CN113554700B - 一种不可见光瞄准方法 - Google Patents

一种不可见光瞄准方法 Download PDF

Info

Publication number
CN113554700B
CN113554700B CN202110845348.0A CN202110845348A CN113554700B CN 113554700 B CN113554700 B CN 113554700B CN 202110845348 A CN202110845348 A CN 202110845348A CN 113554700 B CN113554700 B CN 113554700B
Authority
CN
China
Prior art keywords
output
target object
layer
invisible light
aiming
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.)
Active
Application number
CN202110845348.0A
Other languages
English (en)
Other versions
CN113554700A (zh
Inventor
刘伟
苏文斌
刘洪涛
黄军凯
谢百明
牧灏
李波
陈俊卫
孙博
张莉蔷
胡全
何锦航
余思伍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN202110845348.0A priority Critical patent/CN113554700B/zh
Publication of CN113554700A publication Critical patent/CN113554700A/zh
Application granted granted Critical
Publication of CN113554700B publication Critical patent/CN113554700B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B23/00—Telescopes, e.g. binoculars; Periscopes; Instruments for viewing the inside of hollow bodies; Viewfinders; Optical aiming or sighting devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Optics & Photonics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种不可见光瞄准方法，该方法包括步骤：视觉传感器采集图像信息传输至智能图像处理器和显示控制器；显示控制器向协作控制平台发送控制指令，协作控制平台控制视觉传感器运动，当视觉传感器识别到目标物时，将图像信息传输至智能图像处理器；智能图像处理器分析和采用BP神经网络识别图像信息并解算，定位目标物坐标，并转换为协作控制平台控制指令；协作控制平台根据按照控制指令，控制不可见光瞄准目标物。本发明能够通过基于数据分析的非监督性学***台根据位置坐标控制不可见光瞄准目标对象，以此代替人工指示光瞄准。因此，能够有效解决人眼瞄准容易出现瞄准偏差且因疲劳导致易受干扰等问题。

