柔性触觉传感器深度学习感知方法专利检索-集成学习机器学习人工智能专利检索查询-专利查询网

柔性触觉 传感器 深度学习 感知方法

阅读：654发布：2020-05-11

专利汇可以提供柔性触觉传感器深度学习感知方法专利检索，专利查询，专利分析的服务。并且本发明公开的柔性触觉传感器深度学习感知方法，包括以下顺序的步骤：传感器单元结构力学模型的建立；传感器阵列结构力学模型的建立；获得实测数据集；获得有限元模拟数据集；数据集融合提高数据分辨率；结合深度学习，建立感知机理模型。本发明通过将以上数据集融合，借助深度学习模型获取压力信号与检测对象三维多尺度几何尺寸、表面形貌和物理属性等结构之间的关系。，下面是柔性触觉传感器深度学习感知方法专利的具体信息内容。

权利要求

1.柔性触觉传感器深度学习感知方法，其特征在于，包括以下顺序的步骤：
步骤1)、传感器单元结构力学模型的建立；
步骤2)、传感器阵列结构力学模型的建立；
步骤3)、获得实测数据集；
步骤4)、获得有限元模拟数据集；
步骤5)、数据集融合提高数据分辨率；
步骤6)、结合深度学习，建立感知机理模型。
2.根据权利要求1所述柔性触觉传感器深度学习感知方法，其特征在于，所述传感器单元为四个敏感单元组成的金字塔传感器单元，四个敏感单元在传感器单元内部为2x2排布。
3.根据权利要求1所述柔性触觉传感器深度学习感知方法，其特征在于，所述传感器单元，其弹性行为模型与应力-电容转换模型集成为传感器代表性单元，对传感器阵列进行离散简化与模块化，构建出传感阵列的响应机制。
4.根据权利要求1所述柔性触觉传感器深度学习感知方法，其特征在于，所述实测数据集，是利用传感器阵列对边界特征明显的物体进行触摸，最终建立的。
5.根据权利要求1所述柔性触觉传感器深度学习感知方法，其特征在于，所述数据融合，是指建立映射关系，实现模拟数据集与实测数据集的融合。
6.根据权利要求1所述柔性触觉传感器深度学习感知方法，其特征在于，所述建立感知机理模型，包括高分辨率压力云图生成、融合卷积操作、几何关系重建和微观结构与材质属性重建。
7.根据权利要求6所述柔性触觉传感器深度学习感知方法，其特征在于，所述高分辨率压力云图生成，包含以下步骤：
(i)首先，把低分辨率的压力云图用线性插值方式得到一个粗糙的压力云图；
(ii)用卷积操作对低分辨率压力云图进行下采样自编码操作，得到一系列的特征层；
(iii)采用U-Net的方式，将对于层的特征连接起来，最后得到高分辨率的压力云图，从而获取更高的精度。
8.根据权利要求6所述柔性触觉传感器深度学习感知方法，其特征在于，所述融合卷积操作，具体为：为融合物体边界、材质等属性提出一个融合卷积函数，在各层的卷积操作中使用；假设xi是相应的特征值，b是偏置值，N(xi)是xi的邻域，对应于融合卷积定义为：
xi＝Ψ(Mi)∑w(xj)·(xj e mj)+b
式中w(·)可以看成是权值函数，Mi＝{mj}则是对应的自适应矩阵，e则是“乘”运算，起到过滤边界值的作用；该式里，函数Ψ(Mi)定义为与物体边界、微观外貌、材质属性等相关的函数；这样，结合该函数到卷积操作时，就把检测对象的特征应用在高分辨率压力云图重建上去。
9.根据权利要求6所述柔性触觉传感器深度学习感知方法，其特征在于，所述几何关系重建，具体为：重建利用图卷积神经网络对输入的三维压力云图进行特征抽取，然后对三维模型进行回归重建，从而利用传感器感知信号获取检测对象的几何形状。
10.根据权利要求6所述柔性触觉传感器深度学习感知方法，其特征在于，所述微观结构与材质属性重建，具体为：通过实测和有限元模拟的方式，构建对应的传感器三维压力云图与物体外貌微观结构、材质等的数据库集合，然后将三维压力云图构建成一个3×n的矩阵作为输入特征，采用DenseNet+ReLU为一个block的多层感知机来进行量化回归训练，最后输出对应的外貌微观结构、材质的数值向量，从而实现通过传感器感知信号获取检测物体的材料属性的关系。

说明书全文

柔性触觉传感器 深度学习 感知方法

技术领域

[0001] 本发明涉及柔性触觉传感器感知领域，特别涉及柔性触觉传感器深度学习感知方法。

背景技术

[0002] 在感知机理离散化数值建模中，基于有限元的数值模拟精度取决于有限元单元划分的大小，这同时也会带来计算精度与计算效率的矛盾。一方面，如果需要获得高精度感知效果，需要更小更多的有限元单元；另一方面，更多的有限元单元则会带来求解速度的下降，当有限元单元到达一定的规模时，利用接触力学的有限元模型无法做到实时的数值求解。这时，就需要寻求更快的感知机理方法，以实现传感器力信号与感知模型的实时预测。

