CN109822578A - 一种智能烹饪机器人***及控制方法 - Google Patents
一种智能烹饪机器人***及控制方法 Download PDFInfo
- Publication number
- CN109822578A CN109822578A CN201910271988.8A CN201910271988A CN109822578A CN 109822578 A CN109822578 A CN 109822578A CN 201910271988 A CN201910271988 A CN 201910271988A CN 109822578 A CN109822578 A CN 109822578A
- Authority
- CN
- China
- Prior art keywords
- module
- cooking machine
- machine people
- central processing
- intelligent cooking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于智能机器人技术领域,公开了一种智能烹饪机器人***及控制方法,智能烹饪机器人***包括:供能模块、控制模块、显示模块、采集模块、中央处理模块、操作模块、输送模块,中央处理模块采用支持向量机(SVM)与混合信号控制处理器进行数据的处理。本发明提供的SVM在求解***中加入了正则化项以优化结构风险,是一个具有稀疏性和稳健性的分类器,在人像识别、文本分类具有广泛的应用,利用混合信号控制处理器进行信号的处理,使得智能烹饪机器人可以同时完成多个指令。
Description
技术领域
本发明属于智能机器人技术领域,尤其涉及一种智能烹饪机器人***及控制方法。
背景技术
目前,烹饪指的是膳食的艺术,是一种复杂而有规律的物质运动形式。是对食品作加工处理,使食物更可口,更好看,更好闻。一个好的料理,色香味意形养俱佳,不但让人在食用时感到满足,而且能让食物的营养更容易被人体吸收。
现有的需要大规模进行的烹饪的场合,比如学校、部队和工厂等,由于进餐时间非常集中,所以需要同时对大量人群提供饮食,因此需要许多的厨师提前进行做饭,不仅增加了厨师的劳动量,而且成本较高。
综上所述,现有技术存在的问题是:
现有的技术本不能通根据不同人群数量进行口味、数量进行智能调节,所不能够满足大规模人群的需要。
现有技术的智能烹饪机器人图像信息处理中,处理能力差,影响了机器人的实际模仿操作能力。
发明内容
针对现有技术存在的问题,本发明提供了一种智能烹饪机器人***及控制方法。
本发明是这样实现的,一种智能烹饪机器人***的控制方法,所述智能烹饪机器人***的控制方法包括:通过控制模块与显示模块制智能烹饪机器人启动及选择需要的菜肴,烹饪机器人通过采集模块采集烹饪操作者的动作,传输到中央处理模块,中央处理模块对动作进行分析、储存;
中央处理模块发送指令到操作模块,操作模块执行传输的命令进行菜肴的制作,制作完成后,输送模块将菜肴输送出;
烹饪机器人通过控制摄像头的角度对烹饪操作者的动作进行采集,采集完成后,传输到中央处理模块,中央处理模块的支持向量机通过扩展算法进行动作识别与分解,并进行储存;
中央处理模块进行数据的处理中,利用正则化对烹饪操作者的动作图像信号进行特征提取,得到样本特征向量Y;
利用粒子群算法对支持向量机的核函数参数进行迭代寻优,粒子群利用求解互信息的联合直方图法,重新定义联合直方图中的h(e,g)以及粒子的速度和位移更新公式,粒子的速度和位移更新公式如下:
其中,v表示粒子速度,t表示时间,i表示第i个粒子,j表示第j个路径,w是惯性权重,c1、c2表示学习因子,pi,j表示第i个粒子经历过的最好位置,pg,j表示群体所有微粒经历过的最好位置,其中e,g分别为待匹配路径和模板路径,h(e,g)表示在最优路径e出现的位置上,在历史路径相应的位置g出现的次数;通过粒子的速度和位移更新公式更新粒子的速度和位移,找到优解,优解公式为:xi,j表示第i个粒子第j个路径所需要更新的位移,xi,j(1)表示的是xi,j的下一个,每次都在变化,下一次就为xi,j(2);
利用优化后的最优参数对SVM分类器进行训练,利用训练好的分类器对图像进行分类预测。
进一步,粒子的位移更新中,按照xi,j=vi,j+wvi,j对xi,j进行更改;
