一种象棋识别学习算法和基于该算法的机器人智动化系统与方法专利检索-RGB颜色空间显示技术专利检索查询-专利查询网

一种象棋识别学习 算法和基于该算法的 机器人智动化系统与方法

阅读：448发布：2020-05-13

专利汇可以提供一种象棋识别学习算法和基于该算法的机器人智动化系统与方法专利检索，专利查询，专利分析的服务。并且本发明提供了一种象棋识别学习算法和基于该算法的机器人智动化系统与方法，系统包括视觉机器人、监控计算机等。启动系统，触发视觉机器人采集图像，参与象棋对决的视觉机器人使用象棋识别学习算法和象棋决策算法实现摆棋和走棋操作，并将相应的摆棋、走棋信息发送给各自的监控计算机，同时监控计算机实时显示包含全局场景信息的虚拟界面；本发明机器人可自主智能作业和人机协同作业，为进一步研究机器人的智能自动化系统作业奠定了基础，具有很高的智能水平，是人工智能技术与机器人技术结合的一个典型应用，同时提出的象棋识别学习算法速度快、准确率高、鲁棒性强。，下面是一种象棋识别学习算法和基于该算法的机器人智动化系统与方法专利的具体信息内容。

权利要求

1.基于象棋识别学习方法的机器人智动化系统，包括两个监控计算机，参与象棋对决的两个视觉机器人，机器人末端的吸盘，配套的两个气泵，一个金属象棋棋盘以及一个路由器，其中，每个视觉机器人末端均安装了一部相机，用于采集金属象棋棋盘上的视觉图像，视觉机器人执行象棋识别学习方法，并将图像中象棋的坐标按照一定比例关系转换获取机器人坐标系下的运动坐标，结合金属象棋棋盘、机器人安装高度及识别出的象棋种类信息，利用安装在各自末端的吸盘进行相应的抓取操作并放置到棋盘上的目标位置，使用象棋决策方法实现走棋操作，并通过局域网将摆棋和走棋信息广播给另一个参与象棋对决的机器人；
所述象棋识别学习方法，包括抓取象棋时的象棋识别定位方法、棋盘搜索方法和对抓取的象棋的识别分类方法，所述识别分类方法步骤如下：
采集象棋牌面即其正面图像，象棋正面区域与背景区域色彩差异形成RGB颜色空间模型约束条件，根据该约束条件，采用轮廓检测方法检测象棋正面边缘，选择最靠近本方棋盘左下角的正面边缘，求取该象棋正面边缘的外接矩形，得到有效的象棋正面区域；使用多张象棋正面区域图像作为训练样本，训练Squeeze Net分类器，将按象棋正面边缘的外接矩形大小截取的图片输入已训练的Squeeze Net分类器，通过Squeeze Net分类器得到象棋的识别分类类别信息，标签0,1,2,3,4,5,6,7,8…14分别对应背景和14种棋子；
其特征在于，所述视觉机器人通过末端相机采集本方象棋棋盘上方图像，提取颜色、像素面积、圆半径、圆个数信息，得到棋子的外接矩形，在原始图片上截取出外接矩形相应位置的图片，送入Squeeze Net分类器得到象棋的种类信息，抓取并将其放到对应的位置；所述视觉机器人与监控计算机之间布置有气泵，并与机器人末端安装的吸盘相配套，配合完成机器人的抓取操作。
2.根据权利要求1所述基于象棋识别学习方法的机器人智动化系统，其特征在于，所述象棋识别定位方法步骤如下：视觉机器人从本方棋盘上方采集视觉图像，对于象棋目标，根据所采集图像的颜色特征、形状特征、面积特征提取象棋轮廓，获取轮廓的最小外接矩形，从而得到图像中象棋的坐标位置。
3.根据权利要求1所述基于象棋识别学习方法的机器人智动化系统，其特征在于，所述棋盘搜索方法步骤如下：将本方棋盘左下角定义为搜索起点，设置搜索步长及最大搜索步数，视觉机器人从搜索起点开始逐步搜索，从后往前，从左至右以蛇形运动搜索整个象棋棋盘；每到一个新的位置，视觉机器人从本方棋盘上方采集视觉图像，执行象棋识别定位方法完成该位置的搜索动作，若搜索到象棋，进行摆棋动作，动作后回到该位置继续搜索，否则视觉机器人运动到下一位置继续搜索，当到达最大搜索步数或是已全部摆放好本方棋子时结束搜索。
4.根据权利要求1所述基于象棋识别学习方法的机器人智动化系统，其特征在于，所述每个视觉机器人两侧分别布置有一台监控计算机，所述监控计算机通过路由器组成一个局域网，分别实时显示对应视觉机器人的抓棋、摆棋以及走棋场景信息的虚拟界面。
