CN114905515A - 一种基于柔性感知神经网络的机器人控制方法及*** - Google Patents

Abstract

本发明公开了一种基于柔性感知神经网络的机器人控制方法及***，涉及人工智能技术领域，所述方法包括：通过所述视觉信息采集模块获得待处理工件图像信息；将目标打磨标准信息和待处理工件图像信息输入适用工件打磨分析模型中，获得待处理工件打磨方案；通过运动轨迹控制模块控制柔性打磨机器人按照待处理工件打磨方案进行工件打磨；根据工件打磨力度信息，获得动作力度补偿信息；将动作力度补偿信息和打磨位姿空间信息通过柔性传感网络分析对待处理工件打磨方案进行修正。达到通过与柔性打磨机器人进行实时交互，实现对任意姿态的机器人进行打磨力补偿，确保工件打磨力度，提高工件打磨精度，进而保证打磨工件质量的技术效果。

Description

一种基于柔性感知神经网络的机器人控制方法及***

技术领域

本发明涉及人工智能领域，尤其涉及一种基于柔性感知神经网络的机器人控制方法及***。

背景技术

工件打磨是表面改性技术的一种，通过摩擦改变材料表面物理性能的一种加工方法，在机械制造业、加工业、模具业、木业、皮革业等领域应用广泛。打磨的工作目的是获取工件特定表面粗糙度，去除产品工件表面的毛刺、使之光滑，易于继续加工或达到成品，在机器人应用日渐普及的情形下，工件打磨领域中机器人的应用已经日益广泛，其具有打磨效率高、智能化程度高的优势。

然而，现有技术打磨机器人在作业过程中的打磨控制精度不高，导致打磨工件质量不达标的技术问题。

发明内容

本申请通过提供一种基于柔性感知神经网络的机器人控制方法及***，解决了现有技术打磨机器人在作业过程中的打磨控制精度不高，导致打磨工件质量不达标的技术问题，达到通过机器视觉采集信息和打磨力度采集信息与柔性打磨机器人进行实时交互，实现对任意姿态的机器人进行打磨力补偿，确保工件打磨力度，提高工件打磨精度，进而保证打磨工件质量的技术效果。

鉴于上述问题，本发明提供了一种基于柔性感知神经网络的机器人控制方法及***。

第一方面，本申请提供了一种基于柔性感知神经网络的机器人控制方法，所述方法包括：通过视觉信息采集模块对待处理工件进行图像采集，获得待处理工件图像信息；基于数据交互模块将所述待处理工件图像信息上传至打磨机器人控制***进行交互分析；获取目标打磨标准信息，所述打磨机器人控制***将所述目标打磨标准信息和所述待处理工件图像信息输入适用工件打磨分析模型中，获得模型输出结果，所述模型输出结果包括待处理工件打磨方案；将所述待处理工件打磨方案通过所述数据交互模块发送至所述柔性打磨机器人，通过运动轨迹控制模块控制所述柔性打磨机器人按照所述待处理工件打磨方案进行工件打磨；通过力轴传感器模块获取工件打磨过程中工件打磨力度信息，根据所述工件打磨力度信息进行力补偿分析，获得动作力度补偿信息；根据所述视觉信息采集模块进行姿态捕捉，获得打磨位姿空间信息，将所述动作力度补偿信息和所述打磨位姿空间信息通过柔性传感网络分析对所述待处理工件打磨方案进行打磨轨迹修正。

另一方面，本申请还提供了一种基于柔性感知神经网络的机器人控制***，所述***包括：机器人构成模块，用于柔性打磨机器人包括视觉信息采集模块、力轴传感器模块、数据交互模块和运动轨迹控制模块；视觉信息采集模块，用于通过所述视觉信息采集模块对待处理工件进行图像采集，获得待处理工件图像信息；数据交互模块，用于基于所述数据交互模块将所述待处理工件图像信息上传至打磨机器人控制***进行交互分析；模型输出模块，用于获取目标打磨标准信息，所述打磨机器人控制***将所述目标打磨标准信息和所述待处理工件图像信息输入适用工件打磨分析模型中，获得模型输出结果，所述模型输出结果包括待处理工件打磨方案；运动轨迹控制模块，用于将所述待处理工件打磨方案通过所述数据交互模块发送至所述柔性打磨机器人，通过所述运动轨迹控制模块控制所述柔性打磨机器人按照所述待处理工件打磨方案进行工件打磨；力轴传感器模块，用于通过所述力轴传感器模块获取工件打磨过程中工件打磨力度信息，根据所述工件打磨力度信息进行力补偿分析，获得动作力度补偿信息；打磨轨迹修正模块，用于根据所述视觉信息采集模块进行姿态捕捉，获得打磨位姿空间信息，将所述动作力度补偿信息和所述打磨位姿空间信息通过柔性传感网络分析对所述待处理工件打磨方案进行打磨轨迹修正。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