以概率c1h(e,g)修改(pi,j-xi,j)的交换序,得到xi,j(1)为xi,j与
c1h(e,g)(pi,j-xi,j)的和,pi,j-xi,j(t)表示每个粒子与个体最优位置的交换序;
以概率c2h(e,g)修改(pg,j-xi,j)的交换序,得到xi,j(2)为xi,j(1)与的和,,pg,j-xi,j(t)表示群体最优位置与个***置的交换序,更新位移完毕。
进一步,利用训练好的分类器对图像进行分类预测后,还需进行:消除图形中的奇化部分;建立两图形的数学模型,由描述图形的完备向量组建立与图形对应的特征矩阵,计算出相邻两边的夹角;计算两图形间的最近距离;对计算结果的增强性处理。
进一步,所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量S1表示多边形:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S1和该多边形有一一映射关系,其表示与边角初始顺序无关。
进一步,所述完备向量组,按逆时针方向,有2N个向量S1、S2……S2N-1、S2N和多边形均有一一映射关系,构成了该多边形的一个完备向量组,表示如下:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S2=(α1,l2,α2…lN-1,αN-1,lN,αN,l1);
……
S2N-1=(lN,αN,l1,α1,l2,α2…lN-1,αN-1);
S2N=(αN,l1,α1,l2,α2…lN-1,αN-1,lN);
用矩阵SE表示完备向量,并定义SE为该多边形的特征矩阵,SE表示如下:
进一步,所述图形中源图形和目标图形作预处理包括:
根据图形最小包容矩形长宽比设置适当域值,进行过滤;
根据源图形中各边长与周长比的最小值设置域值,去除目标图形中的奇化部分;
对目标图形边数作化简处理,使和源图形具有相同边数。
进一步,获取源图形和目标图形特征矩阵中最相似向量的欧式距离和最大相和系数具体包括:
首先,按逆时针方向分别建立源图形P和目标图形Q的特征矩阵PE和QE:
PE=[P1 T P2 T … P2N-1 T P2N T];
QE=[Q1 T Q2 T … Q2N-1 T Q2N T];
欧式距离公式d(x,y)和夹角余弦公式sim(x,y)如下:
以d(x,y)和为sim(x,y)基础,重新定义两个矩阵D和S,使:
求出D和S中的最小值;
分别令Eue=min{Dij},1≤i≤j=2N;Sime=max{Sij},1≤i≤j=2N;
然后再按顺序针方向构造图形P和Q的特征矩阵,重复上述计算方法,求出两特征矩阵中最完备向量间的最小值Euc和Simc;
最后令Eu=min{Eue,Euc};
Sim=min{Sime,Simc};
Eu和Sim即为P、Q两图形对应最相似向量的欧式距离和最大相和系数。
进一步,计算结果的增强性处理包括:
对初始向量进行一次到多次变形,在用相邻边角序列构造初始向量的基础上,再添加图形的几何特征值,采用添加顺序的相邻边角比作为新的初始向量;将初始向量进行一次到多次非线性化处理,采用将初始向量进行开方处理;
对变形后的初始向量进行多次相似度计算,最后按加权平均取值,以欧式距离Eu和相和系数Sim的评定公式如下:
上式中n为向量变形的次数,ki为权重系数,Eui和Simi为第i次变形后向量的欧式距离,Eu(P,Q)为欧式距离的评定,n=4,ki取0.25。
本发明的另一目的在于提供一种智能烹饪机器人***,所述智能烹饪机器人***包括:
供能模块,与中央处理模块进行连接,通过电线连接家用电源,为整个智能机器人进行供能;
控制模块,与中央处理模块进行连接,操作人员可根据需要通过控制模块对烹饪智能机器人进行控制;
显示模块,与中央处理模块进行连接,显示屏模块为显示屏,操作人员可通过显示模块反应的信息进一步的控制智能烹饪机器人;
采集模块,与中央处理模块进行连接,采集模块为摄像头,智能烹饪机器人可通过采集模块采集操作人员在烹饪时的动作并进行处理、储存;
中央处理模块,与供能模块、控制模块、显示模块、采集模块、操作模块、输送模块进行连接,中央处理模块采用SVM与混合信号控制处理器进行数据的处理,将处理后的数据信息发布指令;
操作模块,与中央处理模块进行连接,控制烹饪智能机器人根据输入的操作流程或者采集的操作流程进行菜肴的烹饪;