Description

一种不可见光瞄准方法
技术领域
本发明涉及一种不可见光瞄准方法，属于智能电网技术领域。
背景技术
不可见光瞄准时，通常需借助同轴指示光进行，但是在恶劣天气情况下，指示光不容易肉眼分辨，远距离情况下，目标物较小，不易捕捉。这种通过指示光指示，人眼进行瞄准的方式，容易导致瞄准偏差。
发明内容
本发明要解决的技术问题是：提供一种不可见光瞄准方法，以解决现有技术中存在的技术问题。
本发明采取的技术方案为：一种不可见光瞄准方法，该方法包括以下步骤：
步骤一：视觉传感器采集图像信息，通过无线方式传输至智能图像处理器和显示控制器；
步骤二：显示控制器向协作控制平台发送控制指令，协作控制平台控制视觉传感器运动，当视觉传感器识别到目标物时，将图像信息传输至智能图像处理器；
步骤三、智能图像处理器分析、识别图像信息并解算，定位目标物坐标，并转换为协作控制平台控制指令，智能图像处理器对获取到的图像采用BP神经网络进行图像识别，得到目标物坐标；
步骤四：协作控制平台根据按照控制指令，控制不可见光瞄准目标物。
将不可见光瞄准位置转化为屏幕坐标，通过屏幕坐标进行位置瞄准，不可见光瞄准位置与目标物作用点位置对于屏幕坐标。因此，将解算后的坐标信息作为神经网络的输入，屏幕坐标为网络输出，隐含层神经元数设置为10个，构建单隐含层屏幕坐标BP神经网络。
通过构建BP神经网络模型，对大量已有标注数据进行训练，其主要步骤如下：
(1)网络初始化，初始化各层神经元节点数，各层神经元之间的连接权值，隐含层和输出层阈值，给定学习速率和激励函数。
(2)隐含层输出计算；
(3)输出层输出计算；
(4)误差计算；
(5)权值更新；
(6)判断算法是否达到迭代次数或者达到预定误差，若没有结束，返回步骤(2)。
本发明的有益效果：与现有技术相比，本发明能够通过基于数据分析的非监督性学***台根据位置坐标控制不可见光瞄准目标对象，以此代替人工指示光瞄准。因此，能够有效解决人眼瞄准容易出现瞄准偏差且因疲劳导致易受干扰等问题。
附图说明
图1为需神经元结构图；
图2为BP神经网络图；
图3为屏幕坐标BP神经网络图。
具体实施方式
下面结合附图及具体的实施例对本发明进行进一步介绍。
实施例1：一种不可见光瞄准***，该***包括视觉传感器，显示控制器，协作控制平台，智能图像处理器。其中视觉传感器、智能图像处理器、显示控制器及协作控制平台，通过无线方式组网。视觉传感器自主采集场景图像信息，并将图像信息传输至显示控制器和智能图像处理器，由智能图像处理器识别、计算，确定场景中目标对象的坐标数据，并将坐标数据转换为协作平台控制指令，协作控制平台自动瞄准目标对象。
一种不可见光瞄准方法，该方法主要是视觉传感器获取目标对象图像信息；智能图像处理器识别、计算，定位目标对象，解算目标对象坐标，并转换为协作控制平台运动控制指令；协作控制平台控制不可见光自动瞄准目标对象。
第三方面，本发明提供了一种不可见光瞄准装置，主要部件有：视觉传感器；显示控制器；协作控制平台；智能图像处理器。智能图像处理器负责识别计算视觉传感器获取的目标图像，并定位目标物，计算坐标位置；协作控制平台根据坐标位置指令，自动控制不可见光瞄准目标物。
其中视觉传感器与智能图像处理器连接，智能图像处理器处理视觉传感器所获取的图像信息，并定位目标物在场景内的坐标位置，并转换为协作控制平台控制指令；协作控制平台控制不可见光瞄准目标物。本发明能够通过基于数据分析的非监督性学***台根据位置坐标控制不可见光瞄准目标对象，以此代替人工指示光瞄准。因此，能够有效解决人眼瞄准容易出现瞄准偏差且因疲劳导致易受干扰等问题。
实施例2：一种不可见光瞄准方法，它包括如下步骤：
步骤一：视觉传感器采集图像信息，通过无线方式传输至智能图像处理器和显示控制器；
步骤二：显示控制器向协作控制平台发送控制指令，协作控制平台控制视觉传感器运动，当视觉传感器识别到目标物时，将图像信息传输至智能图像处理器；
步骤三：智能图像处理器分析、识别图像信息并解算，定位目标物坐标，并转换为协作控制平台控制指令；
步骤四：协作控制平台根据按照控制指令，控制不可见光瞄准目标物。
步骤三智能图像处理器对获取到的图像进行图像识别，得到目标物坐标，采用以下方法实现。
BP神经网络主要由输入层、隐含层和输出层组成，一个完整的神经网络模型必须囊括：层数、各层神经元数、网络输入初始值、学习效率和期望输出等因素。每层由许多神经元并列组成，同层神经元之间互不相接，邻层神经元全部连接，神经元模型如图1所示，BP神经网络结构图如图2所示。
图1中，
Figure GDA0003653484890000041
激活函数是Sigmoid函数，如式1所示。
Figure GDA0003653484890000042
在完成BP神经网络拓扑结构构建后，开始对BP神经网络进行学习和训练，这样会使网络具有自学习性。对于BP神经网络而言，其学习过程分为信息正向传递和误差反向传播两部分。在信号正向传播过程中，输入层到隐含层的传递关系为：
Figure GDA0003653484890000043
公式(2)中，
Figure GDA0003653484890000044
为隐含层节点数；f为隐含层激励函数；ωij为输入层与隐含层之间的权值；aj为隐含层阈值，xi为输入参数。
信号经过隐含层激励函数运算后，传入输出层，其传递关系为
Figure GDA0003653484890000045
公式(3)中，Hj为输出层节点数；ωjk为隐含层与输出层之间的权值；bk为输出层阈值，m表示输入层数。
信号传递至输出层后，进行实际输出计算，若得不到期望输出，则将误差反向传播，重新修改权值，通过迭代计算，直至实际输出满足误差。误差均方差计算公式为
Figure GDA0003653484890000051
公式(4)中，E为期望，Yk为期望输出，Ok为实际输出。
更新网络连接权值ωij、ωjk，修改方向必须选择当前误差减小方向，其计算公式为
Figure GDA0003653484890000052
ωjk'＝ωjk+ηHjek j＝1,2,…,l；k＝1,2,…,m (6)
公式(6)中，η为学习效率。ωij’和ωjk’是新的连接权值，此时误差会反向传播并进行连接权值和阈值调整，直到满足精度要求。误差反向传播修正权值本质上就是对样本的反复训练。
BP神经网络的具体实施步骤：将不可见光瞄准位置转化为屏幕坐标，通过屏幕坐标进行位置瞄准。不可见光瞄准位置与目标物作用点位置对于屏幕坐标。因此，将解算后的坐标信息作为神经网络的输入，屏幕坐标为网络输出，隐含层神经元数设置为10个，构建单隐含层屏幕坐标BP神经网络，如图3所示。
通过构建BP神经网络模型，对大量已有标注数据进行训练，其主要步骤如下：
(1)网络初始化。初始化各层神经元节点数，各层神经元之间的连接权值，隐含层和输出层阈值，给定学习速率和激励函数。
(2)隐含层输出计算。通过公式(2)计算隐含层输出Hj。
(3)输出层输出计算。通过公式(3)计算输出层输出Ok。
(4)误差计算。根据网络预测输出Ok和期望输出Yk，计算神经网络误差。
(5)权值更新。根据神经网络误差，通过公式(5)、(6)更新权值。
(6)判断算法是否达到迭代次数或者达到预定误差，若没有结束，返回步骤(2)。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内，因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (2)