由于采用了通过视觉信息采集模块对待处理工件进行图像采集，再基于数据交互模块将所述待处理工件图像信息上传至打磨机器人控制***进行交互分析，将目标打磨标准信息和所述待处理工件图像信息输入适用工件打磨分析模型中，获得模型输出结果即待处理工件打磨方案；通过运动轨迹控制模块控制所述柔性打磨机器人按照所述待处理工件打磨方案进行工件打磨，同时通过力轴传感器模块获取工件打磨过程中工件打磨力度信息，并进行力补偿分析，获得动作力度补偿信息，同时根据视觉信息采集模块进行姿态捕捉，获得打磨位姿空间信息，将所述动作力度补偿信息和所述打磨位姿空间信息通过柔性传感网络分析对所述待处理工件打磨方案进行打磨轨迹修正的技术方案。进而达到通过机器视觉采集信息和打磨力度采集信息与柔性打磨机器人进行实时交互，实现对任意姿态的机器人进行打磨力补偿，确保工件打磨力度，提高工件打磨精度，进而保证打磨工件质量的技术效果。

附图说明

图1为本申请一种基于柔性感知神经网络的机器人控制方法的流程示意图；

图2为本申请一种基于柔性感知神经网络的机器人控制方法中获得标准待处理工件图像信息的流程示意图；

图3为本申请一种基于柔性感知神经网络的机器人控制方法中输出待处理工件打磨方案的流程示意图；

图4为本申请一种基于柔性感知神经网络的机器人控制***的结构示意图；

附图标记说明：机器人构成模块11，视觉信息采集模块12，数据交互模块13，模型输出模块14，运动轨迹控制模块15，力轴传感器模块16，打磨轨迹修正模块17。

下面结合本申请中的附图对本申请进行描述。

实施例一

如图1所示，本申请提供了一种基于柔性感知神经网络的机器人控制方法，所述方法应用于一打磨机器人控制***，所述***与一柔性打磨机器人通讯连接，所述方法包括：

步骤S100：所述柔性打磨机器人包括视觉信息采集模块、力轴传感器模块、数据交互模块和运动轨迹控制模块；

具体而言，工件打磨是表面改性技术的一种，通过摩擦改变材料表面物理性能的一种加工方法，在机械制造业、加工业、模具业、木业、皮革业等领域应用广泛。打磨的工作目的是获取工件特定表面粗糙度，去除产品工件表面的毛刺、使之光滑，易于继续加工或达到成品，在机器人应用日渐普及的情形下，工件打磨领域中机器人的应用已经日益广泛，其具有打磨效率高、智能化程度高的优势。

工件打磨通过柔性打磨机器人实现，柔性打磨机器人本体末端轴与柔性感知神经网络融合，手腕部位具有独特收缩设计，提高刚性，有效避免动态打磨过程中出现的抖动，极具打磨优势，包括视觉信息采集模块、力轴传感器模块、数据交互模块和运动轨迹控制模块，通过各模块间相互配合控制，完成对工件的精细打磨。

步骤S200：通过所述视觉信息采集模块对待处理工件进行图像采集，获得待处理工件图像信息；

具体而言，通过所述视觉信息采集模块对待处理工件进行图像采集，所述视觉信息采集模块即光学成像模块，可采用摄像头或照相机对待处理工件图像进行识别采集，包括工件尺寸大小、工件结构、工件颜色、工件毛刺等信息。

步骤S300：基于所述数据交互模块将所述待处理工件图像信息上传至所述打磨机器人控制***进行交互分析；

具体而言，基于所述数据交互模块将所述待处理工件图像信息上传至所述打磨机器人控制***进行交互分析，所述数据交互模块用于柔性打磨机器人和打磨机器人控制***进行数据传输交互，所述打磨机器人控制***用于基于工件视觉信息进行打磨方案分析制定。

步骤S400：获取目标打磨标准信息，所述打磨机器人控制***将所述目标打磨标准信息和所述待处理工件图像信息输入适用工件打磨分析模型中，获得模型输出结果，所述模型输出结果包括待处理工件打磨方案；