输送模块,与中央处理模块进行连接,控制智能烹饪机器人对完成的菜肴进行输送。
进一步,采集模块的采集状况如下,智能烹饪机器人通过控制摄像头的角度对操作者的动作进行采集,采集完成后,传输到中央处理模块,中央处理模块的支持向量机通过扩展算法进行动作识别与分解,并进行储存。
本发明的优点及积极效果为:
本发明设置有采集模块,通过采集模块可采集厨师的动作,因此可以通过厨师动作的变换从而进行口味的调节,本发明的中央处理模块采用支持向量机(SVM)与混合信号控制处理器进行数据的处理,SVM在求解***中加入了正则化项以优化结构风险,能有效的提高信号的分类识别率,是一个具有稀疏性和稳健性的分类器。为人群的需求信息提供保证。
本发明烹饪机器人通过控制摄像头的角度对烹饪操作者的动作进行采集,采集完成后,传输到中央处理模块,中央处理模块的支持向量机通过扩展算法进行动作识别与分解,并进行储存;
中央处理模块进行数据的处理中,利用正则化对烹饪操作者的动作图像信号进行特征提取,得到样本特征向量Y;
本发明利用粒子群算法对支持向量机的核函数参数进行迭代寻优,粒子群利用求解互信息的联合直方图法,重新定义联合直方图中的h(e,g)以及粒子的速度和位移更新公式,粒子的速度和位移更新公式如下:
其中,v表示粒子速度,t表示时间,i表示第i个粒子,j表示第j个路径,w是惯性权重,c1、c2表示学习因子,pi,j表示第i个粒子经历过的最好位置,pg,j表示群体所有微粒经历过的最好位置,其中e,g分别为待匹配路径和模板路径,h(e,g)表示在最优路径e出现的位置上,在历史路径相应的位置g出现的次数;通过粒子的速度和位移更新公式更新粒子的速度和位移,找到优解,优解公式为:xi,j表示第i个粒子第j个路径所需要更新的位移,xi,j(1)表示的是xi,j的下一个,每次都在变化,下一次就为xi,j(2);提高了机器人的操作能力。
本发明提高了机器对图形相似度的视觉分辨效果,尤其对人工不易分辨高相似度图形的难点有很大帮助;图形检测效果有较强的稳定性和可靠性;检测时间短,运行高效,实施效果成本低。本发明仅对图形的边进行查询,减少了数据处理量。本发明通过构造图形的特征矩阵,选取合适的判定准则,并对特征矩阵元素进行多次增强性非线性变换,用多数值、多标准的加权平均值建立相似度标准,达到了算法高效并有较强的稳定性
附图说明
图1是本发明实施例提供的智能烹饪机器人***的结构图。
图中:1、供能模块;2、控制模块;3、显示模块;4、采集模块;5、中央处理模块;6、操作模块;7、输送模块。
图2是本发明实施例提供的SVM进行数据的处理方法流程图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明实施例提供的智能烹饪机器人***设置有:供能模块1、控制模块2、显示模块3、采集模块4、中央处理模块5、操作模块6、输送模块7。
供能模块1,与中央处理模块5进行连接,通过电线连接家用电源,为整个智能机器人进行供能。
控制模块2,与中央处理模块5进行连接,操作人员可根据需要通过控制模块对烹饪智能机器人进行控制。
显示模块3,与中央处理模块5进行连接,显示屏模块为显示屏,操作人员可通过显示模块反应的信息进一步的控制智能烹饪机器人。
采集模块4,与中央处理模块5进行连接,采集模块为摄像头,智能烹饪机器人可通过采集模块采集操作人员在烹饪时的动作并进行处理、储存。
中央处理模块5,与供能模块1、控制模块2、显示模块3、采集模块4、操作模块6、输送模块7进行连接,中央处理模块5采用SVM与混合信号控制处理器进行数据的处理,能够稳定的处理数据信息且发布指令。
操作模块6,与中央处理模块5进行连接,可控制烹饪智能机器人根据输入的操作流程或者采集的操作流程进行菜肴的烹饪。
输送模块7,与中央处理模块5进行连接,可控制智能烹饪机器人对完成的菜肴进行输送。
进一步,采集模块4的采集状况如下,智能烹饪机器人通过控制摄像头的角度对操作者的动作进行采集,采集完成后,将其传输到中央处理模块5,中央处理模块5的支持向量机通过扩展算法进行动作识别与分解,并进行储存。
中央处理模块5采用SVM进行数据的处理具体包括:
S101:利用正则化对信号进行特征提取,得到样本特征向量Y;
S102:利用粒子群算法对支持向量机的核函数参数进行迭代寻优;
