一种用于机器人环境目标物表面材质探测与识别的方法

1.本发明属于机器人环境探测与感知领域，具体涉及一种用于机器人环境目标物表面材质探测与识别的方法，应用超声波回波法进行机器人环境目标表面材质的探测与识别。


背景技术：

2.材质识别是机器人环境探测与感知领域的重要组成部分，这项技术被广泛应用于生产生活的方方面面。在工业机器人领域，码垛机器人在抓取不同材质的物体时，需要通过自身传感器对接触的材料进行识别，从而判断材料属性和种类，将识别结果反馈给机械臂后，需要根据材料的不同，选择合适的抓取力，进而系列自主决策，并最终控制相关机构完成对物体的定位、拿取等操作；在农业机器人领域，采摘机器人的工作环境是复杂的、多变化的非结构性的复杂自然环境，而且树枝、叶子的遮挡现象，针对相同形状的不同材质的果实，通过对目标材质的识别，确定其材质的软硬纹理等属性，将结果反馈给机械臂，以合适的抓力去采摘果实，降低果实的损耗水平。因此，研发合适的表面材质识别方法对于智能机器人意义重大。
3.机器人的感知系统主要靠具有感知不同信息的传感器构成，材料识别方法的应用十分广泛，目前在机器人的领域有多种识别方法，现有的最多的是基于视觉、触觉以及超声波的材质识别方法。机器视觉方法具有识别范围广,测试原理简单等优点，但该方法在光照条件不理想时，无法准确的获得材料的纹理、颜色信息，尤其黑暗条件下或是材料表面有遮挡时，几乎无法对材料乃至物体本身进行有效识别；基于各种触觉传感器的材料识别方法,大多通过外加激励的主动式测量方法进行材料的识别，结构相对复杂，且能识别材料的种类较少。对于机器人的实际应用而言，仍然有很多的限制。
4.破基于此，急需一种低成本、准确率高且识别结果更可靠的地面材质识别方法。