如图2所示，进一步而言，所述将所述目标打磨标准信息和所述待处理工件图像信息输入适用工件打磨分析模型中之前，本申请步骤S400还包括：

步骤S410：基于图像滤波算法对所述待处理工件图像信息进行去噪滤波，获得去噪待处理工件图像信息；

步骤S420：将所述去噪待处理工件图像信息进行灰度均衡化处理，获得均值待处理工件图像信息；

步骤S430：基于生成对抗网络对所述均值待处理工件图像信息进行图像增强，再对增强后的图像进行图像网格分割，获得标准待处理工件图像信息。

具体而言，获取所述待处理工件的目标打磨标准信息，所述目标打磨标准信息是对工件进行打磨的表面光滑度以及表面弯曲度要求。所述打磨机器人控制***将所述目标打磨标准信息和所述待处理工件图像信息输入适用工件打磨分析模型中，所述适用工件打磨分析模型用于工件打磨方案的制定。将所述目标打磨标准信息和所述待处理工件图像信息输入适用工件打磨分析模型中之前，基于图像滤波算法对所述待处理工件图像信息进行去噪滤波，即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。常用的图像滤波算法包括非线性滤波、中值滤波、小波滤噪、双边滤波等，获得去噪后待处理工件图像信息。

再将所述去噪待处理工件图像信息进行灰度均衡化处理，即图像灰度直方图均衡化，是一种简单有效的图像增强技术，通过改变图像的直方图来改变图像中各像素的灰度，主要用于增强动态范围偏小的图像的对比度，获得均值化后的待处理工件图像信息。基于生成对抗网络对所述均值待处理工件图像信息进行图像增强，即增强图像中的有用信息，改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局部特性。

再对增强后的图像进行图像网格分割，网格分割越细，图像细节特征越详细，效果越好，获得预处理后的标准待处理工件图像信息。将标准待处理工件图像信息和所述目标打磨标准信息输入适用工件打磨分析模型中，获得模型输出结果，所述模型输出结果包括待处理工件打磨方案，所述待处理工件打磨方案包括工件打磨运动轨迹、打磨速度、打磨力度等信息。通过对工件采集图像进行去噪、均衡化以及图像增强预处理，改善图像应用效果，使得图像标准化，进而提高待处理工件打磨方案准确性。

步骤S500：将所述待处理工件打磨方案通过所述数据交互模块发送至所述柔性打磨机器人，通过所述运动轨迹控制模块控制所述柔性打磨机器人按照所述待处理工件打磨方案进行工件打磨；

步骤S600：通过所述力轴传感器模块获取工件打磨过程中工件打磨力度信息，根据所述工件打磨力度信息进行力补偿分析，获得动作力度补偿信息；

具体而言，将所述待处理工件打磨方案通过所述数据交互模块发送至所述柔性打磨机器人，通过所述运动轨迹控制模块控制所述柔性打磨机器人按照所述待处理工件打磨方案进行工件打磨。在打磨的过程中，同时通过所述力轴传感器模块获取工件打磨过程中工件各力轴方向上的打磨力度信息。由于机器人自重以及打磨过程中姿态影响，可能会造成打磨力度不够，根据所述工件打磨力度信息进行力补偿分析，获得需要进行作业力度补偿的动作力度补偿信息。

步骤S700：根据所述视觉信息采集模块进行姿态捕捉，获得打磨位姿空间信息，将所述动作力度补偿信息和所述打磨位姿空间信息通过柔性传感网络分析对所述待处理工件打磨方案进行打磨轨迹修正。

具体而言，根据所述视觉信息采集模块进行姿态捕捉，获得打磨位姿空间信息，即柔性打磨机器人当前的位置姿势信息。将所述动作力度补偿信息和所述打磨位姿空间信息通过柔性传感网络分析，所述柔性传感网络与柔性机器人末端轴交互。通过分析结果对所述待处理工件打磨方案进行打磨轨迹修正，提高力反馈响应速度，实现对任意姿态的机器人进行打磨力补偿，确保工件打磨力度，提高工件打磨精度，进而保证打磨工件质量。