S103:利用优化后的最优参数对SVM分类器进行训练,利用训练好的分类器对样本进行分类预测。
进一步,输入信号去所述混合信号控制处理器产生其中所需要的已从混合信号中分离出来的输出信号。
作为本发明的优选实施例,可以在混合信号控制处理器提供一个预处理器,以便通过在输入信号之间建立相对时间滞后来提高输入信号的固有方向性。此外,在加到去混合信号控制处理器之前预处理器使改进后的输入信号接受去相关处理。去混合信号控制处理器的选择后的输出可以作为输入或者由另一个处理器作进一步处理以增强信号。
本发明的工作原理:通过控制模块2与显示模块3可控制智能烹饪机器人启动及选择需要的菜肴,烹饪机器人通过采集模块4采集厨师的动作,传输到中央处理模块5,中央处理模块5对动作进行分析、储存,完成上述步骤后,中央处理模块5发送指令到操作模块6,操作模块6执行传输的命令进行菜肴的制作,制作完成后,输送模块7将菜肴输送出。
在本发明实施例中,智能烹饪机器人***的控制方法包括:通过控制模块与显示模块制智能烹饪机器人启动及选择需要的菜肴,烹饪机器人通过采集模块采集烹饪操作者的动作,传输到中央处理模块,中央处理模块对动作进行分析、储存;
中央处理模块发送指令到操作模块,操作模块执行传输的命令进行菜肴的制作,制作完成后,输送模块将菜肴输送出;
烹饪机器人通过控制摄像头的角度对烹饪操作者的动作进行采集,采集完成后,传输到中央处理模块,中央处理模块的支持向量机通过扩展算法进行动作识别与分解,并进行储存;
中央处理模块进行数据的处理中,利用正则化对烹饪操作者的动作图像信号进行特征提取,得到样本特征向量Y;
利用粒子群算法对支持向量机的核函数参数进行迭代寻优,粒子群利用求解互信息的联合直方图法,重新定义联合直方图中的h(e,g)以及粒子的速度和位移更新公式,粒子的速度和位移更新公式如下:
其中,v表示粒子速度,t表示时间,i表示第i个粒子,j表示第j个路径,w是惯性权重,c1、c2表示学习因子,pi,j表示第i个粒子经历过的最好位置,pg,j表示群体所有微粒经历过的最好位置,其中e,g分别为待匹配路径和模板路径,h(e,g)表示在最优路径e出现的位置上,在历史路径相应的位置g出现的次数;通过粒子的速度和位移更新公式更新粒子的速度和位移,找到优解,优解公式为:xi,j表示第i个粒子第j个路径所需要更新的位移,xi,j(1)表示的是xi,j的下一个,每次都在变化,下一次就为xi,j(2);
利用优化后的最优参数对SVM分类器进行训练,利用训练好的分类器对图像进行分类预测。
粒子的位移更新中,按照xi,j=vi,j+wvi,j对xi,j进行更改;
以概率c1h(e,g)修改(pi,j-xi,j)的交换序,得到xi,j(1)为xi,j与
c1h(e,g)(pi,j-xi,j)的和,pi,j-xi,j(t)表示每个粒子与个体最优位置的交换序;
以概率c2h(e,g)修改(pg,j-xi,j)的交换序,得到xi,j(2)为xi,j(1)与的和,,pg,j-xi,j(t)表示群体最优位置与个***置的交换序,更新位移完毕。
利用训练好的分类器对图像进行分类预测后,还需进行:消除图形中的奇化部分;建立两图形的数学模型,由描述图形的完备向量组建立与图形对应的特征矩阵,计算出相邻两边的夹角;计算两图形间的最近距离;对计算结果的增强性处理。
进一步,所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量S1表示多边形:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S1和该多边形有一一映射关系,其表示与边角初始顺序无关。
所述完备向量组,按逆时针方向,有2N个向量S1、S2……S2N-1、S2N和多边形均有一一映射关系,构成了该多边形的一个完备向量组,表示如下:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S2=(α1,l2,α2…lN-1,αN-1,lN,αN,l1);
……
S2N-1=(lN,αN,l1,α1,l2,α2…lN-1,αN-1);
S2N=(αN,l1,α1,l2,α2…lN-1,αN-1,lN);
用矩阵SE表示完备向量,并定义SE为该多边形的特征矩阵,SE表示如下:
所述图形中源图形和目标图形作预处理包括:
根据图形最小包容矩形长宽比设置适当域值,进行过滤;
