) 對應(yīng)的機(jī)器人坐標(biāo)系的空間坐標(biāo)為(Xwi+ Δ L，Ywi，Zwi);采集若干組坐標(biāo)對數(shù)據(jù)；
[0007] 步驟2,根據(jù)Faugeras標(biāo)定算法推導(dǎo)攝像機(jī)坐標(biāo)系和機(jī)器人坐標(biāo)系之間的轉(zhuǎn)換模 型:Faugeras的線性模型采用內(nèi)參為四參數(shù)的攝像機(jī)模型，設(shè)P R為目標(biāo)物體在機(jī)器人坐標(biāo) 系下的位姿，P13為目標(biāo)在圖像中的像素坐標(biāo)，Transa為考慮傳送帶安裝位置誤差的比例因 子，2$'為攝像機(jī)在機(jī)器人坐標(biāo)系的外參數(shù)矩證，垃為攝像機(jī)的內(nèi)參數(shù)矩證，則可以獲取攝 像機(jī)坐標(biāo)系和機(jī)器人坐標(biāo)系之間的轉(zhuǎn)換模型為，=;
[0008] 步驟3,根據(jù)攝像機(jī)坐標(biāo)系和機(jī)器人坐標(biāo)系之間的轉(zhuǎn)換模型，進(jìn)一步推導(dǎo)出用于視 覺標(biāo)定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括：
[0009] 步驟3.1，將景物點的像素坐標(biāo)(u，v)作為神經(jīng)網(wǎng)絡(luò)的輸入，景物點對應(yīng)的攝像機(jī) 坐標(biāo)系作為輸出，激活函數(shù)采用雙曲正切S形函數(shù)，構(gòu)建局部神經(jīng)網(wǎng)絡(luò)；
[0010] 步驟3.2,攝像機(jī)坐標(biāo)和機(jī)器人坐標(biāo)之間屬于線性變換，將景物點的攝像機(jī)坐標(biāo)系 作為神經(jīng)網(wǎng)絡(luò)的輸入，景物點在機(jī)器人坐標(biāo)系的坐標(biāo)(Xw，yw，Zw)作為輸出，激活 函數(shù)采用線性purein函數(shù)，構(gòu)建第二個局部神經(jīng)網(wǎng)絡(luò)；
[0011] 步驟3.3，將兩個局部神經(jīng)網(wǎng)絡(luò)合并，因此視覺標(biāo)定神經(jīng)網(wǎng)絡(luò)采用2-2-3-1的四層 分布式網(wǎng)絡(luò)結(jié)構(gòu)，將特征點像素坐標(biāo)(u，v)作為神經(jīng)網(wǎng)絡(luò)的輸入，特征點在機(jī)器人坐標(biāo)系的 空間坐標(biāo)0 ￥1+八1^3￥1以〇作為輸出，第一個隱層的激活函數(shù)為雙正切3形函數(shù)，第二個 隱層為線性purein函數(shù)；
[0012] 步驟4,訓(xùn)練神經(jīng)網(wǎng)絡(luò):取已知的像素坐標(biāo)(ui，vi)作為神經(jīng)網(wǎng)絡(luò)的輸入，計算神經(jīng) 網(wǎng)絡(luò)的輸出向量Xw j和Yw j，并與已知樣本對應(yīng)的期望輸出向量Xw i和Yw i比較，將比較誤差 EX = Xwi-Xwj和EY = Ywi-Ywj用于調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)連接權(quán)的大小，反復(fù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，直到樣 本總體誤差
小于等于誤差期望值時停止訓(xùn)練，式中，1"為輸入第P個樣 本時第j個神經(jīng)元的期望輸出，yw為對應(yīng)的實際輸出，N表示樣本數(shù)。
[0013] 步驟5,將步驟1中檢驗集的像素坐標(biāo)逐一輸入訓(xùn)練神經(jīng)網(wǎng)絡(luò)，分別記錄所有的輸 出，該輸出為特征點在機(jī)器人坐標(biāo)系的空間坐標(biāo)，進(jìn)行反復(fù)的迭代訓(xùn)練。
[0014] 進(jìn)一步地，步驟1中所述若干組為160組，其中150組用于訓(xùn)練、10組用于檢驗;所述 Δ L = 569 · 9mm〇
[0015] 進(jìn)一步地，所述機(jī)器人為Delta機(jī)器人。