如图3所示，进一步而言，本申请步骤S430还包括：

步骤S431：通过打磨工件特征决策树对所述待处理工件的基本信息进行分类，获得打磨工件分类特征信息；

步骤S432：根据所述打磨工件分类特征信息，对所述待处理工件进行标定确定打磨工件标定参数；

步骤S433：基于所述打磨工件标定参数，从工件打磨分析模型模型库中调用所述适用工件打磨分析模型；

步骤S434：将所述目标打磨标准信息和所述标准待处理工件图像信息输入所述适用工件打磨分析模型中，输出所述待处理工件打磨方案。

具体而言，通过打磨工件特征决策树对所述待处理工件的基本信息进行分类，所述打磨工件特征决策树通过工件特征信息进行构建的，获得打磨工件分类特征信息，所述打磨工件分类特征信息是工件特征分类结果，包括工件尺寸规格、工件类型、工件材料等。不同特征类别的工件，打磨方案分析模式也不同，因此根据所述打磨工件分类特征信息，确定打磨工件标定参数，所述打磨工件标定参数用于划分对工件进行打磨分析时的模型选择。

基于所述打磨工件标定参数，从工件打磨分析模型模型库中调用所述适用工件打磨分析模型，所述适用工件打磨分析模型是适用于该工件的打磨方案分析模型。将所述目标打磨标准信息和所述标准待处理工件图像信息输入所述适用工件打磨分析模型中，输出所述待处理工件打磨方案。通过对打磨工件进行分类识别，个性化的调用适用于该工件的打磨分析模型，进而提高模型输出结果的准确性和合理性。

进一步而言，本申请步骤S434还包括：

步骤S4341：所述适用工件打磨分析模型包括输入层、卷积图像网络层、特征分析逻辑层和输出层；

步骤S4342：将所述目标打磨标准信息和所述标准待处理工件图像信息作为输入层，输入至所述卷积图像网络层中，获得待处理工件特征信息；

步骤S4343：将所述目标打磨标准信息和所述待处理工件特征信息输入所述特征分析逻辑层中，获得所述待处理工件打磨方案；

步骤S4344：将所述待处理工件打磨方案作为输出结果通过所述输出层输出。

具体而言，所述适用工件打磨分析模型包括输入层、卷积图像网络层、特征分析逻辑层和输出层，将所述目标打磨标准信息和所述标准待处理工件图像信息作为输入层，输入至所述卷积图像网络层中。所述卷积图像网络层用于对工件图像进行特征提取，提取得到待处理工件特征信息，所述待处理工件特征信息包括工件平整度特征、弯曲度特征以及孔洞缺陷特征等。

将所述目标打磨标准信息和所述待处理工件特征信息输入所述特征分析逻辑层中，所述特征分析逻辑层用于将目标打磨标准信息和待处理工件特征信息进行匹配分析，获得该逻辑层输出的所述待处理工件打磨方案。将所述待处理工件打磨方案作为输出结果通过所述输出层输出，通过构建多层级适用工件打磨分析模型，对待处理工件打磨方案进行分析制定，提高方案制定准确性和制定效率。

进一步而言，所述获得待处理工件特征信息，本申请步骤S4342还包括：

步骤S43421：根据所述目标打磨标准信息，获得预定卷积特征集合，所述预定卷积特征集合包括工件平整度特征、弯曲度特征、孔洞缺陷特征；

步骤S43422：将所述标准待处理工件图像信息作为输入信息输入所述卷积图像网络层中进行特征提取；

步骤S43423：获得所述卷积图像网络层的输出信息，所述输出信息包括符合所述预定卷积特征集合的所述待处理工件特征信息。

具体而言，根据所述目标打磨标准信息，获得预定卷积特征集合，所述预定卷积特征集合是满足工件打磨要求的预设特征标准，包括工件平整度特征、弯曲度特征、孔洞缺陷特征。将要求的工件平整度特征、弯曲度特征、孔洞缺陷特征作为预定卷积特征集合，相当于提取图像特征值。将所述标准待处理工件图像信息作为输入信息输入所述卷积图像网络层中进行特征提取，卷积图像网络层是一种具有局部连接、权值共享等特点的深层前馈神经网络，在图像和视频分析领域，比如图像分类、目标检测、图像分割等各种视觉任务上取得了显著的效果。

卷积图像网络层包括卷积和神经网络两个部分，其中，卷积就是特征提取器，而神经网络，可以看作分类器。获得所述卷积图像网络层的输出信息，所述输出信息包括符合所述预定卷积特征集合的所述待处理工件特征信息。达到通过卷积提取的方式对标准产品生产图像信息进行匹配分析，使得待处理工件特征匹配结果更加准确，进而提高待处理工件打磨方案的制定准确性的技术效果。