[0003] 基于接触力学的感知数学模型是个高度非线性模型。近年来，随着机器学习技术的发展，深度学习以其出色的非线性拟合能力引起越来越多的关注，并被广泛应用在机器人物体识别、物体检测和语义分割等语义感知问题上。此外，深度学习在一些定量的问题上，如物体姿态估计、运动估计等，将基于二维图像的感知扩展到了三维空间。这些任务取得的巨大成功说明了采用深度学习具备解决定量估计问题的能力。但是目前如CN106446948A等公开的感知方法只停留于机器学习层面，尚未将实测数据、有限元模拟数据以及深度学习手段融合一体进行感知机理研究来提高感知精度与效率。

发明内容

[0004] 本发明的目的在于克服现有技术的缺点与不足，提供柔性触觉传感器深度学习感知方法，通过将以上数据集融合，借助深度学习模型获取压力信号与检测对象三维多尺度几何尺寸、表面形貌和物理属性等结构之间的关系。

[0005] 本发明的目的通过以下的技术方案实现：

[0006] 柔性触觉传感器深度学习感知方法，包括以下顺序的步骤：

[0007] 步骤1)、传感器单元结构力学模型的建立；

[0008] 步骤2)、传感器阵列结构力学模型的建立；

[0009] 步骤3)、获得实测数据集；

[0010] 步骤4)、获得有限元模拟数据集；

[0011] 步骤5)、数据集融合提高数据分辨率；

[0012] 步骤6)、结合深度学习，建立感知机理模型。

[0013] 所述传感器单元为四个敏感单元组成的金字塔传感器单元，四个敏感单元在传感器单元内部为2x2排布。

[0014] 所述传感器单元，其弹性行为模型与应力-电容转换模型集成为传感器代表性单元，对传感器阵列进行离散简化与模块化，构建出传感阵列的响应机制。

[0015] 所述实测数据集，是利用传感器阵列对边界特征明显的物体进行触摸，最终建立的。此时得到的实测数据库较为粗糙，用于训练。

[0016] 进一步的，采用有限元模拟获得精细的模拟数据集。

[0017] 所述数据融合，是指建立映射关系，实现模拟数据集与实测数据集的融合。

[0018] 所述建立感知机理模型，包括高分辨率压力云图生成、融合卷积操作、几何关系重建和微观结构与材质属性重建。

[0019] 所述高分辨率压力云图生成，包含以下步骤：

[0020] (i)首先，把低分辨率的压力云图用线性插值方式得到一个粗糙的压力云图；

[0021] (ii)用卷积操作对低分辨率压力云图进行下采样自编码操作，得到一系列的特征层；

[0022] (iii)采用U-Net的方式，将对于层的特征连接起来，最后得到高分辨率的压力云图，从而获取更高的精度。

[0023] 所述融合卷积操作，具体为：为融合物体边界、材质等属性提出一个融合卷积函数，在各层的卷积操作中使用；假设xi是相应的特征值，b是偏置值，N(xi)是xi的邻域，对应于融合卷积定义为：

[0024] xi＝Ψ(Mi)∑w(xj)·(xj e mj)+b

[0025] 式中w(·)可以看成是权值函数，Mi＝{mj}则是对应的自适应矩阵，e则是“乘”运算，起到过滤边界值的作用；该式里，函数Ψ(Mi)定义为与物体边界、微观外貌、材质属性等相关的函数；这样，结合该函数到卷积操作时，就把检测对象的特征应用在高分辨率压力云图重建上去。

[0026] 所述几何关系重建，具体为：重建利用图卷积神经网络对输入的三维压力云图进行特征抽取，然后对三维模型进行回归重建，从而利用传感器感知信号获取检测对象的几何形状。

[0027] 所述微观结构与材质属性重建，具体为：通过实测和有限元模拟的方式，构建对应的传感器三维压力云图与物体外貌微观结构、材质等的数据库集合，然后将三维压力云图构建成一个3×n的矩阵作为输入特征，采用DenseNet+ReLU为一个block的多层感知机来进行量化回归训练，最后输出对应的外貌微观结构、材质的数值向量，从而实现通过传感器感知信号获取检测物体的材料属性的关系。

[0028] 本发明与现有技术相比，具有如下优点和有益效果：

[0029] 1.本发明利用建立的触觉传感器的力学模型进行传感器阵列触摸特征物体的数值仿真，得到模拟触摸数据，作为传感器实体采集数据的辅助数据库，建立映射模型提高训练数据集的精度从而构建大规模的力信号与对应的三维结构的高分辨率数据集；

[0030] 2.利用卷积神经网络的技术，构建端对端的深度网络在数据集上进行训练并得到训练模型，实现利用传感器获取到的力信号快速识别三维物体几何及其表面微观结构、材质等属性，并构建与被检测对象的三维结构关系。附图说明