技术实现要素：

5.为解决当前识别方法中存在的高成本、不易携带、应用场景受限等问题，本发明的目的是提出一种用于机器人环境目标物表面材质探测与识别的方法，具有非接触、低成本、便捷的优势。
6.为实现上述目的，本发明采用的技术方案为：
7.一种用于机器人环境目标物表面材质探测与识别的方法，包括以下步骤：
8.1)将超声波传感器信号发射在多种材料表面，采集时域回波信号，每种材料采集若干次连续的回波信号，得到回波信号；
9.2)对回波信号进行emd分解预处理，得到若干阶imf分量；
10.3)从若干阶imf分量中提取前三阶imf分量的峰值能量值、加权峰值能量值以及峰值能量的频率值组成的已知类别的材料的三维特征向量；
11.4)对待分类材料根据已知类别的材料的三维特征向量，采用knn分类算法进行识
别。
12.进一步的，材料为水泥、壁纸、玻璃、木头和泡沫塑料。
13.进一步的，对回波信号进行emd分解预处理，得到若干阶imf分量，包括以下步骤：
14.2.1)将回波信号的所有的极大值点与极小值点通三次样条插值函数拟合形成回波信号的上包络线与下包络线，根据上包络线与下包络线，得到均值序列；
15.2.2)回波信号减去均值序列，得到原始信号与均值包络的差值，判断回波信号与均值包络的差是否是imf分量：若不是imf分量，则将回波信号与均值包络的差值作为新的回波信号，重复上述步骤2.1)和步骤2.2)，直到回波信号与均值包络的差值是imf分量，进行步骤2.3)；
16.若是imf分量，则进行步骤2.3)；
17.2.3)将回波信号减去第一阶imf分量，得到差值：
18.2.4)令差值r1(t)为新的回波信号，重复步骤2.1)-2.3)，得到第二阶imf分量、第三阶imf分量，直至得到第n阶imf分量。
19.进一步的，均值序列通过下式计算：
[0020][0021]
其中，f
min
(t)为上包络线，f
max
(t)为下包络线，m(t)为均值序列。
[0022]
进一步的，imf分量满足以下条件：imf分量极值的数量与零穿越的数量相等或最多相差1；imf分量上的任意点的局部最大值对应的包络线的平均值和局部最小值对应的包络线的平均值等于零。
[0023]
进一步的，从若干阶imf分量中提取前三阶imf分量的峰值能量值、加权峰值能量值以及峰值能量的频率值组成的三维特征向量，包括以下步骤：
[0024]
步骤3.1：前三阶imf分量包括第1阶imf分量imf1、第2阶imf分量inmf2与第3阶imf分量imf3；对第1阶imf分量imf1、第2阶imf分量inmf2与第3阶imf分量imf3，进行离散傅里叶变换，得到幅度谱，对幅度谱绝对值进行平方，得到能量密度谱；
[0025]
步骤3.2：求得能量密度谱的峰值能量e
max
、平均峰值能量ea以及峰值能量对应的频率f
max
；
[0026]
根据峰值能量e
max
、平均峰值能量ea以及峰值能量对应的频率f
max
，得到三维特征向量x(e
max
，f
max
，ea)。
[0027]
进一步的，能量密度谱的峰值能量e
max
通过下式计算：
[0028]emax
＝max|e|
[0029]
式中，e为能量密度谱。
[0030]
进一步的，平均峰值能量ea通过下式计算：
[0031]
ea＝e
max(imf1)
e
max(imf2)
e
max(imf3)
/3
[0032]
式中，e
max(imf1)
为第1阶imf分量imf1的峰值能量，e
max(imf2)
为第2阶imf分量imf1的峰值能量，e
max(imf3)
为第3阶imf分量imf1的峰值能量。
[0033]
进一步的，对待分类材料根据已知类别的材料的三维特征向量，采用knn分类算法进行识别，包括以下步骤：
[0034]
步骤4.1，计算待分类材料的三维特征向量与已知类别的材料的三维特征向量集
合的欧式距离，得到多个欧式距离；
[0035]
步骤4.2，将多个欧式距离进行升序排序；
[0036]
步骤4.3，在已知类别的材料的三维特征向量集合中，选取升序排序前k个与待分类材料的三维特征向量距离最近的点；
[0037]
步骤4.4，统计k个已知类别的材料的三维特征向量点中各个类别出现的次数，并选取出现频次最高的点的类别，作为待分类材料的类别。
[0038]
进一步的，欧式距离d(xm,xn)通过下式计算：
[0039][0040]
与现有技术相比，本发明具有的有益效果：
[0041]
本发明通过超声波传感器向待测物体表面发射超声波信号，确定待测表面的超声波回波信号的特征向量，判别材质类别，本发明中采用超声波识别材质的方法具有如下优点：超声波对色彩、光照度不敏感，可用于识别透明及漫反射性差的物体(如玻璃、抛光体)；对外界光线和电磁场不敏感，可用于黑暗、有灰尘或烟雾、电磁干扰强、有毒等恶劣环境中；超声波传感器结构简单，体积小，费用低，信息处理简单可靠，易于小型化和集成化，本发明的识别方法具有探测方法便捷、信息易获取、识别准确率高、环境适应性强等优点。
附图说明
[0042]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0043]
图1为本发明提供的材质识别方法的总体流程图。
[0044]
图2为本发明提供的数据emd处理流程图。
[0045]
图3为本发明提供的材质分类方法的数据集建立过程图。
具体实施方式
[0046]
下面结合附图和具体实施例对本发明作进一步说明。
[0047]
参见图1，本发明提供的一种用于机器人环境目标物表面材质探测与识别的方法，包括以下四个步骤：
[0048]
1)机器人上携带超声波发射与接收装置，超声波发射与接收装置用于超声波发射以及回波采集，机器人接收到控制器的材质识别指令后，根据指令在指令探测角度范围内发射超声波信号，超声波信号的发射频率依据机器人所处的空气或水等环境介质决定，在控制其他变量(如超声波传感器与目标材料的距离，传感器发射角以及功率等因素)一定的情况下，将超声波传感器信号发射在材料表面(如水泥表面、壁纸、玻璃、木头和泡沫塑料等)，从t0时刻开始，在δ