进一步而言，本申请步骤还包括：

步骤S810：对所述适用工件打磨分析模型进行分析效果验证，获得模型分析准确度；

步骤S820：如果所述模型分析准确度未达到预设分析准确度，基于所述模型分析准确度和所述预设分析准确度的差值，获得模型分析偏差度；

步骤S830：基于PSO算法和所述模型分析偏差度，对所述适用工件打磨分析模型进行迭代更新，获得适用工件打磨优化分析模型。

具体而言，对所述适用工件打磨分析模型进行分析效果验证，即对模型打磨分析准确率进行验证，获得模型分析准确度，所述模型分析准确度表明了模型分析准确性。如果所述模型分析准确度未达到预设分析准确度，即工件打磨分析模型的训练输出准确度未达标，基于所述模型分析准确度和所述预设分析准确度的差值，作为模型分析偏差度，即需要进行优化的模型分析准确度，偏差度越大，工件打磨分析方案的制定准确度越低。

由于所述适用工件打磨分析模型的拟合度较低，无法适应于当前工件打磨方案的分析，基于PSO算法和所述模型分析偏差度，对所述适用工件打磨分析模型进行迭代更新。PSO算法即粒子群优化算法，是一种基于种群的随机优化算法，可以模拟并不断迭代最终直到平衡或最优状态，保存平衡或最优状，获得PSO算法更新优化后的工件打磨优化分析模型。通过PSO算法优化模型，使得模型输出偏差度减小，提高模型输出结果的精准度和效率，进而提高工件打磨分析的准确性。

进一步而言，所述获得适用工件打磨优化分析模型，本申请步骤S830还包括：

步骤S831：根据所述适用工件打磨分析模型的模型训练参数，构建粒子优化空间；

步骤S832：对所述粒子优化空间进行初始化，获得粒子群约束参数，根据所述模型分析偏差度和所述粒子群约束参数迭代计算粒子群适应度函数；

步骤S833：当达到预设终止条件时，获得所述粒子群适应度函数的第一输出结果，所述第一输出结果包括最优结果粒子；

步骤S834：将所述最优结果粒子映射到所述适用工件打磨分析模型进行优化训练，获得所述适用工件打磨优化分析模型。

具体而言，所述适用工件打磨分析模型的模型训练参数是模型参数训练维度，包括模型训练权重、隐含层数量、隐含层节点个数等信息，所述粒子优化空间是用于优化所述适用工件打磨优化分析模型的虚拟空间，其为多维虚拟空间，空间维度和所述适用工件打磨优化分析模型的模型训练参数维度相同。对所述粒子优化空间进行初始化，所述粒子群约束参数为模型分析准确度范围，根据所述模型分析偏差度和所述粒子群约束参数迭代计算粒子群适应度函数，进一步更新粒子群内粒子的位置和速度，将所有粒子输入模型内进行训练，通过计算粒子群的适应度函数来评估粒子的好坏，以适应度函数来调整每个粒子的位置和速度。

当达到预设终止条件时，获得所述粒子群适应度函数的第一输出结果，所述第一输出结果包括最优结果粒子。进一步的，所述PSO算法停止包含两种可能，一种是粒子得到平衡或最优状态，另一种是超过运算限制，对超过运算限制状况不进行具体分析，所述最优结果粒子即为粒子的最优状态；将所述最优结果粒子映射到所述适用工件打磨分析模型进行优化训练。优化训练后的所述适用工件打磨分析模型的输出准确度提高，通过粒子群优化算法对适用工件打磨分析模型进行优化训练，使得模型输出偏差度减小，提高模型输出结果的精准度和效率，进而提高工件打磨分析的准确性。

综上所述，本申请所提供的一种基于柔性感知神经网络的机器人控制方法及***具有如下技术效果：

由于采用了通过视觉信息采集模块对待处理工件进行图像采集，再基于数据交互模块将所述待处理工件图像信息上传至打磨机器人控制***进行交互分析，将目标打磨标准信息和所述待处理工件图像信息输入适用工件打磨分析模型中，获得模型输出结果即待处理工件打磨方案；通过运动轨迹控制模块控制所述柔性打磨机器人按照所述待处理工件打磨方案进行工件打磨，同时通过力轴传感器模块获取工件打磨过程中工件打磨力度信息，并进行力补偿分析，获得动作力度补偿信息，同时根据视觉信息采集模块进行姿态捕捉，获得打磨位姿空间信息，将所述动作力度补偿信息和所述打磨位姿空间信息通过柔性传感网络分析对所述待处理工件打磨方案进行打磨轨迹修正的技术方案。进而达到通过机器视觉采集信息和打磨力度采集信息与柔性打磨机器人进行实时交互，实现对任意姿态的机器人进行打磨力补偿，确保工件打磨力度，提高工件打磨精度，进而保证打磨工件质量的技术效果。