根据源图形中各边长与周长比的最小值设置域值,去除目标图形中的奇化部分;
对目标图形边数作化简处理,使和源图形具有相同边数。
获取源图形和目标图形特征矩阵中最相似向量的欧式距离和最大相和系数具体包括:
首先,按逆时针方向分别建立源图形P和目标图形Q的特征矩阵PE和QE:
PE=[P1 T P2 T … P2N-1 T P2N T];
QE=[Q1 T Q2 T … Q2N-1 T Q2N T];
欧式距离公式d(x,y)和夹角余弦公式sim(x,y)如下:
以d(x,y)和为sim(x,y)基础,重新定义两个矩阵D和S,使:
求出D和S中的最小值;
分别令Eue=min{Dij},1≤i≤j=2N;Sime=max{Sij},1≤i≤j=2N;
然后再按顺序针方向构造图形P和Q的特征矩阵,重复上述计算方法,求出两特征矩阵中最完备向量间的最小值Euc和Simc;
最后令Eu=min{Eue,Euc};
Sim=min{Sime,Simc};
Eu和Sim即为P、Q两图形对应最相似向量的欧式距离和最大相和系数。
计算结果的增强性处理包括:
对初始向量进行一次到多次变形,在用相邻边角序列构造初始向量的基础上,再添加图形的几何特征值,采用添加顺序的相邻边角比作为新的初始向量;将初始向量进行一次到多次非线性化处理,采用将初始向量进行开方处理;
对变形后的初始向量进行多次相似度计算,最后按加权平均取值,以欧式距离Eu和相和系数Sim的评定公式如下:
上式中n为向量变形的次数,ki为权重系数,Eui和Simi为第i次变形后向量的欧式距离,Eu(P,Q)为欧式距离的评定,n=4,ki取0.25。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (10)
1.一种智能烹饪机器人***的控制方法,其特征在于,所述智能烹饪机器人***的控制方法包括:通过控制模块与显示模块制智能烹饪机器人启动及选择需要的菜肴,烹饪机器人通过采集模块采集烹饪操作者的动作,传输到中央处理模块,中央处理模块对动作进行分析、储存;
中央处理模块发送指令到操作模块,操作模块执行传输的命令进行菜肴的制作,制作完成后,输送模块将菜肴输送出;
烹饪机器人通过控制摄像头的角度对烹饪操作者的动作进行采集,采集完成后,传输到中央处理模块,中央处理模块的支持向量机通过扩展算法进行动作识别与分解,并进行储存;
中央处理模块进行数据的处理中,利用正则化对烹饪操作者的动作图像信号进行特征提取,得到样本特征向量Y;
利用粒子群算法对支持向量机的核函数参数进行迭代寻优,粒子群利用求解互信息的联合直方图法,重新定义联合直方图中的h(e,g)以及粒子的速度和位移更新公式,粒子的速度和位移更新公式如下:
其中,v表示粒子速度,t表示时间,i表示第i个粒子,j表示第j个路径,w是惯性权重,c1、c2表示学习因子,pi,j表示第i个粒子经历过的最好位置,pg,j表示群体所有微粒经历过的最好位置,其中e,g分别为待匹配路径和模板路径,h(e,g)表示在最优路径e出现的位置上,在历史路径相应的位置g出现的次数;通过粒子的速度和位移更新公式更新粒子的速度和位移,找到优解,优解
公式为:xi,j表示第i个粒子第j个路径所需要更新的位移,xi,j(1)表示的是xi,j的下一个,每次都在变化,下一次就为xi,j(2);
利用优化后的最优参数对SVM分类器进行训练,利用训练好的分类器对图像进行分类预测。
2.如权利要求1所述的智能烹饪机器人***的控制方法,其特征在于,粒子的位移更新中,按照xi,j=vi,j+wvi,j对xi,j进行更改;
以概率c1h(e,g)修改(pi,j-xi,j)的交换序,得到xi,j(1)为xi,j与c1h(e,g)(pi,j-xi,j)的和,pi,j-xi,j(t)表示每个粒子与个体最优位置的交换序;
以概率c2h(e,g)修改(pg,j-xi,j)的交换序,得到xi,j(2)为xi,j(1)与c2h(e,g)(pg,j-xi,j)的和,pg,j-xi,j(t)表示群体最优位置与个***置的交换序,更新位移完毕。
3.如权利要求1所述的智能烹饪机器人***的控制方法,其特征在于,
利用训练好的分类器对图像进行分类预测后,还需进行:消除图形中的奇化部分;建立两图形的数学模型,由描述图形的完备向量组建立与图形对应的特征矩阵,计算出相邻两边的夹角;计算两图形间的最近距离;对计算结果的增强性处理。
