CN101074865A - 物体表面纹理检测方法及其传感器 - Google Patents

Abstract

本发明公开了一种物体表面纹理检测方法，将聚偏二氟乙烯压电薄膜置于压力传感器之上，并由聚偏二氟乙烯压电薄膜接收待检测的物体对其触压而产生的与之相应的电荷信号，同时由压力传感器接收待检测的物体对聚偏二氟乙烯压电薄膜的压力信号，所述电荷信号及压力信号经放大后被采集，进而对电荷信号分别从统计、幅阈和频域角度提取特征值，包括绝对值的平均、均方值、均方差、近似长度、信号穿过平均值的次数、信号斜率改变次数以及对数功率谱，使用预先训练好的GA－VLBP网络对上述特征值向量进行分类，得到待检测的物体表面的纹理信息。还公开了用于物体表面纹理检测方法的传感器。

Description

物体表面纹理检测方法及其传感器

技术领域

本发明属于触觉临场感技术领域，是一种用于检测物体表面纹理状况的物体表面纹理检测方法及其传感器。

背景技术

一般来说，触摸最高可以感受到表面1至3微米的凹凸。我们人类的触觉系统是与认知过程相结合的触知能力、肌肉运动知觉能力和肌肉运动能力的集合，表现出连接大脑的独特的双向信息通道。如果能够把触觉反馈信息真实再现出来并提供给手或身体的其他部分，那么将会涌现出大量激动人心的应用。例如，研究表明在虚拟环境中提供真实的触觉感觉有助于提高工作效率。操作者可以通过触摸虚拟环境，从中提取有用信息，并把他们对真实世界感觉的知识应用于其中。一般说来，得到的触觉信息越接近于真实环境，操作者就越能依靠真实世界的知觉，从事虚拟环境中的任务。如果在虚拟环境中进行真实环境的任务培训，可以提高在真实环境中的工作能力，并且不会产生由于操作失误而导致的严重后果，类似于目前虚拟驾驶训练。因此，触觉临场感不仅在理论研究上具有重要意义，在实际应用的虚拟现实和遥操作中也具有广阔的应用价值。

所谓触觉临场感，是指操作者通过触觉检测仪器进行触摸、感知和操纵虚拟或远地物体进行一系列相互作用获得表征虚拟或远地物体特性的触觉信息感知过程。触觉感知主要可以划分成两类，一类是滑动触觉感知，另一类是柔性(或刚度)触觉感知。其中，滑动触觉感知是指人对物体表面纹理特性的感知。本发明是实现滑动触觉临场感的关键技术之一，是用于检测物体表面纹理特征的方法。

关于纹理信息的检测受到人类对纹理本质认识的局限，至今还不能建立纹理的精确模型，所以这方面的研究进展得非常缓慢。卡耐基梅隆大学机器人学院提出用探针在物体表面运动建立物体表面纹理模型，如图1所示，1为探针，2为运动方向，3为针尖运动轨迹的幅度，4为针尖运动轨迹，5为待测物体表面。探针1垂直于待测物体表面5，并施加一定大小的力使探针1与待测物体表面5接触，并以恒速运动，这样探针1的针尖运动轨迹4可以反映物体表面的极细微凹槽的深度和频度，间接的反映了物体表面的纹理信息，这是目前检测纹理比较通用的方法，简单且便于操作。但是，也存在很大的不足，首先探针与物体表面是点接触，运动轨迹呈线状，只能反映轨迹线上的凹凸信息，即使增加探针运动的密集程度，也不能囊括整个表面的二维纹理信息；其次探针针尖的大小直接关系到所测轨迹的振动幅度；再次，探针在物体表面拖动的检测方法，可能会对柔软物体的表面造成损伤。另一种检测纹理的方法是根据图象处理理论，运用彩色图象灰度化、中值滤波、图象二值化等一系列图象处理手段，抽取图像所反映的材质的纹理信息。图2显示的是水曲柳木板的纹理。这种方法仅测出了纹理的走向，不太适合为表面纹理建模，首先，光源条件直接影响图片的拍摄，在不同光源下拍摄的图片提取到的纹理信息会有所不同；其次，提取到的纹理信息是黑白二值图像，不能反映物体表面沟壑的深度信息。