实施例二

基于与前述实施例中一种基于柔性感知神经网络的机器人控制方法同样发明构思，本发明还提供了一种基于柔性感知神经网络的机器人控制***，如图4所示，所述***包括：

机器人构成模块11，用于柔性打磨机器人包括视觉信息采集模块、力轴传感器模块、数据交互模块和运动轨迹控制模块；

视觉信息采集模块12，用于通过所述视觉信息采集模块对待处理工件进行图像采集，获得待处理工件图像信息；

数据交互模块13，用于基于所述数据交互模块将所述待处理工件图像信息上传至打磨机器人控制***进行交互分析；

模型输出模块14，用于获取目标打磨标准信息，所述打磨机器人控制***将所述目标打磨标准信息和所述待处理工件图像信息输入适用工件打磨分析模型中，获得模型输出结果，所述模型输出结果包括待处理工件打磨方案；

运动轨迹控制模块15，用于将所述待处理工件打磨方案通过所述数据交互模块发送至所述柔性打磨机器人，通过所述运动轨迹控制模块控制所述柔性打磨机器人按照所述待处理工件打磨方案进行工件打磨；

力轴传感器模块16，用于通过所述力轴传感器模块获取工件打磨过程中工件打磨力度信息，根据所述工件打磨力度信息进行力补偿分析，获得动作力度补偿信息；

打磨轨迹修正模块17，用于根据所述视觉信息采集模块进行姿态捕捉，获得打磨位姿空间信息，将所述动作力度补偿信息和所述打磨位姿空间信息通过柔性传感网络分析对所述待处理工件打磨方案进行打磨轨迹修正。

