一种基于深度神经网络的机器人材质识别方法及系统

1.本发明涉及机器人触觉感知技术领域，特别指一种基于深度神经网络的机器人材质识别方法及系统。


背景技术：

2.触觉感知对于机器人了解其工作环境至关重要，随着触觉传感器的发展，机器人在物体分类、材质识别、抓握、滑动检测等方面取得了很大的进展。其中，材质识别是特定种类机器人的强制性能力，例如服务机器人、医疗机器人和探索性机器人。
3.在现实世界的开放场景下，由于环境的复杂性，存在各种不确定因素以及突发情况，例如机械臂的重新安装、位置的偏移等，这将直接导致机器人感知的数据存在特征偏移，即直接影响机器人的材质识别准确性。
4.因此，如何提供一种基于深度神经网络的机器人材质识别方法及系统，实现提升机器人材质识别的准确性、稳定性以及泛化能力，成为一个亟待解决的技术问题。


技术实现要素：

5.本发明要解决的技术问题，在于提供一种基于深度神经网络的机器人材质识别方法及系统，实现提升机器人材质识别的准确性、稳定性以及泛化能力。
6.第一方面，本发明提供了一种基于深度神经网络的机器人材质识别方法，包括如下步骤：
7.步骤s10、机器人通过安装于机械臂末端的电子皮肤，在不同工况下分批次采集大量的材质图像；
8.步骤s20、基于结构相似性计算各批次的所述材质图像之间的相似度，基于各所述相似度构建数据集；
9.步骤s30、基于深度神经网络创建一材质识别模型，利用所述数据集对材质识别模型进行训练；
10.步骤s40、机器人利用训练后的所述材质识别模型，对新的工况下电子皮肤采集的图像进行实时的材质识别，并实时输出识别结果。
11.进一步地，所述步骤s10具体为：
12.在机械臂末端与电子皮肤之间嵌入泡沫硅橡胶，机器人通过安装于机械臂末端的电子皮肤，采集若干种材质的若干张材质图像；
13.依次调整机械臂关节角度、机械臂姿态、按压力度、移动速度、重新拆装电子皮肤，每次调整均分别采集若干种材质的若干张材质图像，以完成在不同工况下分批次采集大量的材质图像。
14.进一步地，所述步骤s20具体包括：
15.步骤s21、随机从其中一个批次的材质图像中，选取不同材质的基准图像；
16.步骤s22、依次计算各所述基准图像与各批次中，相同材质的其余图像的ssim值，
并计算各批次的各所述ssim值的均值，作为该批次材质图像的不同材质的相似度；
17.步骤s23、基于各所述相似度对材质图像进行分类，进而构建数据集。
18.进一步地，所述步骤s22中，所述ssim值的计算公式为：
[0019][0020]
其中，μ
x
和μy分别表示图像x和图像y的均值；和分别表示图像x和图像y的方差；σ
xy
表示图像x与图像y的协方差；c1和c2均表示常数。
[0021]
进一步地，所述步骤s30具体包括：
[0022]
步骤s31、机器人基于深度神经网络创建一材质识别模型；所述材质识别模型基于densenet以及cbam构建；所述densenet包括3个稠密块以及2个过渡层；所述cbam包括1个通道注意力模块以及1个空间注意力模块；
[0023]
步骤s32、将所述数据集中批次1的数据按2：1的比例划分为训练集和验证集，将所述数据集中批次2和批次3的数据作为测试集，并预设一收敛条件以及一准确率阈值；
[0024]
步骤s33、利用所述训练集对材质识别模型进行训练，直至满足收敛条件，并保存训练过程中所述材质识别模型在验证集上的最佳权重；
[0025]
步骤s34、利用所述测试集对材质识别模型进行测试，判断识别准确率是否大于所述准确率阈值，若是，则结束训练，并进入步骤s40；若否，则扩充所述训练集，并进入步骤s33。
[0026]
第二方面，本发明提供了一种基于深度神经网络的机器人材质识别系统，包括如下模块：
[0027]
材质图像采集模块，用于机器人通过安装于机械臂末端的电子皮肤，在不同工况下分批次采集大量的材质图像；
[0028]
数据集构建模块，用于基于结构相似性计算各批次的所述材质图像之间的相似度，基于各所述相似度构建数据集；
[0029]
材质识别模型训练模块，用于基于深度神经网络创建一材质识别模型，利用所述数据集对材质识别模型进行训练；
[0030]