发明内容

本发明提供一种能够测到平面信息简单易行的物体表面纹理检测方法及其传感器。

本发明采用如下技术方案：

本发明所述物体表面纹理检测方法的技术方案：

一种物体表面纹理检测方法，将聚偏二氟乙烯压电薄膜置于压力传感器之上，并由聚偏二氟乙烯压电薄膜接收待检测的物体对其触压而产生的与之相应的电荷信号，同时由压力传感器接收待检测的物体对聚偏二氟乙烯压电薄膜的压力信号，所述电荷信号及压力信号经放大后被采集，进而对电荷信号分别从统计、幅阈和频域角度提取特征值，包括绝对值的平均、均方值、均方差、近似长度、信号穿过平均值的次数、信号斜率改变次数以及对数功率谱，使用预先训练好的GA-VLBP网络对上述特征值向量进行分类，得到待检测的物体表面的纹理信息。

本发明所述传感器的技术方案：

一种用于所述物体表面纹理检测方法的传感器，包括表面纹理传感器基座，在基座上设有压力传感器，在压力传感器上覆有聚偏二氟乙烯压电薄膜。

与现有技术相比，本发明具有如下优点：

本发明利用了聚偏二氟乙烯(PVDF)具有强压电效应的特性，制作可以检测纹理的传感器。物体表面各向同性的纹理可以看成是细微颗粒，当PVDF薄膜在物体表面滑动时，这些细微颗粒对PVDF薄膜的挤压产生感应电荷，通过分析采集到的电信号，可以间接判断物体表面纹理特性。这种方法属于无损检测，不仅可以测到平面信息，而且不受环境干扰。本发明具有结构简单、控制准确和易于实现的特点。

附图说明

图1是现有的表面纹理探针检测模型。

图2是图像法检测的水曲柳木板纹理。

图3是聚偏二氟乙烯(PVDF)的换能模型。

图4是表面纹理传感器剖面图。

图5是测试系统框图。

图6是软件的设计思想框图。

图7是远程纹理检测系统从机械手简化结构示意图。

具体实施方式

实施例1

一种物体表面纹理检测方法：将聚偏二氟乙烯压电薄膜置于压力传感器之上，并由聚偏二氟乙烯压电薄膜接收待检测的物体对其触压而产生的与之相应的电荷信号，同时由压力传感器接收待检测的物体对聚偏二氟乙烯压电薄膜的压力信号，所述电荷信号及压力信号经放大后被采集，进而对电荷信号分别从统计、幅阈和频域角度提取特征值，包括绝对值的平均、均方值、均方差、近似长度、信号穿过平均值的次数、信号斜率改变次数以及对数功率谱，使用预先训练好的GA-VLBP网络对上述特征值向量进行分类，得到待检测的物体表面的纹理信息。

上述对电荷信号分别从统计、幅阈和频域角度提取特征值的方法是：

绝对值的平均 $A_1=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left|x_i\right|,$ 式中x_i代表第i个电荷信号的数值大小，n为采样点个数；

均方值 $A_2=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left({x_i}^2\right),$ 式中x_i代表第i个电荷信号的数值大小，n为采样点个数；

均方差， $A_3=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-x_{\mathrm{avg}})}^2,$ 式中x_i代表第i个电荷信号的数值大小，n为采样点数，x_avg为信号平均值；

近似长度 $L=\underset{i=1}{\overset{n-1}{\mathrm{\Σ}}}\left|x_i\right|=\underset{i=1}{\overset{n-1}{\mathrm{\Σ}}}|x_{i+1}-x_i|,$ 式中x_i代表第i个电荷信号的数值大小，n为采样点个数；

信号穿过平均值的次数 $C=\underset{i=1}{\overset{n-1}{\mathrm{\Σ}}}{t}_i,$ 式中t_i表示去平均后电荷信号曲线第i个点到第i+1个点的连线是否穿过X轴，即相邻的两个点数值异号，可以简单表示为

(i＝1，2...n-1)；

信号斜率改变次数 $D=\underset{i=1}{\overset{n-2}{\mathrm{\Σ}}}{k}_i,$ 式中k_i表示电荷信号曲线的第i-1，i，i+1个点是否发生斜率的改变，即相邻的三个信号点数值改变量异号，可以简单表示为

(i＝2...n-1)；

采用Bartlett平均周期法是将有限长序列x(n)分段求功率谱再取平均，按以下步骤进行对数功率谱特征求取：

(1)将原始信号采样序列x(n)分成连续的8帧，每帧1024个采样点。

     L_m(n)＝x(1024×(m-1)+n)  (m＝1，2...8，n＝1，2...1024)

(2)对每帧信号采样样本L_m(m)作归一化和中心化处理，

归一化处理：

${L_m}^{\′}\left(n\right)=\frac{L_m\left(n\right)}{\underset{1\≤i\≤1024}{\max }\left[L_m\left(i\right)\right]}$

中心化处理：

$y_m\left(n\right)={L_m}^{\′}\left(n\right)-\frac{1}{1024}\underset{i=1}{\overset{1024}{\mathrm{\Σ}}}{L_m}^{\′}\left(n\right)$