进一步的，所述模型输出模块还包括：

去噪滤波单元，用于基于图像滤波算法对所述待处理工件图像信息进行去噪滤波，获得去噪待处理工件图像信息；

均衡化处理单元，用于将所述去噪待处理工件图像信息进行灰度均衡化处理，获得均值待处理工件图像信息；

图像增强单元，用于基于生成对抗网络对所述均值待处理工件图像信息进行图像增强，再对增强后的图像进行图像网格分割，获得标准待处理工件图像信息。

进一步的，所述***还包括：

特征分类单元，用于通过打磨工件特征决策树对所述待处理工件的基本信息进行分类，获得打磨工件分类特征信息；

参数标定单元，用于根据所述打磨工件分类特征信息，对所述待处理工件进行标定确定打磨工件标定参数；

模型调用单元，用于基于所述打磨工件标定参数，从工件打磨分析模型模型库中调用所述适用工件打磨分析模型；

模型输出单元，用于将所述目标打磨标准信息和所述标准待处理工件图像信息输入所述适用工件打磨分析模型中，输出所述待处理工件打磨方案。

进一步的，所述模型输出单元还包括：

模型构成单元，用于所述适用工件打磨分析模型包括输入层、卷积图像网络层、特征分析逻辑层和输出层；

卷积网络层单元，用于将所述目标打磨标准信息和所述标准待处理工件图像信息作为输入层，输入至所述卷积图像网络层中，获得待处理工件特征信息；

特征分析逻辑层单元，用于将所述目标打磨标准信息和所述待处理工件特征信息输入所述特征分析逻辑层中，获得所述待处理工件打磨方案；

输出层单元，用于将所述待处理工件打磨方案作为输出结果通过所述输出层输出。

进一步的，所述卷积网络层单元还包括：

卷积特征确定单元，用于根据所述目标打磨标准信息，获得预定卷积特征集合，所述预定卷积特征集合包括工件平整度特征、弯曲度特征、孔洞缺陷特征；

卷积特征提取单元，用于将所述标准待处理工件图像信息作为输入信息输入所述卷积图像网络层中进行特征提取；

卷积网络输出单元，用于获得所述卷积图像网络层的输出信息，所述输出信息包括符合所述预定卷积特征集合的所述待处理工件特征信息。

进一步的，所述***还包括：

模型验证单元，用于对所述适用工件打磨分析模型进行分析效果验证，获得模型分析准确度；

模型偏差度分析单元，用于如果所述模型分析准确度未达到预设分析准确度，基于所述模型分析准确度和所述预设分析准确度的差值，获得模型分析偏差度；

模型更新单元，用于基于PSO算法和所述模型分析偏差度，对所述适用工件打磨分析模型进行迭代更新，获得适用工件打磨优化分析模型。

进一步的，所述模型更新单元还包括：

优化空间构建单元，用于根据所述适用工件打磨分析模型的模型训练参数，构建粒子优化空间；

适应度函数计算单元，用于对所述粒子优化空间进行初始化，获得粒子群约束参数，根据所述模型分析偏差度和所述粒子群约束参数迭代计算粒子群适应度函数；

适应度函数输出单元，用于当达到预设终止条件时，获得所述粒子群适应度函数的第一输出结果，所述第一输出结果包括最优结果粒子；

模型优化单元，用于将所述最优结果粒子映射到所述适用工件打磨分析模型进行优化训练，获得所述适用工件打磨优化分析模型。

本申请提供了一种基于柔性感知神经网络的机器人控制方法，所述方法包括：通过视觉信息采集模块对待处理工件进行图像采集，获得待处理工件图像信息；基于数据交互模块将所述待处理工件图像信息上传至打磨机器人控制***进行交互分析；获取目标打磨标准信息，所述打磨机器人控制***将所述目标打磨标准信息和所述待处理工件图像信息输入适用工件打磨分析模型中，获得模型输出结果，所述模型输出结果包括待处理工件打磨方案；将所述待处理工件打磨方案通过所述数据交互模块发送至所述柔性打磨机器人，通过运动轨迹控制模块控制所述柔性打磨机器人按照所述待处理工件打磨方案进行工件打磨；通过力轴传感器模块获取工件打磨过程中工件打磨力度信息，根据所述工件打磨力度信息进行力补偿分析，获得动作力度补偿信息；根据所述视觉信息采集模块进行姿态捕捉，获得打磨位姿空间信息，将所述动作力度补偿信息和所述打磨位姿空间信息通过柔性传感网络分析对所述待处理工件打磨方案进行打磨轨迹修正。解决了现有打磨机器人在作业过程中的打磨控制精度不高，导致打磨工件质量不达标的技术问题。达到通过机器视觉采集信息和打磨力度采集信息与柔性打磨机器人进行实时交互，实现对任意姿态的机器人进行打磨力补偿，确保工件打磨力度，提高工件打磨精度，进而保证打磨工件质量的技术效果。

本说明书和附图仅仅是本申请的示例性说明，如果本发明的修改和变型属于本发明及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种基于柔性感知神经网络的机器人控制方法，其特征在于，所述方法应用于一打磨机器人控制***，所述***与一柔性打磨机器人通讯连接，所述方法包括：

所述柔性打磨机器人包括视觉信息采集模块、力轴传感器模块、数据交互模块和运动轨迹控制模块；

通过所述视觉信息采集模块对待处理工件进行图像采集，获得待处理工件图像信息；

基于所述数据交互模块将所述待处理工件图像信息上传至所述打磨机器人控制***进行交互分析；

获取目标打磨标准信息，所述打磨机器人控制***将所述目标打磨标准信息和所述待处理工件图像信息输入适用工件打磨分析模型中，获得模型输出结果，所述模型输出结果包括待处理工件打磨方案；

将所述待处理工件打磨方案通过所述数据交互模块发送至所述柔性打磨机器人，通过所述运动轨迹控制模块控制所述柔性打磨机器人按照所述待处理工件打磨方案进行工件打磨；

通过所述力轴传感器模块获取工件打磨过程中工件打磨力度信息，根据所述工件打磨力度信息进行力补偿分析，获得动作力度补偿信息；

根据所述视觉信息采集模块进行姿态捕捉，获得打磨位姿空间信息，将所述动作力度补偿信息和所述打磨位姿空间信息通过柔性传感网络分析对所述待处理工件打磨方案进行打磨轨迹修正。