材质识别模块，用于机器人利用训练后的所述材质识别模型，对新的工况下电子皮肤采集的图像进行实时的材质识别，并实时输出识别结果。
[0031]
进一步地，所述材质图像采集模块具体为：
[0032]
在机械臂末端与电子皮肤之间嵌入泡沫硅橡胶，机器人通过安装于机械臂末端的电子皮肤，采集若干种材质的若干张材质图像；
[0033]
依次调整机械臂关节角度、机械臂姿态、按压力度、移动速度、重新拆装电子皮肤，每次调整均分别采集若干种材质的若干张材质图像，以完成在不同工况下分批次采集大量的材质图像。
[0034]
进一步地，所述数据集构建模块具体包括：
[0035]
基准图像选取单元，用于随机从其中一个批次的材质图像中，选取不同材质的基准图像；
[0036]
相似度计算单元，用于依次计算各所述基准图像与各批次中，相同材质的其余图
像的ssim值，并计算各批次的各所述ssim值的均值，作为该批次材质图像的不同材质的相似度；
[0037]
材质图像分类单元，用于基于各所述相似度对材质图像进行分类，进而构建数据集。
[0038]
进一步地，所述相似度计算单元中，所述ssim值的计算公式为：
[0039][0040]
其中，μ
x
和μy分别表示图像x和图像y的均值；和分别表示图像x和图像y的方差；σ
xy
表示图像x与图像y的协方差；c1和c2均表示常数。
[0041]
进一步地，所述材质识别模型训练模块具体包括：
[0042]
材质识别模型创建单元，用于机器人基于深度神经网络创建一材质识别模型；所述材质识别模型基于densenet以及cbam构建；所述densenet包括3个稠密块以及2个过渡层；所述cbam包括1个通道注意力模块以及1个空间注意力模块；
[0043]
训练参数设定单元，用于将所述数据集中批次1的数据按2：1的比例划分为训练集和验证集，将所述数据集中批次2和批次3的数据作为测试集，并预设一收敛条件以及一准确率阈值；
[0044]
模型训练单元，用于利用所述训练集对材质识别模型进行训练，直至满足收敛条件，并保存训练过程中所述材质识别模型在验证集上的最佳权重；
[0045]
模型验证单元，用于利用所述测试集对材质识别模型进行测试，判断识别准确率是否大于所述准确率阈值，若是，则结束训练，并进入材质识别模块；若否，则扩充所述训练集，并进入模型训练单元。
[0046]
本发明的优点在于：
[0047]
通过在采集材质图像时，依次调整机械臂关节角度、机械臂姿态、按压力度、移动速度、重新拆装电子皮肤，模拟不同工况下采集材质图像，更加贴近实际的开放场景，再利用不同工况下分批次采集的材质图像构建的数据集对材质识别模型进行训练，让材质识别模型在进行材质识别时，能有效克服不同工况下的特征偏移，极大的提升了机器人材质识别的准确性、稳定性以及泛化能力；通过在材质识别模型的分类器采用cbam，因其具有特征重定位的特性，可以校正跨批次数据出现的样本特征漂移问题，进一步提升了机器人材质识别的准确性。
附图说明
[0048]
下面参照附图结合实施例对本发明作进一步的说明。
[0049]
图1是本发明一种基于深度神经网络的机器人材质识别方法的流程图。
[0050]
图2是本发明一种基于深度神经网络的机器人材质识别系统的结构示意图。
[0051]
图3是本发明稠密块的示意图。
[0052]
图4是本发明densenet的示意图。
[0053]
图5是本发明cbam的工作流程示意图。
[0054]
图6是本发明通道注意力模块和空间注意力模块的示意图。
[0055]
图7是本发明材质识别模型的示意图。
具体实施方式
[0056]
本技术实施例中的技术方案，总体思路如下：采集不同工况(机械臂关节角度、机械臂姿态、按压力度、移动速度、重新拆装电子皮肤)下的材质图像对材质识别模型进行训练，克服不同工况下的特征偏移，以提升机器人材质识别的准确性、稳定性以及泛化能力；引入cbam校正跨批次数据出现的样本特征漂移问题，进一步提升机器人材质识别的准确性。
[0057]
请参照图1至图7所示，本发明一种基于深度神经网络的机器人材质识别方法的较佳实施例，包括如下步骤：
[0058]