5.根据权利要求1所述基于象棋识别学习方法的机器人智动化系统，其特征在于，所述象棋决策方法采用极大极小搜索方法，首先确定局势评估函数f，f为量化后的当前局势对于当前操作者的优势，优势量化需要对每个象棋棋子的价值进行量化，每个棋子在棋盘上不同位置具有不同的价值，对于控制黑方走棋的视觉机器人，局势评估函数f定义为所有黑方象棋价值之和减去所有红方象棋价值之和，视觉机器人根据局势评估函数f进行搜索最优的走棋策略，所述极大极小搜索方法，使用两层搜索，具体步骤如下：
(a)假设初始局势为A，决策方为黑方，即当前视觉机器人进行走棋决策；
(b)假设A局势下黑方共有n种策略，分别可转移到B1、B2、...、Bn局势，分别对应n个不同的局势评估函数f值，假设其中B1局势下红方共有m种策略，分别可以转移到C1、C2、...、Cm局势，分别对应m个不同的局势评估函数f的值；
(c)当前决策者黑方默认对方会选择使得局势评估函数f最小的一种策略，即对黑方最不利的一种走法，因此认为B1局势下的局势估值为m个不同的局势评估函数f的值中最小的值，记为f1，依此类推，Bn局势下的局势估值记为fn；
(d)回到A局势考虑，显然期望下一个局势有最大的局势估值，因此从f1、...、fn中选取最大的一个值f*，所对应的局势B*也就是A局势最希望转移到达的状态，此时得到在两层搜索下最优的走棋策略。
6.根据权利要求1所述基于象棋识别学习方法的机器人智动化系统，其特征在于，所述视觉机器人之间以及监控计算机之间的通信，是以路由器为中心的星型局域网，局域网中视觉机器人分别与监控计算机相连，两监控计算机之间通过路由器转发完成整个系统的通信，接收和发送的消息由字符串构成，字符串以“@”作为起始符，以“*”作为终止符，字符串内部传递的消息之间以“&”相隔，对消息的处理过程是首先遍历字符串，如果起始符和终止符不完整，说明消息不是完整命令；否则以“&”为边界进行分割，根据命令类型不同进入不同的处理模块，其中消息处理机制采用基于消息响应的异步机制，同时采用互斥锁的方法防止多个线程同时访问消息处理模块。
7.利用权利要求1所述基于象棋识别学习方法的机器人智动化系统的方法，其特征在于，包括如下步骤：
步骤1：启动机器人智动化系统装置，完成各项初始化工作，包括视觉机器人初始化、本方棋盘上任意放置本方棋子；
步骤2：机器人智动化系统装置所包括的视觉机器人开始进行象棋对决的摆棋阶段，在本方象棋棋盘上方，机器人从左下角以蛇形运动搜索整个本方象棋棋盘区域，采集象棋棋盘上方的图像，若视野范围内有象棋出现，调用象棋识别分类方法进行象棋分类得到棋子的位置信息，并进行是否抓取的判定；
步骤3：若该象棋棋子未处于正确的位置，则视觉机器人执行抓取象棋棋子的动作，先将棋子抓起移动到目标位置的上方，采集象棋棋盘上方的图像，若目标位置上有棋子占据位置，则将已抓取的棋子挪到棋盘中央缓冲区，再将占据目标位置的棋子挪到缓冲区，最后将第一个放到棋盘中央缓冲区的棋子放到目标位置，否则，直接将已抓取的棋子直接放到目标位置；
步骤4：若机器人在步骤3将棋子挪到缓冲区，对挪到缓冲区的象棋棋子调用象棋识别定位方法对该象棋进行定位、识别分类，并将其抓取到正确的位置；
步骤5：等待视觉机器人摆放完毕所有棋子后，进入象棋对决环节；
步骤6：当对决分出胜负或和棋时，象棋对决结束。
8.根据权利要求7所述方法，其特征在于，所述象棋对决环节有两种模式，人与机器人，以及机器人与机器人；
在人与机器人对决模式下，人通过操作监控计算机显示器上的虚拟棋盘来控制红方，或操作监控计算机显示器上的虚拟棋盘来控制黑方，若控制红方，在虚拟棋盘中移动象棋实现走棋决策，同时机器人在金属棋盘上完成实际走棋运动，象棋移动信息通过局域网广播给另一台监控计算机，两台监控计算机实时更新虚拟棋盘；机器人通过感知全局场景信息，调用象棋决策方法做出决策，同时在金属棋盘完成实际的走棋，象棋移动信息广播给计算机和机器人，同时更新各个虚拟界面；
在机器人与机器人对决模式下，机器人自主选择对决策略。