[0031] 图1-1为传感器单元的结构示意图；图1-2为传感器单元的爆炸图。

[0032] 图2为传感器阵列与检测对象表面特征的接触关系示意图。

[0033] 图3为生成高分辨率压力云图的深度网络示意图。

[0034] 图4为基于三维压力云图的几何关系重建示意图。

[0035] 图5为感知机理示意图。

[0036] 其中，附图标记含义说明如下：

[0037] 1-自适应卷积操作、2-连接操作、3-上采集操作、4-传感器单元、5-敏感单元。

具体实施方式

[0038] 下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

[0039] 本发明涉及柔性触觉传感器感知机理领域，具体是一种柔性触觉传感器深度学习感知方法。采用数值模拟与实验方法建立柔性触觉传感器表面微结构与触摸对象表面三维微结构接触状态的三向力学模型，将实测数据集与有限元接触模拟数据集融合，借助神经网络深度学习模型，获取压力信号与检测对象三维多尺度几何尺寸、表面形貌和物理属性等结构之间的关系。包括以下步骤：

[0040] 步骤1)、传感器单元结构力学模型的建立；

[0041] 步骤2)、传感器阵列结构力学模型的建立；

[0042] 步骤3)、获得实测数据集；

[0043] 步骤4)、获得有限元模拟数据集；

[0044] 步骤5)、数据集融合提高数据分辨率；

[0045] 步骤6)、结合深度学习，建立感知机理模型。

[0046] 将传感器设计为四敏感单元组成金字塔传感器单元，四个敏感单元在传感器单元内部为2x2排布，如图1-1、1-2所示。每个传感单元的上下电极层要与相邻单元串联起来，以此来实现敏感单元的阵列连接。结合微电容检测电路，可以实现高分辨率的触觉感测。进一步的，将传感器单元弹性行为模型与应力-电容转换模型集成为传感器代表性单元，采用Matlab编程，对传感器阵列力学响应机制进行模块化、离散化模拟，并考虑不同方向力载荷的协同应变机制。利用传感器阵列对边界特征明显的物体进行触摸，建立较为粗糙的实测数据库，用于训练。借助有限元工具，模拟传感器阵列面对不同微观几何接触形貌(如图2所示)等触摸特征时的应力响应过程，得到微细边界扰动下的触摸反馈数据，作为精细数据集，用于强化、补充实测数据集的不足，通过建立映射关系，实现模拟数据集与实测数据集的融合，即将传感器的物理精度与数值算法精度相结合，提高传感器的检测精度和灵敏性。利用深度网络构建感知机理的模型，包括高分辨率压力云图生成、融合卷积操作、几何关系重建和微观结构与材质属性重建。

[0047] 其中高分辨率压力云图生成步骤如图3所示，(i)首先，把低分辨率的压力云图用线性插值方式得到一个粗糙的压力云图；(ii)用卷积操作对低分辨率压力云图进行下采样自编码操作，得到一系列的特征层；(iii)采用U-Net的方式，将对于层的特征连接起来，最后得到高分辨率的压力云图，从而获取更高的精度。为融合物体边界、材质等属性提出一个融合卷积函数，在各层的卷积操作中使用。假设xi是相应的特征值，b是偏置值，N(xi)是xi的邻域，对应于融合卷积定义为：

[0048] xi＝Ψ(Mi)∑w(xj)·(xj e mj)+b

[0049] 式中w(·)可以看成是权值函数，Mi＝{mj}则是对应的自适应矩阵，e则是“乘”运算，起到过滤边界值的作用。该式里，函数Ψ(Mi)可以定义为与物体边界、微观外貌、材质属性等相关的函数。这样，结合该函数到卷积操作时，就可以把检测对象的特征应用在高分辨率压力云图重建上去。

[0050] 利用图卷积神经网络对输入的三维压力云图进行特征抽取，然后对三维模型进行回归重建，从而利用传感器感知信号获取检测对象的几何形状，重建流程如图4所示。

[0051] 通过实测和有限元模拟的方式，构建对应的传感器三维压力云图与物体外貌微观结构、材质等的数据库集合，然后将三维压力云图构建成一个3×n的矩阵作为输入特征，采用DenseNet+ReLU为一个block的多层感知机来进行量化回归训练，最后输出对应的外貌微观结构、材质等的数值向量，从而实现通过传感器感知信号获取检测物体的材料属性的关系，其感知机理如图5所示。

[0052] 上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

标题	发布/更新时间	阅读量
一种基于医疗服务的集成信息管理系统	2020-05-08	633
一种基于医疗服务的集成信息管理方法	2020-05-08	729
一种汽车无线充电的方法及系统	2020-05-12	743
一种基于BIM技术的铁路大跨度连续梁转体施工管控方法	2020-05-13	975
一种声乐转换钢琴曲的钢琴学习系统	2020-05-08	467
一种基于多核集成学习识别地层岩性参数的方法	2020-05-11	466
一种基于物联网的医学影像检查训练系统及方法	2020-05-12	441
一种课堂行为识别方法及设备	2020-05-13	594
基于3D卷积长短期记忆网络的儿童运动姿态自动识别技术	2020-05-11	135
一种监控视频发送端视频编码流速控制的方法	2020-05-12	973

柔性触觉传感器深度学习感知方法

柔性触觉传感器深度学习感知方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：