1.一种不可见光瞄准方法，其特征在于：该方法包括以下步骤：
步骤一、视觉传感器采集图像信息，通过无线方式传输至智能图像处理器和显示控制器；
步骤二、显示控制器向协作控制平台发送控制指令，协作控制平台控制视觉传感器运动，当视觉传感器识别到目标物时，将图像信息传输至智能图像处理器；
步骤三、智能图像处理器分析、识别图像信息并解算，定位目标物坐标，并转换为协作控制平台控制指令，智能图像处理器对获取到的图像采用BP神经网络进行图像识别，得到目标物坐标；
步骤三中将不可见光瞄准位置转化为屏幕坐标，通过屏幕坐标进行位置瞄准，不可见光瞄准位置与目标物作用点位置对应屏幕坐标，因此，将解算后的坐标信息作为神经网络的输入，屏幕坐标为网络输出，隐含层神经元数设置为10个，构建单隐含层屏幕坐标BP神经网络；
步骤四、协作控制平台按照控制指令，控制不可见光瞄准目标物。
2.根据权利要求1所述的一种不可见光瞄准方法，其特征在于：构建的BP神经网络模型对已有标注数据进行训练，其主要步骤如下：
(1)网络初始化，初始化各层神经元节点数，各层神经元之间的连接权值，隐含层和输出层阈值，给定学习速率和激励函数；
BP神经网络模型采用的激活函数是Sigmoid函数，如式(1)所示：
Figure FDA0003653484880000011
(2)隐含层输出计算；通过公式(2)计算隐含层输出Hj：
Figure FDA0003653484880000021
公式(2)中，l为隐含层节点数；f为隐含层激励函数；ωij为输入层与隐含层之间的权值；aj为隐含层阈值，xi为输入参数；
(3)输出层输出计算；通过公式(3)计算输出层输出Ok：
Figure FDA0003653484880000022
公式(3)中，Hj为输出层节点数；ωjk为隐含层与输出层之间的权值；bk为输出层阈值；
(4)误差计算；根据网络预测输出Ok和期望输出Yk，计算神经网络误差：
Figure FDA0003653484880000023
公式(4)中，E为期望，Yk为期望输出，Ok为实际输出；
(5)权值更新；根据神经网络误差，通过公式(5)和(6)更新权值；
Figure FDA0003653484880000024
ωjk'＝ωjk+ηHjek j＝1,2,…,l；k＝1,2,…,m (6)
公式(6)中，η为学习效率，ωij’和ωjk’是新的连接权值，此时误差会反向传播并进行连接权值和阈值调整，直到满足精度要求；
(6)判断算法是否达到迭代次数或者达到预定误差，若没有结束，返回步骤(2)。
CN202110845348.0A 2021-07-26 2021-07-26 一种不可见光瞄准方法 Active CN113554700B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110845348.0A CN113554700B (zh) 2021-07-26 2021-07-26 一种不可见光瞄准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110845348.0A CN113554700B (zh) 2021-07-26 2021-07-26 一种不可见光瞄准方法