说明书全文

一种象棋识别学习 算法和基于该算法的 机器人智动化系统与

方法

技术领域

[0001] 本发明属于人工智能与机器人技术领域，特别涉及一种象棋识别学习算法和基于该算法的机器人智动化系统与方法。

背景技术

[0002] 中国制造业在最近几十年来快速发展，制造业由自动化向智能化发展已是必然趋势，作为工业、农业、国防和科学技术现代化的重要条件和显著标志的自动化技术也要向智能自动化方向发展。但是目前智能自动化没有形成完整成熟的系统，仍处于初步研究阶段，公司和高校都迫切需要可以进行实验学习和验证的智能自动化系统作为研究对象。

[0003] 目前的象棋对决系统已经可以与人类玩家同台竞技，但仅仅是虚拟场景下的象棋对决，尚未有机器人代替人类直接进行摆棋和下棋等实际操作，即使AlphaGo在比赛时也需要人类进行场景认知识别以及实际操作，没有完整复现真实场景下的对决。此外，目前的象棋识别分类算法还是基于传统的计算机视觉方法，受到外界条件如光照的影响较大，识别分类效果鲁棒性较差。

发明内容

[0004] 为了克服上述现有技术的缺点，本发明的目的在于提供一种象棋识别学习算法和基于该算法的机器人智动化系统与方法，不仅可以实现2个机器人之间的象棋对决，同时可以实现人与机器人之间的博弈对决，而且在不同光照条件下的象棋分类识别鲁棒性好，系统占空间较小，可作为智能自动化系统的模型系统进行深入研究，充分体现了单机器人的自主智能、机器人协同作业、人机协同作业的概念以及机器智能代替人工作业的概念，是一种人工智能技术与机器人技术结合的典型应用，为进一步研究机器人智能自动化系统提供了基础。

[0005] 为了实现上述目的，本发明采用的技术方案是：

[0006] 一种象棋识别学习算法，包括抓取象棋时的象棋识别定位算法、棋盘搜索算法和对抓取的象棋的识别分类算法，其特征在于，所述识别分类算法步骤如下：

[0007] 采集象棋牌面即其正面图像，象棋正面区域与背景区域色彩差异形成RGB颜色空间模型约束条件，根据该约束条件，采用轮廓检测算法检测象棋正面边缘，选择最靠近本方棋盘左下角的正面边缘，求取该象棋正面边缘的外接矩形，得到有效的象棋正面区域；使用多张象棋正面区域图像作为训练样本，训练Squeeze Net分类器，将按象棋正面边缘的外接矩形大小截取的图片输入已训练的Squeeze Net分类器，通过Squeeze Net分类器得到象棋的识别分类类别信息，标签0,1,2,3,4,5,6,7,8…14分别对应背景和14种棋子。

[0008] 所述象棋识别定位算法步骤如下：视觉机器人从本方棋盘上方采集视觉图像，对于象棋目标，根据所采集图像的颜色特征、形状特征、面积特征提取象棋轮廓，获取轮廓的最小外接矩形，从而得到图像中象棋的坐标位置。

[0009] 所述棋盘搜索算法步骤如下：将本方棋盘左下角定义为搜索起点，设置搜索步长及最大搜索步数，视觉机器人从搜索起点开始逐步搜索，从后往前，从左至右以蛇形运动搜索整个象棋棋盘；每到一个新的位置，视觉机器人从本方棋盘上方采集视觉图像，执行象棋识别定位算法完成该位置的搜索动作，若搜索到象棋，进行摆棋动作，动作后回到该位置继续搜索，否则视觉机器人运动到下一位置继续搜索，当到达最大搜索步数或是已全部摆放好本方棋子时结束搜索。