4.如权利要求3所述的智能烹饪机器人***的控制方法,其特征在于,所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量S1表示多边形:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S1和该多边形有一一映射关系,其表示与边角初始顺序无关。
5.如权利要求3所述的智能烹饪机器人***的控制方法,其特征在于,所述完备向量组,按逆时针方向,有2N个向量S1、S2……S2N-1、S2N和多边形均有一一映射关系,构成了该多边形的一个完备向量组,表示如下:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S2=(α1,l2,α2…lN-1,αN-1,lN,αN,l1);
……
S2N-1=(lN,αN,l1,α1,l2,α2…lN-1,αN-1);
S2N=(αN,l1,α1,l2,α2…lN-1,αN-1,lN);
用矩阵SE表示完备向量,并定义SE为该多边形的特征矩阵,SE表示如下:
6.如权利要求3所述的智能烹饪机器人***的控制方法,其特征在于,所述图形中源图形和目标图形作预处理包括:
根据图形最小包容矩形长宽比设置适当域值,进行过滤;
根据源图形中各边长与周长比的最小值设置域值,去除目标图形中的奇化部分;
对目标图形边数作化简处理,使和源图形具有相同边数。
7.如权利要求3所述的智能烹饪机器人***的控制方法,其特征在于,获取源图形和目标图形特征矩阵中最相似向量的欧式距离和最大相和系数具体包括:
首先,按逆时针方向分别建立源图形P和目标图形Q的特征矩阵PE和QE:
PE=[P1 T P2 T…P2N-1 T P2N T];
QE=[Q1 T Q2 T…Q2N-1 T Q2N T];
欧式距离公式d(x,y)和夹角余弦公式sim(x,y)如下:
以d(x,y)和为sim(x,y)基础,重新定义两个矩阵D和S,使:
求出D和S中的最小值;
分别令Eue=min{Dij},1≤i≤j=2N;Sime=max{Sij},1≤i≤j=2N;
然后再按顺序针方向构造图形P和Q的特征矩阵,重复上述计算方法,求出两特征矩阵中最完备向量间的最小值Euc和Simc;
最后令Eu=min{Eue,Euc};
Sim=min{Sime,Simc};
Eu和Sim即为P、Q两图形对应最相似向量的欧式距离和最大相和系数。
8.如权利要求3所述的智能烹饪机器人***的控制方法,其特征在于,计算结果的增强性处理包括:
对初始向量进行一次到多次变形,在用相邻边角序列构造初始向量的基础上,再添加图形的几何特征值,采用添加顺序的相邻边角比作为新的初始向量;将初始向量进行一次到多次非线性化处理,采用将初始向量进行开方处理;
对变形后的初始向量进行多次相似度计算,最后按加权平均取值,以欧式距离Eu和相和系数Sim的评定公式如下:
上式中n为向量变形的次数,ki为权重系数,Eui和Simi为第i次变形后向量的欧式距离,Eu(P,Q)为欧式距离的评定,n=4,ki取0.25。
9.一种智能烹饪机器人***,其特征在于,所述智能烹饪机器人***包括:
供能模块,与中央处理模块进行连接,通过电线连接家用电源,为整个智能机器人进行供能;
控制模块,与中央处理模块进行连接,操作人员可根据需要通过控制模块对烹饪智能机器人进行控制;
显示模块,与中央处理模块进行连接,显示屏模块为显示屏,操作人员可通过显示模块反应的信息进一步的控制智能烹饪机器人;
采集模块,与中央处理模块进行连接,采集模块为摄像头,智能烹饪机器人可通过采集模块采集操作人员在烹饪时的动作并进行处理、储存;
中央处理模块,与供能模块、控制模块、显示模块、采集模块、操作模块、输送模块进行连接,中央处理模块采用SVM与混合信号控制处理器进行数据的处理,将处理后的数据信息发布指令;
操作模块,与中央处理模块进行连接,控制烹饪智能机器人根据输入的操作流程或者采集的操作流程进行菜肴的烹饪;
输送模块,与中央处理模块进行连接,控制智能烹饪机器人对完成的菜肴进行输送。
10.如权利要求9所述的智能烹饪机器人***,其特征在于,采集模块的采集状况如下,智能烹饪机器人通过控制摄像头的角度对操作者的动作进行采集,采集完成后,传输到中央处理模块,中央处理模块的支持向量机通过扩展算法进行动作识别与分解,并进行储存。