Publications (2)

Publication Number Publication Date
CN113554700A CN113554700A (zh) 2021-10-26
CN113554700B true CN113554700B (zh) 2022-10-25

Family

ID=78132819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110845348.0A Active CN113554700B (zh) 2021-07-26 2021-07-26 一种不可见光瞄准方法

Country Status (1)

Country Link
CN (1) CN113554700B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010071593A (ja) * 2008-09-19 2010-04-02 Hitachi Kokusai Electric Inc レーザ送信器の照準調整装置
CN104700385A (zh) * 2013-12-06 2015-06-10 广西大学 基于fpga实现的双目视觉定位装置
CN107764244A (zh) * 2017-09-26 2018-03-06 国网浙江省电力公司湖州供电公司 一种基于视频图像的不可见光定位方法
CN109448061A (zh) * 2018-10-09 2019-03-08 西北工业大学 一种无需摄像机标定的水下双目视觉定位方法
CN110345815A (zh) * 2019-07-16 2019-10-18 吉林大学 一种基于视线追踪的履带车枪械瞄准方法
CN111563878A (zh) * 2020-03-27 2020-08-21 中国科学院西安光学精密机械研究所 一种空间目标定位方法
CN112949466A (zh) * 2021-02-26 2021-06-11 重庆若上科技有限公司 视频ai烟尘污染源识别与定位方法
CN113065373A (zh) * 2021-03-16 2021-07-02 环鸿电子（昆山）有限公司 光学瞄准设备的自动化瞄准校正***及方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5258558B2 (ja) * 2005-05-31 2013-08-07 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 装置の制御のための方法
JP5547442B2 (ja) * 2009-08-21 2014-07-16 株式会社タイトー シューティングゲーム装置
TW201110928A (en) * 2009-09-16 2011-04-01 Univ Chang Gung Optical tracking apparatus and its positioning method
JP5493702B2 (ja) * 2009-10-26 2014-05-14 セイコーエプソン株式会社 位置検出機能付き投射型表示装置
CN101907448B (zh) * 2010-07-23 2013-07-03 华南理工大学 一种基于双目三维视觉的深度测量方法
US9766042B2 (en) * 2015-10-26 2017-09-19 Huntercraft Limited Integrated precise photoelectric sighting system
CN106407990A (zh) * 2016-09-10 2017-02-15 天津大学 基于事件驱动的仿生目标识别***
CN109799073B (zh) * 2019-02-13 2021-10-22 京东方科技集团股份有限公司 一种光学畸变测量装置及方法、图像处理***、电子设备和显示设备
CN111126220B (zh) * 2019-12-16 2023-10-17 北京瞭望神州科技有限公司 一种视频监控目标实时定位方法
CN112184786B (zh) * 2020-10-16 2024-03-26 西安应用光学研究所 一种基于合成视觉的目标定位方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010071593A (ja) * 2008-09-19 2010-04-02 Hitachi Kokusai Electric Inc レーザ送信器の照準調整装置
CN104700385A (zh) * 2013-12-06 2015-06-10 广西大学 基于fpga实现的双目视觉定位装置
CN107764244A (zh) * 2017-09-26 2018-03-06 国网浙江省电力公司湖州供电公司 一种基于视频图像的不可见光定位方法
CN109448061A (zh) * 2018-10-09 2019-03-08 西北工业大学 一种无需摄像机标定的水下双目视觉定位方法
CN110345815A (zh) * 2019-07-16 2019-10-18 吉林大学 一种基于视线追踪的履带车枪械瞄准方法
CN111563878A (zh) * 2020-03-27 2020-08-21 中国科学院西安光学精密机械研究所 一种空间目标定位方法
CN112949466A (zh) * 2021-02-26 2021-06-11 重庆若上科技有限公司 视频ai烟尘污染源识别与定位方法
CN113065373A (zh) * 2021-03-16 2021-07-02 环鸿电子（昆山）有限公司 光学瞄准设备的自动化瞄准校正***及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
High-Precision Indoor Visible Light Positioning Using Modified Momentum Back Propagation Neural Network with Sparse Training Point;Haiqi Zhang 等;《Sensors》;20190520;第19卷(第10期);1-17 *
基于BP神经网络的机器人视觉控制方法;薛艳敏 等;《西安理工大学学报》;20090630;第25卷(第02期);156-159 *
基于多点合作目标的多线阵CCD空间物体姿态测量的研究;李晶;《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》;20140415(第（2014）04期);I140-38 *