[0010] 本发明还提供了基于所述象棋识别学习算法的机器人智动化系统，其特征在于，包括两个监控计算机，参与象棋对决的两个视觉机器人，机器人末端的吸盘，配套的两个气泵，一个金属象棋棋盘以及一个路由器，其中，每个视觉机器人末端均安装了一部相机，用于采集金属象棋棋盘上的视觉图像，视觉机器人执行象棋识别学习算法，并将图像中象棋的坐标按照一定比例关系转换获取机器人坐标系下的运动坐标，结合金属象棋棋盘、机器人安装高度及识别出的象棋种类信息，利用安装在各自末端的吸盘进行相应的抓取操作并放置到棋盘上的目标位置，使用象棋决策算法实现走棋操作，并通过局域网将摆棋和走棋信息广播给另一个参与象棋对决的机器人。

[0011] 所述每个视觉机器人两侧分别布置有一台监控计算机，所述监控计算机通过路由器组成一个局域网，分别实时显示对应视觉机器人的抓棋、摆棋以及走棋场景信息的虚拟界面。

[0012] 所述视觉机器人通过末端相机采集本方象棋棋盘上方图像，提取颜色、像素面积、圆半径、圆个数信息，得到棋子的外接矩形，在原始图片上截取出外接矩形相应位置的图片，送入Squeeze Net分类器得到象棋的种类信息，抓取并将其放到对应的位置；所述视觉机器人与监控计算机之间布置有气泵，并与机器人末端安装的吸盘相配套，配合完成机器人的抓取操作。

[0013] 所述象棋决策算法采用极大极小搜索算法，首先确定局势评估函数f，f为量化后的当前局势对于当前操作者的优势，优势量化需要对每个象棋棋子的价值进行量化，每个棋子在棋盘上不同位置具有不同的价值，对于控制黑方走棋的视觉机器人，局势评估函数f定义为所有黑方象棋价值之和减去所有红方象棋价值之和，视觉机器人根据局势评估函数f进行搜索最优的走棋策略；

[0014] 所述极大极小搜索算法，使用两层搜索，具体步骤如下：

[0015] (a)假设初始局势为A，决策方为黑方，即当前视觉机器人进行走棋决策；

[0016] (b)假设A局势下黑方共有n种策略，分别可转移到B1、B2、...、Bn局势，分别对应n个不同的局势评估函数f值，假设其中B1局势下红方共有m种策略，分别可以转移到C1、C2、...、Cm局势，分别对应m个不同的局势评估函数f的值；

[0017] (c)当前决策者黑方默认对方会选择使得局势评估函数f最小的一种策略，即对黑方最不利的一种走法，因此认为B1局势下的局势估值为m个不同的局势评估函数f的值中最小的值，记为f1，依此类推，Bn局势下的局势估值记为fn；

[0018] (d)回到A局势考虑，显然期望下一个局势有最大的局势估值，因此从f1、...、fn中选取最大的一个值f*，所对应的局势B*也就是A局势最希望转移到达的状态，此时得到在两层搜索下最优的走棋策略。

[0019] 所述视觉机器人之间以及监控计算机之间的通信，是以路由器为中心的星型局域网，局域网中视觉机器人分别与监控计算机相连，两监控计算机之间通过路由器转发完成整个系统的通信，接收和发送的消息由字符串构成，字符串以“@”作为起始符，以“*”作为终止符，字符串内部传递的消息之间以“&”相隔，对消息的处理过程是首先遍历字符串，如果起始符和终止符不完整，说明消息不是完整命令；否则以“&”为边界进行分割，根据命令类型不同进入不同的处理模块，其中消息处理机制采用基于消息响应的异步机制，同时采用互斥锁的方法防止多个线程同时访问消息处理模块。

[0020] 本发明还提供了利用所述机器人智动化系统的方法，包括如下步骤：

[0021] 步骤1：启动机器人智动化系统装置，完成各项初始化工作，包括视觉机器人初始化、本方棋盘上任意放置本方棋子等；

[0022] 步骤2：机器人智动化系统装置所包括的视觉机器人开始进行象棋对决的摆棋阶段，在本方象棋棋盘上方，机器人从左下角以蛇形运动搜索整个本方象棋棋盘区域，采集象棋棋盘上方的图像，若视野范围内有象棋出现，调用象棋识别分类算法进行象棋分类得到棋子的位置信息，并进行是否抓取的判定；