进一步,中央处理模块采用SVM进行数据的处理具体包括:
步骤1,利用正则化对脑电信号进行特征提取,得到样本特征向量Y;
步骤2,利用粒子群算法对支持向量机的核函数参数进行迭代寻优;
步骤3,利用优化后的最优参数对SVM分类器进行训练,利用训练好的分类器对样本进行分类预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910271988.8A CN109822578A (zh) | 2019-04-04 | 2019-04-04 | 一种智能烹饪机器人***及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910271988.8A CN109822578A (zh) | 2019-04-04 | 2019-04-04 | 一种智能烹饪机器人***及控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109822578A true CN109822578A (zh) | 2019-05-31 |
Family
ID=66874857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910271988.8A Pending CN109822578A (zh) | 2019-04-04 | 2019-04-04 | 一种智能烹饪机器人***及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109822578A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110919650A (zh) * | 2019-11-20 | 2020-03-27 | 江苏大学 | 一种基于svm的低延时抓取遥操作*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7174830B1 (en) * | 2003-06-05 | 2007-02-13 | Dawei Dong | Robotic cooking system |
CN103777595A (zh) * | 2013-12-30 | 2014-05-07 | 深圳市德宝威科技有限公司 | 机器人***及机器人办公、教学、设计、工程、家庭*** |
CN105354866A (zh) * | 2015-10-21 | 2016-02-24 | 郑州航空工业管理学院 | 一种多边形轮廓相似度检测方法 |
CN105459127A (zh) * | 2015-12-31 | 2016-04-06 | 葛武 | 一种烹饪机器人 |
CN105740887A (zh) * | 2016-01-26 | 2016-07-06 | 杭州电子科技大学 | 一种基于pso-svm的脑电信号特征分类方法 |
CN106250979A (zh) * | 2016-08-16 | 2016-12-21 | 安阳师范学院 | 一种基于互信息相似度策略的粒子群优化方法 |
CN106272446A (zh) * | 2016-08-01 | 2017-01-04 | 纳恩博(北京)科技有限公司 | 机器人动作模拟的方法和装置 |
-
2019
- 2019-04-04 CN CN201910271988.8A patent/CN109822578A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7174830B1 (en) * | 2003-06-05 | 2007-02-13 | Dawei Dong | Robotic cooking system |
CN103777595A (zh) * | 2013-12-30 | 2014-05-07 | 深圳市德宝威科技有限公司 | 机器人***及机器人办公、教学、设计、工程、家庭*** |
CN105354866A (zh) * | 2015-10-21 | 2016-02-24 | 郑州航空工业管理学院 | 一种多边形轮廓相似度检测方法 |
CN105459127A (zh) * | 2015-12-31 | 2016-04-06 | 葛武 | 一种烹饪机器人 |