Also Published As

Publication number Publication date
CN113554700A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
EP3319016B1 (en) Control systems using deep reinforcement learning
CN111079561A (zh) 一种基于虚拟训练的机器人智能抓取方法
CN110084307B (zh) 一种基于深度强化学习的移动机器人视觉跟随方法
CN106201849B (zh) 一种有限数据驱动的长寿命部件余寿预测方法
CN112884131A (zh) 一种基于模仿学习的深度强化学习策略优化防御方法和装置
CN105427241B (zh) 一种大视场显示设备的畸变校正方法
CN113176776A (zh) 基于深度强化学习的无人艇天气自适应避障方法
CN116540731B (zh) 融合堆叠lstm与sac算法的路径规划方法及***
WO2023178737A1 (zh) 一种基于脉冲神经网络的数据增强方法及装置
CN109117884A (zh) 一种基于改进监督学习算法的图像识别方法
CN113156419B (zh) 一种基于雷达与视觉多模态融合的具身语言导航方法
CN113741533A (zh) 一种基于模仿学习与强化学习的无人机智能决策***
CN111130909B (zh) 基于自适应储备池esn的网络流量预测方法
CN110555404A (zh) 基于人体姿态识别的飞翼无人机地面站交互装置及方法
Tkach et al. Switching between collaboration levels in a human–robot target recognition system
CN113554700B (zh) 一种不可见光瞄准方法
CN116562332B (zh) 一种人机共融环境下的机器人社交性运动规划方法
CN110009696A (zh) 基于蜂群算法优化bp神经网络三目视觉标定
CN116403054A (zh) 基于类脑网络模型的图像优化分类方法
CN112525194A (zh) 一种基于海马-纹状体内源性和外源性信息的认知导航方法
CN116362109B (zh) 一种基于数字孪生的智能无人***和方法
Bai et al. Research of environmental modeling method of coal mine rescue snake robot based on information fusion
CN114841338B (zh) 训练模型参数的方法、决策确定方法、装置及电子设备
KR102485272B1 (ko) 확률 체계 기반 충돌격자지도를 이용한 충돌 상황을 학습 및 인지하기 위한 장치 및 이를 위한 방법
CN113743287A (zh) 基于脉冲神经网络的机器人自适应抓取控制方法及***

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
GR01 Patent grant
GR01 Patent grant