[0023] 步骤3：若该象棋棋子未处于正确的位置，则视觉机器人执行抓取象棋棋子的动作，先将棋子抓起移动到目标位置的上方，采集象棋棋盘上方的图像，若目标位置上有棋子占据位置，则将已抓取的棋子挪到棋盘中央缓冲区，再将占据目标位置的棋子挪到缓冲区，最后将第一个放到棋盘中央缓冲区的棋子放到目标位置。否则，直接将已抓取的棋子直接放到目标位置；

[0024] 步骤4：若机器人在步骤3将棋子挪到缓冲区，对挪到缓冲区的象棋棋子调用象棋识别定位算法对该象棋进行定位、识别分类，并将其抓取到正确的位置；

[0025] 步骤5：等待视觉机器人摆放完毕所有棋子后，进入象棋对决环节；

[0026] 步骤6：当对决分出胜负或和棋时，象棋对决结束。

[0027] 所述象棋对决环节有两种模式，人与机器人，以及机器人与机器人；

[0028] 在人与机器人对决模式下，人通过操作监控计算机显示器上的虚拟棋盘来控制红方，或操作监控计算机显示器上的虚拟棋盘来控制黑方，若控制红方，在虚拟棋盘中移动象棋实现走棋决策，同时机器人在金属棋盘上完成实际走棋运动，象棋移动信息通过局域网广播给另一台监控计算机，两台监控计算机实时更新虚拟棋盘；机器人通过感知全局场景信息，调用象棋决策算法做出决策，同时在金属棋盘完成实际的走棋，象棋移动信息广播给计算机和机器人，同时更新各个虚拟界面；

[0029] 在机器人与机器人对决模式下，机器人自主选择对决策略。

[0030] 与现有技术相比，本发明的有益效果是：

[0031] 本发明的机器人象棋博弈系统充分体现机器人智能自动化的概念，视觉机器人之间可以协作进行象棋对决，也可以单机器人与人之间进行象棋对决。在象棋对决系统基础上，可以进一步研究机器人的智能自动化作业及人工智能方面的实际应用，为高校和企业的视觉与机器人的结合相关研究奠定基础。系统抗环境干扰能力强，适用于各种工作环境，是人工智能技术与机器人技术结合的一个典型应用。

[0032] 本发明中视觉机器人代替人类的眼识别分类象棋，代替人类的手在真实环境中摆放象棋和走棋，代替人类的大脑感知场景信息并自主决策走棋。

[0033] 本发明提出的象棋识别学习算法引入人工智能中的深度学习方法，速度快，准确率高，鲁棒性强。附图说明

[0034] 图1为本发明机器人智动化系统的架构图。

[0035] 图2为本发明机器人象棋对决过程的流程图。

[0036] 图3为本发明象棋识别学习算法的流程图。

具体实施方式

[0037] 下面结合附图和实施例详细说明本发明的实施方式。

[0038] 如图1所示，本发明基于象棋识别学习算法的机器人智动化系统装置，包括两个监控计算机1,11，参与象棋对决的两个视觉机器人3,9，机器人末端的吸盘4,8，配套的两个气泵2,10，一个金属象棋棋盘6以及一个路由器12。其中，每个视觉机器人3,9末端均安装了一部相机5,7，两个监控计算机1,11之间通过路由器12构成星型局域网。

[0039] 如图1所示，所述监控计算机1,11分别负责显示视觉机器人3,9对应的虚拟场景界面，气泵2,10分别和视觉机器人3,9末端的吸盘4,8配合完成抓取操作。

[0040] 如图2所示，基于象棋识别学习算法的机器人智动化系统运行的过程是：

[0041] 首先，启动机器人智动化系统，随后，视觉机器人3,9调用机器人的象棋识别学习算法，从棋盘6上定位抓取和识别棋子并摆放到棋盘相应的位置上，同时将棋子信息进行广播，监控计算机1,11实时显示机器人抓取的象棋信息的虚拟界面。

[0042] 对于走棋操作，由于本发明可以进行机器人与机器人对决，也可以由人类决策走棋，因此决策走棋过程中如果是人类自主决策，则通过鼠标点击、拖动实现走棋操作；如果是视觉机器人自主决策，则视觉机器人调用自主决策模块感知场景信息，进行走棋决策操作。由于机器人运动范围有限，当决策走棋位置超出机器人运动范围，需要敌方视觉机器人协同将棋子摆放到棋盘的目标位置。走棋过程中，被吃掉的棋子将被放置在象棋存放区。同时发送走棋信息给另一个参与象棋对决的机器人对应的监控计算机，并更新各虚拟界面。