t
时间内采集时域回波信号s(t)，每种材料随机采集n次连续的回波信号，要求n≥100次，得到回波信号。
[0049]
2)回波信号预处理：对回波信号进行emd分解预处理，以进行降噪，从而消除无关变量对识别准确度的影响，得到若干阶imf分量(即为基本模式分量)和一个残余分量r(t)；参见图2，emd分解预处理的步骤如下：
[0050]
2.1)首先找出回波信号s(t)(最开始是回波信号，后面会不断变化)的所有的极大值点与极小值点，并用将所有的极大值点、极小值点通三次样条插值函数拟合形成回波信号s(t)的上包络线f
min
(t)、下包络线f
max
(t)，根据上包络线f
min
(t)与下包络线f
max
(t)，得到均值序列m(t)；
[0051][0052]
2.2)用回波信号s(t)减去均值序列m(t)，得到原始信号与均值包络的差值h1(t)：
[0053]
h1(t)＝s(t)-m(t)
[0054]
其中，h1(t)为原始信号与均值包络的差值。
[0055]
imf分量的两个要求为：
[0056]
(1)imf分量极值的数量(最大值和最小值的数量之和)与零穿越的数量必须相等或最多相差1；
[0057]
(2)imf分量上的任意点，局部最大值对应的包络线的平均值和局部最小值对应的包络线的平均值应等于零。
[0058]
判断回波信号s(t)与均值包络的差值h1(t)是否是基本模式分量；
[0059]
若不是imf分量，则将原始信号与均值包络的差值h1(t)作为新的回波信号，重复上述步骤2.1)和步骤2.2)，直到原始信号与均值包络的差值h1(t)是基本模式分量c1(t)，记为：
[0060]
c1(t)＝h1(t)
[0061]
若是imf分量，则进行步骤2.3)；
[0062]
2.3)基本模式分量c1(t)即为分解得到的第一阶imf分量，将回波信号s(t)减去基本模式分量c1(t)，得到差值r1(t)：
[0063]
r1(t)＝s(t)-c1(t)
[0064]
2.4)令差值r1(t)为新的回波信号，多次重复操作上述步骤2.1)-2.3)，从而可以依次得到第二阶imf分量、第三阶imf分量，直至得到第n阶imf分量。
[0065]
直到满足预先设定的停止准则后即可停止，如残余分量rn(t)为单调函数或常量。停止后将回波信号s(t)分解为若干个imf分量和一个残余分量的和：
[0066][0067]
其中，i为表示阶数，i＝1,2,3
……
，n。ci(t)为第i阶imf分量，rn(t)为n阶残余分量。i为1时，第1阶imf分量为imf1，i为2时，第2阶imf分量为imf2，i为3时，第1阶imf分量为imf3。
[0068]
3)特征提取：提取所获得的前三阶imf分量的峰值能量值大小、加权峰值能量值以及峰值能量的频率值组成的特征向量，参见图3，具体步骤为：
[0069]
步骤3.1：前三阶imf分量在表面材质识别中效果更好，故选取所获得的前三阶imf分量即第1阶imf分量imf1、第2阶imf分量inmf2与第3阶imf分量imf3。
[0070]
步骤3.2：对第1阶imf分量imf1、第2阶imf分量inmf2与第3阶imf分量imf3，进行离散傅里叶变换，得到幅度谱，并且对幅度谱绝对值进行平方，得到能量密度谱e。
[0071]
步骤3.3：求得能量密度谱e的峰值能量e
max
、平均峰值能量ea以及峰值能量对应的
频率f
max
。
[0072]
能量密度谱e的峰值能量e
max
的表达时如下：
[0073]emax
＝max|e|
[0074]
平均峰值能量ea表达式如下：
[0075]
ea＝e
max(imf1)
e
max(imf2)
e
max(imf3)
/3
[0076]
式中，e
max(imf1)
为第1阶imf分量imf1的峰值能量，e
max(imf2)
为第2阶imf分量imf1的峰值能量，e
max(imf3)
为第3阶imf分量imf1的峰值能量。
[0077]
根据峰值能量e
max
、平均峰值能量ea以及峰值能量对应的频率f
max
，得到三维特征向量x(e
max
，f
max
，ea)。
[0078]
多次测量由此得到能够已知类别的材料的的三维特征向量x(e
max
，f
max
，ea)集合，用于下一步的材质识别。
[0079]
4)材质识别：对三维特征向量x(e
max
，f
max
，ea)进行knn分类算法，进而进行识别，并且将识别结果传送到机器人控制器。
[0080]
步骤4)的具体步骤如下：
[0081]
步骤4.1：计算新的待分类的三维特征向量x(e
max
，f
max
，ea)与之前得到的已知类别的材料的三维特征向量x(e
max
，f
max
，ea)集合的欧式距离d(xm,xn)，得到多个欧式距离，通过下式计算：
[0082][0083]
其中，m表示第m个三维特征向量，n表示第n个三维特征向量，m不等于n。
[0084]
步骤4.2：将得到的多个欧式距离按照大小，进行升序排序。
[0085]
步骤4.3在已知类别的材料的三维特征向量x(e
max
，f
max
，ea)集合中，选取升序排序前k个与新的待分类的三维特征向量x(e
max
，f
max
，ea)距离最近的点。
[0086]
步骤4.4统计这k个已知类别的材料的三维特征向量x(e
max
，f
max
，ea)点中各个类别出现的次数，并选取其中出现频次最高的点的类别，作为待分类材料的三维特征向量x(e
max
，f
max
，ea)的类别，并将结果输出给机器人控制器。
[0087]
以上内容是结合本发明的优选实施方式对所提供技术方案所作的进一步详细说明，不能认定本发明具体实施只局限于上述这些说明，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。