CN105740887A (zh) * | 2016-01-26 | 2016-07-06 | 杭州电子科技大学 | 一种基于pso-svm的脑电信号特征分类方法 |
CN106272446A (zh) * | 2016-08-01 | 2017-01-04 | 纳恩博(北京)科技有限公司 | 机器人动作模拟的方法和装置 |
CN106250979A (zh) * | 2016-08-16 | 2016-12-21 | 安阳师范学院 | 一种基于互信息相似度策略的粒子群优化方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110919650A (zh) * | 2019-11-20 | 2020-03-27 | 江苏大学 | 一种基于svm的低延时抓取遥操作*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288018A (zh) | 一种融合深度学习模型的WiFi身份识别方法 | |
CN103778442B (zh) | 一种基于视频人数统计分析的中央空调控制方法 | |
CN110287863B (zh) | 一种基于WiFi信号的手势识别方法 | |
CN105095902B (zh) | 图片特征提取方法及装置 | |
CN105938564A (zh) | 基于主成分分析和神经网络的水稻病害识别方法及*** | |
CN108596102A (zh) | 基于rgb-d的室内场景物体分割分类器构造方法 | |
CN105262991B (zh) | 一种基于二维码的变电站设备对象识别方法 | |
CN109117897A (zh) | 基于卷积神经网络的图像处理方法、装置及可读存储介质 | |
CN104063686A (zh) | 作物叶部病害图像交互式诊断***与方法 | |
CN103514459A (zh) | 一种基于Android手机平台的识别农作物病虫害的方法及*** | |
CN109446889A (zh) | 基于孪生匹配网络的物体追踪方法及装置 | |
CN109376625A (zh) | 一种基于卷积神经网络的面部表情识别方法 | |
CN105701467A (zh) | 一种基于人体形态特征的多人异常行为识别方法 | |
CN109190559A (zh) | 一种手势识别方法、手势识别装置及电子设备 | |
CN108537168A (zh) | 基于迁移学习技术的面部表情识别方法 | |
KR20210096439A (ko) | 딥러닝 학습을 이용한 병충해 검출 및 발병가능성을 판단하기 위한 시스템 및 방법 | |
Huang et al. | Hybrid bio-inspired lateral inhibition and imperialist competitive algorithm for complicated image matching | |
CN107351080A (zh) | 一种基于相机单元阵列的混合智能研究***及控制方法 | |
Zhu et al. | A modified deep neural network enables identification of foliage under complex background | |
CN106296709A (zh) | 一种基于粒子群及模糊均值聚类的细胞图像分割方法 | |
CN115343704A (zh) | 基于多任务学习的fmcw毫米波雷达的手势识别方法 | |
CN109822578A (zh) | 一种智能烹饪机器人***及控制方法 | |
CN111507325A (zh) | 基于深度学习的工业视觉ocr识别***及方法 | |
CN107610136A (zh) | 基于凸包结构中心查询点排序的显著目标检测方法 | |
CN109410134A (zh) | 一种基于图像块分类的自适应去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190531 |
|
RJ01 | Rejection of invention patent application after publication |