[0043] 最后，当有机器人胜利或和棋时，则象棋对决结束。

[0044] 如图3所示，视觉机器人3,9象棋学习识别算法包括象棋识别定位和象棋识别分类两个部分。

[0045] 其中象棋识别定位部分，视觉机器人3,9末端运动到棋盘6本方左下角的正上方，并以蛇形运动扫描本方棋盘，利用固定在机器人末端的相机5,7采集视觉图像，根据象棋表面颜色阈值特征，将图像进行二值化处理，满足该颜色阈值的为前景，否则为背景(前景像素设为1，背景像素设为0)。采用Canny 边缘检测算法检测二值图中白色连通域的轮廓。Canny边缘检测算法的步骤如下：

[0046] (a)使用高斯滤波器，滤除噪声，平滑图像。

[0047] (b)设平滑后图像为I，其相应的梯度幅值图像为G，梯度方向图像为θ，其中I(i,j)为点(i,j)处的灰度值，Gx(i,j)、Gy(i,j)为x、y两个方向偏导数：

[0048] Gx(i,j)＝(I(i,j+1)-I(i,j)+I(i+1,j+1)-I(i+1,j))/2

[0049] Gy(i,j)＝(I(i,j)-I(i+1,j)+I(i,j+1)-I(i+1,j+1))/2

[0050] 则此时梯度幅值G(i,j)和方向θ(i,j)：

[0051]

[0052]

[0053] (c)利用非极大值抑制法，精确定位边缘。

[0054] (d)利用双阈值法从候选边缘点中检测和连接出最终边缘。

[0055] 然后对预处理后的图像采用随机Hough变换圆检测，方法如下：

[0056] 在二维空间中圆的方程为：

[0057] (x-a)2+(y-b)2＝r2

[0058] 式中：(a,b)为圆心坐标，r为圆的半径。确定a、b、r三个未知参数，需要在圆上取3个点(x1,y1)、(x2,y2)、(x3,y3)，将3个点代入上式中得到方程组：

[0059] (x1-a)2+(y1-b)2＝r2

[0060] (x2-a)2+(y2-b)2＝r2

[0061] (x3-a)2+(y3-b)2＝r2

[0062] 求解方程组可得到圆心坐标(a,b)和半径r。

[0063] 随机Hough变换的原理为在图像中所有的边缘点中随机选取3个点，确定圆心坐标(a1,b1)和半径r1。然后取在第4点(x4,y4)代入第一个方程中，求出半径r4，将r4代入下式中：

[0064] r4-r1＝δ1

[0065] δ为预先设定的误差值，当δ1小于δ时，确定为候选圆。确定候选圆后，取所有点代入计算，当δ1-i小于δ时累加器加1，当累加器的值达到预定阈值时，确定为1个真圆。

[0066] 通过Hough圆检测筛选出满足象棋表面形状和大小特征的轮廓，定位出轮廓的最小外接矩形，求解出矩形的中心坐标，视觉机器人3,9将图像中坐标按照一定比例关系转换获取机器人坐标系下的运动坐标，进行相应的抓取操作，同时调用象棋识别分类模块进行分类识别。

[0067] 对于象棋识别分类部分，根据定位时得到的象棋最小外接矩形，按照最小外接矩形区域裁剪原彩色图像，从而实现象棋表面区域的精确定位。使用裁剪后的象棋正面图像作为训练样本，象棋棋子在棋盘中的位置随机，角度随机，人工采集构建一个完整的数据集太过耗时耗力，因此，实验过程中采集一定数量每一种棋子的图像后，通过图像处理的方法来随机生成更多的样本，同时自动生成图像的标签数据。生成样本的处理方式有缩放、随机加入一定量的噪声及对比度拉伸等，缩放时进行4次随机尺度缩放，缩放因子为0.8～1.2之间的随机数，加入噪声则是在整幅图像中加入了5％的随机噪声。

[0068] 对比度拉伸则能很好地模拟不同光照条件下的情况。样本集的对比度变化采用线性对比度拉伸来完成，对比度拉伸实质上是一种灰度变换，通过改变图像的灰度范围来提高或者降低对比度。假设原图像中位置坐标(x,y)处的像素灰度值为f(x,y)，变换之后的图像坐标(x,y)处的像素灰度值为g(x,y)，则线性对比度拉伸的计算方法可以用下式来描述[0069] g(x,y)＝kf(x,y)+b