步骤s10、机器人通过安装于机械臂末端的电子皮肤(pressure mapping sensor5076,tekscan,usa)，在不同工况下分批次采集大量的材质图像；即分批次采集不同工况下、不同材质的触觉数据，以模拟开放场景；
[0059]
步骤s20、基于结构相似性计算各批次的所述材质图像之间的相似度，基于各所述相似度构建数据集；即基于不同批次的所述材质图像之间的差异性来构建不同的组合；
[0060]
步骤s30、基于深度神经网络创建一材质识别模型，利用所述数据集对材质识别模型进行训练；
[0061]
步骤s40、机器人利用训练后的所述材质识别模型，对新的工况下电子皮肤采集的图像进行实时的材质识别，并实时输出识别结果。
[0062]
本发明将触觉感知中闭集学习的特征抽取方法推广到开放场景触觉数据的识别，以达到机器人自适应识别未知环境的目的。
[0063]
所述步骤s10具体为：
[0064]
在机械臂末端与电子皮肤之间嵌入5mm厚的泡沫硅橡胶，机器人通过安装于机械臂末端的电子皮肤，以接近人体皮肤的100hz采集频率采集若干种材质的若干张材质图像，具体材质可为糙毛巾、鳄鱼纹、浮雕布、海绵、横纹布、麻布、钻石纹等；所述机械臂为6自由度机械臂(ur5,universal robots,denmark)；通过嵌入泡沫硅橡胶，能有效提升成像质量；
[0065]
依次调整机械臂关节角度、机械臂姿态、按压力度、移动速度、重新拆装电子皮肤，每次调整均分别采集若干种材质的若干张材质图像，以完成在不同工况下分批次采集大量的材质图像，用于提升所述材质识别模型训练的鲁棒性。
[0066]
例如调整机械臂关节角度的控制参数θ(θ1,θ2,θ3,θ4,θ5,θ6)中的θ5和θ6参数，调整机械臂姿态的控制参数p(x,y,z,r
x
,ry,rz)中的z参数，由机械臂控制电子皮肤按压材质来获取3个批次的材质图像(触觉数据)：
[0067]
批次1：机械臂最初以接近10n的力按压材质的底部区域，从底部开始滑动，接触材质2秒钟，每个样本包括200帧数据，为避免信息重复，每50帧采集一帧材质图像；采用2cm/s、4cm/s、6cm/s和8cm/s的四种机械臂速度分别采集数据，每种速度包含150个样本，得到批次1的材质图像集；拆除并重新安装电子皮肤，固定批次1中使用的工作台和材质。
[0068]
批次2：改变机械臂姿态，使用四种不同的力(2n、5n、7n、10n)按压材质，将触觉数据保存为1帧材质图像；使用每个力采集150个样本，得到批次2的材质图像集；拆除并重新安装电子皮肤，固定批次2中使用的工作台和材质。
[0069]
批次3：改变机械臂姿态，使用四种不同的力(2n、5n、7n、10n)按压材质，将触觉数据保存为1帧材质图像；使用每个力采集450个样本，得到批次3的材质图像集。
[0070]
所述步骤s20具体包括：
[0071]
步骤s21、随机从其中一个批次的材质图像中，选取不同材质的基准图像；
[0072]
步骤s22、依次计算各所述基准图像与各批次中，相同材质的其余图像的ssim值，并计算各批次的各所述ssim值的均值，作为该批次材质图像的不同材质的相似度；
[0073]
步骤s23、基于各所述相似度对材质图像进行分类，进而构建数据集。
[0074]
例如存在3个批次的材质图像时，先在第2批次的材质图像中选取不同材质的基准图像，再将基准图像与第2批次中相同材质的其余材质图像逐一计算ssim值，并计算第2批次的ssim值的均值作为第2批次不同材质的相似度；
[0075]
再将基准图像与第1批次中相同材质的其余材质图像逐一计算ssim值，并计算第1批次的ssim值的均值作为第1批次与第2批次不同材质的相似度；
[0076]
最后将基准图像与第3批次中相同材质的其余材质图像逐一计算ssim值，并计算第3批次的ssim值的均值作为第3批次与第2批次不同材质的相似度。
[0077]
所述步骤s22中，所述ssim值的计算公式为：
[0078][0079]
其中，μ
x
和μy分别表示图像x和图像y的均值；和分别表示图像x和图像y的方差；σ
xy
表示图像x与图像y的协方差；c1和c2均表示常数，用于防止分母为零，c1＝(k1l)2，c2＝(k2l)2，k1＝0.01，k2＝0.03，l＝255。