[0016] 進(jìn)一步地，步驟1中所述的攝像機(jī)采用(XD攝像機(jī)。
[0017]進(jìn)一步地，步驟4中所述的誤差期望值設(shè)為0.001。
[0018]本發(fā)明的有益效果：
[0019] 與傳統(tǒng)的標(biāo)定算法相比，本發(fā)明提出的標(biāo)定算法簡化了標(biāo)定步驟，提高了標(biāo)定精 度和算法的泛化性;而與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法相比，由于本發(fā)明神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是根據(jù)公式 深入推導(dǎo)得出的，因而結(jié)構(gòu)更加接近真實模型，所以可以加快收斂速度。
【附圖說明】
[0020] 圖1是本發(fā)明方法的流程圖；
[0021] 圖2是Delta機(jī)器人的標(biāo)定環(huán)境示意圖。
[0022]圖3是Delta機(jī)器人坐標(biāo)、攝像機(jī)坐標(biāo)以及圖像坐標(biāo)之間的轉(zhuǎn)化關(guān)系圖。
[0023]圖4是基于Faugeras標(biāo)定算法的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。
[0024]圖5是X坐標(biāo)的訓(xùn)練結(jié)果。
[0025]圖6是Y坐標(biāo)的訓(xùn)練結(jié)果。
[0026] 圖中：1 ·Delta機(jī)器人，2 · CCD攝像機(jī)，3 ·編碼器，4 ·電機(jī)，5 ·Delta機(jī)器人坐標(biāo)系，6 · 攝像機(jī)坐標(biāo)系，7.圖像坐標(biāo)系。
【具體實施方式】
[0027]本發(fā)明運用圖像處理算法從攝像機(jī)拍攝的獲取160組圖像坐標(biāo)以及對應(yīng)的Delta 機(jī)器人坐標(biāo)，用于網(wǎng)絡(luò)訓(xùn)練和實驗，采用Faugeras標(biāo)定算法獲取網(wǎng)絡(luò)初值和網(wǎng)絡(luò)結(jié)構(gòu)，由于 初值和網(wǎng)絡(luò)結(jié)構(gòu)比較接近真實模型，因而可以減少網(wǎng)絡(luò)訓(xùn)練的迭代次數(shù)，提高標(biāo)定效率。具 體包括根據(jù)機(jī)器人、攝像機(jī)的位置關(guān)系，推導(dǎo)出適合于Delta機(jī)器人視覺系統(tǒng)的Faugeras標(biāo) 定算法;利用Faugeras標(biāo)定算法求取視覺系統(tǒng)標(biāo)定的線性內(nèi)參和線性外參，并將它們作為 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和偏置，由于初始權(quán)值和偏置接近真實值，因而可以加快網(wǎng)絡(luò)收斂速 度;利用Faugeras推導(dǎo)出適合于Delta機(jī)器人視覺系統(tǒng)標(biāo)定的2-2-3-1四層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)， 網(wǎng)絡(luò)的輸入層和隱層之間的傳遞關(guān)系代表攝像機(jī)標(biāo)定的外參，因而神經(jīng)網(wǎng)絡(luò)的激活函數(shù)為 線性的，網(wǎng)絡(luò)的隱層和輸出層的傳遞關(guān)系代表視覺系統(tǒng)標(biāo)定的外參，由于存在畸變等非線 性因素，因而神經(jīng)網(wǎng)絡(luò)的激活函數(shù)為非線性的；由于神經(jīng)網(wǎng)絡(luò)的輸出中，機(jī)器人坐標(biāo)系X軸 和Y軸具有不一樣的網(wǎng)絡(luò)特性，因而采用2-2-3-1四層分布式神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，X軸和Y軸的訓(xùn) 練迭代次數(shù)分別為22次和70次，本發(fā)明的實驗標(biāo)定精度為0.109mm，而傳統(tǒng)的Faugeras標(biāo)定 算法的精度為〇.535mm。