2.如权利要求1所述的方法，其特征在于，所述将所述目标打磨标准信息和所述待处理工件图像信息输入适用工件打磨分析模型中之前，包括：

基于图像滤波算法对所述待处理工件图像信息进行去噪滤波，获得去噪待处理工件图像信息；

将所述去噪待处理工件图像信息进行灰度均衡化处理，获得均值待处理工件图像信息；

基于生成对抗网络对所述均值待处理工件图像信息进行图像增强，再对增强后的图像进行图像网格分割，获得标准待处理工件图像信息。

3.如权利要求2所述的方法，其特征在于，所述方法包括：

通过打磨工件特征决策树对所述待处理工件的基本信息进行分类，获得打磨工件分类特征信息；

根据所述打磨工件分类特征信息，对所述待处理工件进行标定确定打磨工件标定参数；

基于所述打磨工件标定参数，从工件打磨分析模型模型库中调用所述适用工件打磨分析模型；

将所述目标打磨标准信息和所述标准待处理工件图像信息输入所述适用工件打磨分析模型中，输出所述待处理工件打磨方案。

4.如权利要求3所述的方法，其特征在于，所述方法包括：

所述适用工件打磨分析模型包括输入层、卷积图像网络层、特征分析逻辑层和输出层；

将所述目标打磨标准信息和所述标准待处理工件图像信息作为输入层，输入至所述卷积图像网络层中，获得待处理工件特征信息；

将所述目标打磨标准信息和所述待处理工件特征信息输入所述特征分析逻辑层中，获得所述待处理工件打磨方案；

将所述待处理工件打磨方案作为输出结果通过所述输出层输出。

5.如权利要求4所述的方法，其特征在于，所述获得待处理工件特征信息，包括：

根据所述目标打磨标准信息，获得预定卷积特征集合，所述预定卷积特征集合包括工件平整度特征、弯曲度特征、孔洞缺陷特征；

将所述标准待处理工件图像信息作为输入信息输入所述卷积图像网络层中进行特征提取；

获得所述卷积图像网络层的输出信息，所述输出信息包括符合所述预定卷积特征集合的所述待处理工件特征信息。

6.如权利要求1所述的方法，其特征在于，所述方法包括：

对所述适用工件打磨分析模型进行分析效果验证，获得模型分析准确度；

如果所述模型分析准确度未达到预设分析准确度，基于所述模型分析准确度和所述预设分析准确度的差值，获得模型分析偏差度；

基于PSO算法和所述模型分析偏差度，对所述适用工件打磨分析模型进行迭代更新，获得适用工件打磨优化分析模型。

7.如权利要求6所述的方法，其特征在于，所述获得适用工件打磨优化分析模型，包括：

根据所述适用工件打磨分析模型的模型训练参数，构建粒子优化空间；

对所述粒子优化空间进行初始化，获得粒子群约束参数，根据所述模型分析偏差度和所述粒子群约束参数迭代计算粒子群适应度函数；

当达到预设终止条件时，获得所述粒子群适应度函数的第一输出结果，所述第一输出结果包括最优结果粒子；

将所述最优结果粒子映射到所述适用工件打磨分析模型进行优化训练，获得所述适用工件打磨优化分析模型。

8.一种基于柔性感知神经网络的机器人控制***，其特征在于，所述***包括：

机器人构成模块，用于柔性打磨机器人包括视觉信息采集模块、力轴传感器模块、数据交互模块和运动轨迹控制模块；

视觉信息采集模块，用于通过所述视觉信息采集模块对待处理工件进行图像采集，获得待处理工件图像信息；

数据交互模块，用于基于所述数据交互模块将所述待处理工件图像信息上传至打磨机器人控制***进行交互分析；

模型输出模块，用于获取目标打磨标准信息，所述打磨机器人控制***将所述目标打磨标准信息和所述待处理工件图像信息输入适用工件打磨分析模型中，获得模型输出结果，所述模型输出结果包括待处理工件打磨方案；

运动轨迹控制模块，用于将所述待处理工件打磨方案通过所述数据交互模块发送至所述柔性打磨机器人，通过所述运动轨迹控制模块控制所述柔性打磨机器人按照所述待处理工件打磨方案进行工件打磨；

力轴传感器模块，用于通过所述力轴传感器模块获取工件打磨过程中工件打磨力度信息，根据所述工件打磨力度信息进行力补偿分析，获得动作力度补偿信息；

打磨轨迹修正模块，用于根据所述视觉信息采集模块进行姿态捕捉，获得打磨位姿空间信息，将所述动作力度补偿信息和所述打磨位姿空间信息通过柔性传感网络分析对所述待处理工件打磨方案进行打磨轨迹修正。

Images