[0080]
所述步骤s30具体包括：
[0081]
步骤s31、机器人基于深度神经网络创建一材质识别模型；所述材质识别模型基于densenet(稠密卷积神经网络)以及cbam(注意力机制)构建；所述densenet包括3个稠密块(dense block)以及2个过渡层(transition layer)；所述cbam包括1个通道注意力模块以及1个空间注意力模块；
[0082]
densenet以前馈的方式将每一层与其余层连接起来，对每一层特征图执行操作hi，包括连续的批量归一化(bn)、校正线性单元(relu)和卷积(conv)；每一层的输出被连接到后续的层进行特征重用，作为密集的特征补充。假定k是每一层的增长率参数，表示在神经网络的“集体知识”中补充了一个小的特征图；本发明设置k为12，以控制网络的大小，设输入特征图的通道数为k0(其中，k0＝2k)，则l层特征图的通道数为k0 (l-1)
×
k。
[0083]
图4是基于densenet的材质识别模型示意图，每个dense block由一个1x1的卷积层和一个2x2的平均池化层连接，称为transition layer。这里我们设置压缩因子θ＝0.5来实现降采样，减少计算的参数量，加快模型的训练。
[0084]
cbam是为了解决不同类数据在不同批次数据之间的样本特征偏移，鉴于densenet识别的关键特征子集可能不适用于其他批次的测试数据，因此在densenet基础上引入了cbam进行特征重定位。
[0085]
cbam的工作流程如图5所示，它由通道注意模块和空间注意模块组成；图6为cbam的每个注意力子模块的示意图，对于输入的多通道特征图，cbam可以分别从空间维度和通
道维度计算注意力权重，然后对输出进行加权，实现自适应特征细化；在通道注意模块中，分别对输入特征f进行平均池化和最大池化，得到和其中包含聚集的空间信息和特定对象的不同信息，然后和都被输入到一个共享的mlp以获得通道注意图mc；在空间注意模块中，对通道细化特征f'也分别应用了平均池化和最大池化；然后，这两个特征被拼接输入到后续的卷积层，以获得空间注意图ms，聚焦于“哪里”是值得关注的信息部分。最后，分别用输入特征f和通道细化特征f'与注意图ms和mc分别计算张量积(即)，从而重新分配注意力权重，得到最终的特征f”。综上所述，整体注意力机制的计算过程如下:
[0086][0087][0088]
如图7所示，本发明引入cbam的基于densenet的材质识别模型包含3个dense block和2个transition layer。每个dense block包含18个连续的dense layer。在连续卷积的过程中，不断提取深层特征信息，通过密集连接将浅层信息连接起来。为了提取更有效的信息，在每个dense block之后引入cbam，进一步对其获取的特征信息进行重新校准。在最后一次池化后，输出的特征图连接到一个线性输出层，采用softmax作为激活函数，得到最终分类的置信度。
[0089]
步骤s32、将所述数据集中批次1的数据按2：1的比例划分为训练集和验证集，将所述数据集中批次2和批次3的数据作为测试集，并预设一收敛条件以及一准确率阈值；
[0090]
步骤s33、利用所述训练集对材质识别模型进行训练，直至满足收敛条件，并保存训练过程中所述材质识别模型在验证集上的最佳权重；
[0091]
步骤s34、利用所述测试集对材质识别模型进行测试，判断识别准确率是否大于所述准确率阈值，若是，则结束训练，并进入步骤s40；若否，则扩充所述训练集，并进入步骤s33。
[0092]
本发明一种基于深度神经网络的机器人材质识别系统的较佳实施例，包括如下模块：
[0093]
材质图像采集模块，用于机器人通过安装于机械臂末端的电子皮肤(pressure mapping sensor5076,tekscan,usa)，在不同工况下分批次采集大量的材质图像；即分批次采集不同工况下、不同材质的触觉数据，以模拟开放场景；
[0094]
数据集构建模块，用于基于结构相似性计算各批次的所述材质图像之间的相似度，基于各所述相似度构建数据集；即基于不同批次的所述材质图像之间的差异性来构建不同的组合；