[0028] 下面結(jié)合附圖和具體實施例對本發(fā)明作進(jìn)一步說明。
[0029] 如圖1所示，本發(fā)明的方法包括如下步驟：
[0030] (1)準(zhǔn)備數(shù)據(jù)檢驗集:Delta機(jī)器人的標(biāo)定環(huán)境示意圖如圖2所示。將靶標(biāo)放置在 CCD攝像機(jī)2正下方，采集靶標(biāo)圖像，經(jīng)過圖像預(yù)處理以及Harris角點檢測，獲取角點的像素 坐標(biāo)（ui，vi )，電機(jī)4控制移動傳送帶，通過編碼器3計數(shù)獲取傳送帶移動距離Δ L = 569.9mm，使靶標(biāo)位于Delta機(jī)器人1的工作空間，移動機(jī)器人，獲取特征點在機(jī)器人坐標(biāo)系 對應(yīng)的空間坐標(biāo)(Xwi，Ywi，Zwi)，由于傳送帶運動，圖像坐標(biāo)對應(yīng)的機(jī)器人坐標(biāo)系的空間坐 標(biāo)為0￥1+〇1^，￥^，2^)，各坐標(biāo)系如圖3所示。一共獲取16〇組實驗數(shù)據(jù)，其中15〇組用于訓(xùn) 練、10組用于檢驗;特征點盡量全工作空間選取，以提高標(biāo)定的準(zhǔn)確性。
[0031 ] (2)根據(jù)Faugeras標(biāo)定算法推導(dǎo)攝像機(jī)坐標(biāo)系6和Delta機(jī)器人坐標(biāo)系5之間的轉(zhuǎn) 換模型faugeras的線性模型采用內(nèi)參為四參數(shù)的攝像機(jī)模型，假設(shè)PR為目標(biāo)物體在機(jī)器 人坐標(biāo)系下的位姿，P13為目標(biāo)在圖像中的像素坐標(biāo)，Transa為考慮傳送帶安裝位置誤差的 比例因子，4 '為攝像機(jī)在機(jī)器人坐標(biāo)系的外參數(shù)矩證，為攝像機(jī)的內(nèi)參數(shù)矩證，則可以 獲取攝像機(jī)坐標(biāo)系和機(jī)器人坐標(biāo)系之間的轉(zhuǎn)換模型為，=;
[0032] (3)根據(jù)攝像機(jī)坐標(biāo)系6和機(jī)器人坐標(biāo)系5之間的轉(zhuǎn)換模型，可以進(jìn)一步推導(dǎo)出用 于視覺標(biāo)定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：
[0033] 1)由于攝像機(jī)存在畸變等非線性因素，因此圖像像素坐標(biāo)和攝像機(jī)坐標(biāo)之間的轉(zhuǎn) 換關(guān)系屬于非線性變換，將景物點的像素坐標(biāo)(u，v)作為神經(jīng)網(wǎng)絡(luò)的輸入，景物點對應(yīng)的攝 像機(jī)坐標(biāo)系( Xc，yc，zc)作為輸出，激活函數(shù)采用雙曲正切S形函數(shù)，構(gòu)建局部神經(jīng)網(wǎng)絡(luò)；
[0034] 2)攝像機(jī)坐標(biāo)和機(jī)器人坐標(biāo)之間屬于線性變換，將景物點的攝像機(jī)坐標(biāo)系(x。，^， z c)作為神經(jīng)網(wǎng)絡(luò)的輸入，景物點在機(jī)器人坐標(biāo)系的坐標(biāo)(xw，yw，zw)作為輸出，激活函數(shù)采 用線性purein函數(shù)，構(gòu)建第二個局部神經(jīng)網(wǎng)絡(luò)。
[0035] 3)將兩個局部神經(jīng)網(wǎng)絡(luò)合并，因此視覺標(biāo)定神經(jīng)網(wǎng)絡(luò)采用2-2-3-1的四層分布式 網(wǎng)絡(luò)結(jié)構(gòu)，如圖4所示，將特征點像素坐標(biāo)(u，v)作為神經(jīng)網(wǎng)絡(luò)的輸入，特征點在機(jī)器人坐標(biāo) 系的空間坐標(biāo)(Xwi+AL，Ywi，Zwi)作為輸出，第一個隱層的激活函數(shù)為雙正切S形函數(shù)，第 二個隱層為線性purein函數(shù)。將樣本總體誤差作為訓(xùn)練停止的條件。