[0070] 在Caffe平台上训练Squeeze Net,利用这种轻量级卷积神经网络方法设计自己的象棋识别网络。训练完毕后，将待识别的去除背景噪声的象棋图像输入已训练的Squeeze Net分类器，从而得到象棋棋子的类别信息。

[0071] 本发明中四个视觉机器人3,9以及监控计算机1,11之间的通信，是以路由器12为中心的星型局域网，局域网中各个节点均通过无线路由器转发完成整个系统的通信。其中接收和发送的消息由字符串构成，字符串以“@”作为起始符，以“*”作为终止符，字符串内部传递的消息之间以“&”相隔。对消息的处理过程是首先遍历字符串，如果起始符和终止符不完整，说明消息不是完整命令；否则以“&”为边界进行分割，根据命令类型不同进入不同的处理模块。其中消息处理机制采用基于消息响应的异步机制，同时采用互斥锁的方法防止多个线程同时访问消息处理模块。

[0072] 本发明中视觉机器人3,9所包含的决策模块采用极大极小搜索算法，首先确定局势评估函数f，f为量化后的当前局势对于当前操作者的优势，优势量化需要对每个象棋棋子的价值进行量化，每个棋子在棋盘上不同位置具有不同的价值，对于机器人3控制黑方走棋，局势评估函数f定义为所有黑方象棋价值总和减去所有红方象棋价值总和。机器人根据局势评估函数f进行搜索最优的走棋策略，所述象棋决策算法采用的是极大极小搜索算法，使用两层搜索，具体步骤如下：

[0073] (a)假设初始局势为A，轮到黑方走棋，当前决策机器人3进行走棋决策。

[0074] (b)假设A局势下黑方共有n种策略，分别可转移到B1、B2、...、Bn局势，分别对应n个不同的局势评估函数f值。假设其中B1局势下红方共有m种策略，分别可以转移到C1、C2、...、Cm局势，分别对应m个不同的局势评估函数f的值。

[0075] (c)当前决策者黑方默认对方会选择使得局势评估函数f最小的一种策略，即对黑方最不利的一种走法，因此认为B1局势下的局势估值为m个不同的局势评估函数f的值中最小的值，记为f1，依此类推，Bn局势下的局势估值记为fn。

[0076] (d)回到A局势考虑，显然期望下一个局势有最大的局势估值，因此从f1、...、fn中选取最大的一个值f*，所对应的局势B*也就是A局势最希望转移到达的状态，此时可以得到在两层搜索下最优的走棋策略。

[0077] 通过以上方法，即可实现两机器人识别抓取象棋和自主决策走棋，并通过有线局域网实现整个过程的通信。本发明提出的象棋识别学习算法引入人工智能中的深度学习方法，速度快，准确率高，鲁棒性强。本发明的机器人智动化系统装置，将虚拟象棋游戏场景真实化，由机器人通过视觉感知真实场景，完成摆棋和走棋操作。本发明的机器人智动化系统装置，为智能作业的智动化系统开创了模型系统示范，为人工智能、智能制造、机器人智能化、生产系统智能化等未来学科专业创新人才培养奠定了教学实验基础。

[0078] 值得注意的是，上述的具体实施方式用于解释说明本发明，仅为本发明的优选实施方案，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改、等同替换、改进等，都属于本发明的保护范围。

标题	发布/更新时间	阅读量
一种智能录播系统中站立人脸检测定位的方法	2020-05-14	788
转变图像风格的方法和装置、卷积神经网络处理器	2020-05-14	244
手势识别方法、装置、终端设备及计算机可读存储介质	2020-05-11	176
机器人视听协同学习新目标的语音标签自动生成方法	2020-05-12	805
一种基于街景图的城市环境评估方法	2020-05-13	147
图像区域的判断方法和系统	2020-05-14	569
可变速率压缩的方法和可变速率解压缩的方法	2020-05-12	456
一种基于改进Vibe+算法的运动目标背景分割方法	2020-05-12	28
一种图像处理方法、系统及终端设备	2020-05-08	795
一种基于多特征优选的可见光无人机遥感影像森林树种分类方法	2020-05-12	24

一种象棋识别学习算法和基于该算法的机器人智动化系统与方法

一种象棋识别学习算法和基于该算法的机器人智动化系统与

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：