[0095]
材质识别模型训练模块，用于基于深度神经网络创建一材质识别模型，利用所述数据集对材质识别模型进行训练；
[0096]
材质识别模块，用于机器人利用训练后的所述材质识别模型，对新的工况下电子皮肤采集的图像进行实时的材质识别，并实时输出识别结果。
[0097]
本发明将触觉感知中闭集学习的特征抽取方法推广到开放场景触觉数据的识别，以达到机器人自适应识别未知环境的目的。
[0098]
所述材质图像采集模块具体为：
[0099]
在机械臂末端与电子皮肤之间嵌入5mm厚的泡沫硅橡胶，机器人通过安装于机械臂末端的电子皮肤，以接近人体皮肤的100hz采集频率采集若干种材质的若干张材质图像，具体材质可为糙毛巾、鳄鱼纹、浮雕布、海绵、横纹布、麻布、钻石纹等；所述机械臂为6自由度机械臂(ur5,universal robots,denmark)；通过嵌入泡沫硅橡胶，能有效提升成像质量；
[0100]
依次调整机械臂关节角度、机械臂姿态、按压力度、移动速度、重新拆装电子皮肤，每次调整均分别采集若干种材质的若干张材质图像，以完成在不同工况下分批次采集大量的材质图像，用于提升所述材质识别模型训练的鲁棒性。
[0101]
例如调整机械臂关节角度的控制参数θ(θ1,θ2,θ3,θ4,θ5,θ6)中的θ5和θ6参数，调整机械臂姿态的控制参数p(x,y,z,r
x
,ry,rz)中的z参数，由机械臂控制电子皮肤按压材质来获取3个批次的材质图像(触觉数据)：
[0102]
批次1：机械臂最初以接近10n的力按压材质的底部区域，从底部开始滑动，接触材质2秒钟，每个样本包括200帧数据，为避免信息重复，每50帧采集一帧材质图像；采用2cm/s、4cm/s、6cm/s和8cm/s的四种机械臂速度分别采集数据，每种速度包含150个样本，得到批次1的材质图像集；拆除并重新安装电子皮肤，固定批次1中使用的工作台和材质。
[0103]
批次2：改变机械臂姿态，使用四种不同的力(2n、5n、7n、10n)按压材质，将触觉数据保存为1帧材质图像；使用每个力采集150个样本，得到批次2的材质图像集；拆除并重新安装电子皮肤，固定批次2中使用的工作台和材质。
[0104]
批次3：改变机械臂姿态，使用四种不同的力(2n、5n、7n、10n)按压材质，将触觉数据保存为1帧材质图像；使用每个力采集450个样本，得到批次3的材质图像集。
[0105]
所述数据集构建模块具体包括：
[0106]
基准图像选取单元，用于随机从其中一个批次的材质图像中，选取不同材质的基准图像；
[0107]
相似度计算单元，用于依次计算各所述基准图像与各批次中，相同材质的其余图像的ssim值，并计算各批次的各所述ssim值的均值，作为该批次材质图像的不同材质的相似度；
[0108]
材质图像分类单元，用于基于各所述相似度对材质图像进行分类，进而构建数据集。
[0109]
例如存在3个批次的材质图像时，先在第2批次的材质图像中选取不同材质的基准图像，再将基准图像与第2批次中相同材质的其余材质图像逐一计算ssim值，并计算第2批次的ssim值的均值作为第2批次不同材质的相似度；
[0110]
再将基准图像与第1批次中相同材质的其余材质图像逐一计算ssim值，并计算第1批次的ssim值的均值作为第1批次与第2批次不同材质的相似度；
[0111]
最后将基准图像与第3批次中相同材质的其余材质图像逐一计算ssim值，并计算第3批次的ssim值的均值作为第3批次与第2批次不同材质的相似度。
[0112]
所述相似度计算单元中，所述ssim值的计算公式为：
[0113][0114]
其中，μ
x
和μy分别表示图像x和图像y的均值；和分别表示图像x和图像y的方
差；σ
xy
表示图像x与图像y的协方差；c1和c2均表示常数，用于防止分母为零，c1＝(k1l)2，c2＝(k2l)2，k1＝0.01，k2＝0.03，l＝255。
[0115]
所述材质识别模型训练模块具体包括：
[0116]