[0036] (4)訓(xùn)練神經(jīng)網(wǎng)絡(luò)：取已知的像素坐標(biāo)(ui，vi)作為神經(jīng)網(wǎng)絡(luò)的輸入，計算神經(jīng)網(wǎng) 絡(luò)的輸出向量Xw j和Yw j，并與已知樣本對應(yīng)的期望輸出向量Xwi和Ywi (上述采集的坐標(biāo)值） 比較，將比較誤差EX = Xwi-Xwj和EY = Ywi-Ywj用于調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)連接權(quán)的大小，反復(fù)訓(xùn)練 神經(jīng)網(wǎng)絡(luò)，直到樣本總體誤差
小于等于誤差期望值(本發(fā)明實施例中設(shè) 為0.001)時停止訓(xùn)練，式中，tpj為輸入第P個樣本時第j個神經(jīng)元的期望輸出，ypj為對應(yīng)的 實際輸出，N表示樣本數(shù)。
[0037] (5)將檢驗集的像素坐標(biāo)逐一輸入訓(xùn)練神經(jīng)網(wǎng)絡(luò)，分別記錄所有的輸出，該輸出為 特征點在機(jī)器人坐標(biāo)系的空間坐標(biāo)，進(jìn)行反復(fù)的迭代訓(xùn)練。在圖5中，Delta機(jī)器人X坐標(biāo)的 訓(xùn)練迭代22次，訓(xùn)練誤差就降低到0.001mm，相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法，網(wǎng)絡(luò)訓(xùn)練的收斂 速度大大加快了。在圖6中，Delta機(jī)器人Y軸坐標(biāo)訓(xùn)練迭代了 70次訓(xùn)練誤差就達(dá)到了 0.001mm，說明構(gòu)建符合實際模型的網(wǎng)絡(luò)結(jié)構(gòu)算法可以大大提高神經(jīng)網(wǎng)絡(luò)的工作效率。
[0038] 上文所列出的一系列的詳細(xì)說明僅僅是針對本發(fā)明的可行性實施方式的具體說 明，它們并非用以限制本發(fā)明的保護(hù)范圍，凡未脫離本發(fā)明技藝精神所作的等效實施方式 或變更均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項】
1. 一種基于神經(jīng)網(wǎng)絡(luò)的視覺系統(tǒng)標(biāo)定方法，其特征在于，包括如下步驟： 步驟1，準(zhǔn)備數(shù)據(jù)檢驗集:將祀標(biāo)放置在攝像機(jī)正下方，采集祀標(biāo)圖像，經(jīng)過圖像預(yù)處理 W及化rris角點檢測，獲取角點像素坐標(biāo)(ui，vi)，電機(jī)控制移動傳送帶，通過編碼器計數(shù) 獲取傳送帶移動距離A L，使祀標(biāo)位于機(jī)器人的工作空間，移動機(jī)器人，獲取圖像坐標(biāo)對應(yīng) 的機(jī)器人坐標(biāo)系的空間坐標(biāo)為(Xwi+ΔレYwi，Zwi);采集若干組坐標(biāo)對數(shù)據(jù)； 步驟2,根據(jù)化ugeras標(biāo)定算法推導(dǎo)攝像機(jī)坐標(biāo)系和機(jī)器人坐標(biāo)系之間的轉(zhuǎn)換模型： 化ugeras的線性模型采用內(nèi)參為四參數(shù)的攝像機(jī)模型，設(shè)ρκ為目標(biāo)物體在機(jī)器人坐標(biāo)系下 的位姿，pu為目標(biāo)在圖像中的像素坐標(biāo)，TransAL為考慮傳送帶安裝位置誤差的比例因子， 巧'為攝像機(jī)在機(jī)器人坐標(biāo)系的外參數(shù)矩證，為攝像機(jī)的內(nèi)參數(shù)矩證，則可W獲取攝像機(jī) 坐標(biāo)系和機(jī)器人坐標(biāo)系之間的轉(zhuǎn)換模型夫步驟3，根據(jù)攝像機(jī)坐標(biāo)系和機(jī)器人坐標(biāo)系之間的轉(zhuǎn)換模型，進(jìn)一步推導(dǎo)出用于視覺標(biāo) 定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括： 步驟3.1，將景物點的像素坐標(biāo)(u，v)作為神經(jīng)網(wǎng)絡(luò)的輸入，景物點對應(yīng)的攝像機(jī)坐標(biāo) 系(xc，yc，zc)作為輸出，激活函數(shù)采用雙曲正切S形函數(shù)，構(gòu)建局部神經(jīng)網(wǎng)絡(luò)； 步驟3.2,攝像機(jī)坐標(biāo)和機(jī)器人坐標(biāo)之間屬于線性變換，將景物點的攝像機(jī)坐標(biāo)系(X。