材质识别模型创建单元，用于机器人基于深度神经网络创建一材质识别模型；所述材质识别模型基于densenet(稠密卷积神经网络)以及cbam注意力机制)构建；所述densenet包括3个稠密块(dense block)以及2个过渡层(transition layer)；所述cbam包括1个通道注意力模块以及1个空间注意力模块；
[0117]
densenet以前馈的方式将每一层与其余层连接起来，对每一层特征图执行操作hi，包括连续的批量归一化(bn)、校正线性单元(relu)和卷积(conv)；每一层的输出被连接到后续的层进行特征重用，作为密集的特征补充。假定k是每一层的增长率参数，表示在神经网络的“集体知识”中补充了一个小的特征图；本发明设置k为12，以控制网络的大小，设输入特征图的通道数为k0(其中，k0＝2k)，则l层特征图的通道数为k0 (l-1)
×
k。
[0118]
图4是基于densenet的材质识别模型示意图，每个dense block由一个1x1的卷积层和一个2x2的平均池化层连接，称为transition layer。这里我们设置压缩因子θ＝0.5来实现降采样，减少计算的参数量，加快模型的训练。
[0119]
cbam是为了解决不同类数据在不同批次数据之间的样本特征偏移，鉴于densenet识别的关键特征子集可能不适用于其他批次的测试数据，因此在densenet基础上引入了cbam进行特征重定位。
[0120]
cbam的工作流程如图5所示，它由通道注意模块和空间注意模块组成；图6为cbam的每个注意力子模块的示意图，对于输入的多通道特征图，cbam可以分别从空间维度和通道维度计算注意力权重，然后对输出进行加权，实现自适应特征细化；在通道注意模块中，分别对输入特征f进行平均池化和最大池化，得到和其中包含聚集的空间信息和特定对象的不同信息，然后和都被输入到一个共享的mlp以获得通道注意图mc；在空间注意模块中，对通道细化特征f'也分别应用了平均池化和最大池化；然后，这两个特征被拼接输入到后续的卷积层，以获得空间注意图ms，聚焦于“哪里”是值得关注的信息部分。最后，分别用输入特征f和通道细化特征f'与注意图ms和mc分别计算张量积(即)，从而重新分配注意力权重，得到最终的特征f”。综上所述，整体注意力机制的计算过程如下:
[0121][0122][0123]
如图7所示，本发明引入cbam的基于densenet的材质识别模型包含3个dense block和2个transition layer。每个dense block包含18个连续的dense layer。在连续卷积的过程中，不断提取深层特征信息，通过密集连接将浅层信息连接起来。为了提取更有效的信息，在每个dense block之后引入cbam，进一步对其获取的特征信息进行重新校准。在最后一次池化后，输出的特征图连接到一个线性输出层，采用softmax作为激活函数，得到最终分类的置信度。
[0124]
训练参数设定单元，用于将所述数据集中批次1的数据按2：1的比例划分为训练集和验证集，将所述数据集中批次2和批次3的数据作为测试集，并预设一收敛条件以及一准
确率阈值；
[0125]
模型训练单元，用于利用所述训练集对材质识别模型进行训练，直至满足收敛条件，并保存训练过程中所述材质识别模型在验证集上的最佳权重；
[0126]
模型验证单元，用于利用所述测试集对材质识别模型进行测试，判断识别准确率是否大于所述准确率阈值，若是，则结束训练，并进入材质识别模块；若否，则扩充所述训练集，并进入模型训练单元。
[0127]
综上所述，本发明的优点在于：
[0128]
通过在采集材质图像时，依次调整机械臂关节角度、机械臂姿态、按压力度、移动速度、重新拆装电子皮肤，模拟不同工况下采集材质图像，更加贴近实际的开放场景，再利用不同工况下分批次采集的材质图像构建的数据集对材质识别模型进行训练，让材质识别模型在进行材质识别时，能有效克服不同工况下的特征偏移，极大的提升了机器人材质识别的准确性、稳定性以及泛化能力；通过在材质识别模型的分类器采用cbam，因其具有特征重定位的特性，可以校正跨批次数据出现的样本特征漂移问题，进一步提升了机器人材质识别的准确性。
[0129]
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。