， yc，zc)作為神經(jīng)網(wǎng)絡(luò)的輸入，景物點在機(jī)器人坐標(biāo)系的坐標(biāo)(xw，yw，zw)作為輸出，激活函數(shù) 采用線性purein函數(shù)，構(gòu)建第二個局部神經(jīng)網(wǎng)絡(luò)； 步驟3.3,將兩個局部神經(jīng)網(wǎng)絡(luò)合并，因此視覺標(biāo)定神經(jīng)網(wǎng)絡(luò)采用2-2-3-1的四層分布 式網(wǎng)絡(luò)結(jié)構(gòu)，將特征點像素坐標(biāo)(ui，vi)作為神經(jīng)網(wǎng)絡(luò)的輸入，特征點在機(jī)器人坐標(biāo)系的空 間坐標(biāo)(Xwi+ΔL，Ywi，Zwi)作為輸出，第一個隱層的激活函數(shù)為雙正切S形函數(shù)，第二個隱 層為線性purein函數(shù)； 步驟4,訓(xùn)練神經(jīng)網(wǎng)絡(luò):取已知的像素坐標(biāo)(ui，vi)作為神經(jīng)網(wǎng)絡(luò)的輸入，計算神經(jīng)網(wǎng)絡(luò) 的輸出向量Xw j和Yw j，并與已知樣本對應(yīng)的期望輸出向量Xwi和Ywi比較，將比較誤差EX = Xwi-Xwj和EY = Ywi-Ywj用于調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)連接權(quán)的大小，反復(fù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，直到樣本總 體誤差]、于等于誤差期望值時停止訓(xùn)練，式中，tpj為輸入第P個樣本時 第j個神經(jīng)元的期望輸出，ypj為對應(yīng)的實際輸出，N表示樣本數(shù)； 步驟5,將步驟1中檢驗集的像素坐標(biāo)逐一輸入訓(xùn)練神經(jīng)網(wǎng)絡(luò)，分別記錄所有的輸出，該 輸出為特征點在機(jī)器人坐標(biāo)系的空間坐標(biāo)，進(jìn)行反復(fù)的迭代訓(xùn)練。2. 根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的視覺系統(tǒng)標(biāo)定方法，其特征在于，步驟1 中所述若干組為160組，其中150組用于訓(xùn)練、10組用于檢驗;所述Δ L = 569.9mm。3. 根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的視覺系統(tǒng)標(biāo)定方法，其特征在于，所述機(jī) 器人為Delta機(jī)器人。4. 根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的視覺系統(tǒng)標(biāo)定方法，其特征在于，步驟1 中所述的攝像機(jī)采用CCD攝像機(jī)。5. 根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的視覺系統(tǒng)標(biāo)定方法，其特征在于，步驟4 中所述的誤差期望值設(shè)為0.001。
【文檔編號】G06N3/02GK106097322SQ201610394636
【公開日】2016年11月9日
【申請日】2016年6月3日 公開號201610394636.8, CN 106097322 A, CN 106097322A, CN 201610394636, CN-A-106097322, CN106097322 A, CN106097322A, CN201610394636, CN201610394636.8
【發(fā)明人】顧寄南, 丁衛(wèi), 唐仕喜, 尚正陽, 張瑜, 于萍萍, 張麗鵬, 高國偉
【申請人】江蘇大學(xué)