(3)对y_m(k)作傅里叶变换，得到Y_m(k)：

     Y_m(k)＝FFT[y_m(n)]

(4)求对数功率谱G_m(k)

$G_m\left(k\right)=\frac{10\×{\log }_{10}{\left|Y_m\left(k\right)\right|}^2}{1024}$

(5)对所有帧的对数功率谱取平均得到G(k)

$\stackrel{\‾}{G\left(K\right)}=\frac{1}{8}\underset{m=1}{\overset{8}{\mathrm{\Σ}}}{G}_m\left(K\right)$

(6)得到信号的对数功率谱的维数是1024维，频域特征值的空间比较复杂，这里对它进行降维处理，取对数功率谱连续4点的平均值作为功率谱特征，且由于功率谱具有对称性，仅取前半段对数功率谱

${G^{\′}}_n\left(K\right)=\frac{\underset{m=4\×(n-1)+1}{\overset{4\×(n-1)+4}{\mathrm{\Σ}}}\stackrel{\‾}{G_m\left(K\right)}}{4}(n=\mathrm{1,2}...128)$

上述使用预先训练好的GA-VLBP网络对上述特征值向量进行分类为：

从电荷信号中提取的统计、幅阈、频阈特征值的维数为：

    K＝S+M+F

    ＝3+3+128

    ＝134

其中K表示特征向量的总维数，S表示统计特征值向量的维数，M表示幅阈特征向量的维数，F示频阈特征向量的维数。

使用特征向量对纹理信息进行识别，就需要对134维的空间向量进行分类。这里采用神经网络对这个复杂的特征值空间进行分类。由于基本BP算法中学习率对误差曲面的局部形状和曲率很敏感，但学习率在迭代过程中又保持不变，因此不能适应复杂的误差曲面。这里采用可变学习速度VLBP算法对网络进行训练，在训练过程中不断调整学习率和惯量因子，这种不断渐增又适时抑制的相互作用可使迭代过程较快逃离局部极小和走出“平台”，加快了收敛速度，并且对参数的敏感性较小。但由于多层神经网络的结构特征，该算法还存在一些缺陷，即对于一个非线性的优化不可避免地存在局部极小问题。鉴于多层神经网络算法的主要缺点是无法避免局部极小，而遗传算法(简称GA)具有全局寻优能力，这里我们利用GA的全局寻优特性改进多层神经网络算法，即利用GA来训练VLBP网络，这样可以在相当大的程度上避免局部极小的出现，从而加快训练速度，并且训练次数和最终权值也相对稳定。

经过测量得到的多组不同测量样本的纹理信息，把它们作为训练集对GA-VLBP网络进行训练，优化网络参数，得到具有纹理识别能力的GA-VLBP网络。

实施例2

一种用于实施所述物体表面纹理检测方法的传感器，包括表面纹理传感器基座7，在基座7上设有压力传感器9，在压力传感器9上覆有聚偏二氟乙烯压电薄膜10。

上述传感器，在聚偏二氟乙烯压电薄膜10与压力传感器9之间设有弹性体8。

下面参照附图，对本发明的具体实施方案作一详细描述：

本发明的工作原理如下：

PVDF是Polyvinylidene floride的缩写，其化学名称为聚偏二氟乙烯，(也可用PVF₂表示)是一种有机高分子功能材料，是迄今为止发现的压电性最高的高分子材料，是一种新型的柔性有机敏感材料。与其它压电材料相比，PVDF具有压电系数大、频响宽、声阻抗易匹配、机械强度高、柔韧性好、质量轻、耐冲击、易于大面积成膜和价格低廉等优点。并且它的许多特性接近人类皮肤的特性，因此非常适于制作假手上的触觉传感器。

本发明中使用PVDF压电薄膜作为触传感器的基本原理是：PVDF压电薄膜在承受一定方向的外力产生变形时，其材料晶面或极化面会产生一定的电荷，在膜两侧的电极上聚集等量异号的正负电荷。

在外力作用下，PVDF敏感元件释放的电荷是所受应力的单值函数。当压电薄膜受力后，输出电荷与外力之间有：

$\left\{\begin{array}{c}{q}_i=d_{\mathrm{ij}}{\mathrm{\σ}}_j\\ Q_i=d_{\mathrm{ij}}{F}_j\end{array}\right\}$

式中：q_i为薄膜单位面积输出的电荷；Q_i为薄膜总的输出电荷；σ_j为薄膜承受的应力；F_i为薄膜承受的外力；d_ij为薄膜的压电应变常数。

由于两极间具有极高的绝缘电阻，因此，PVDF压电薄膜传感器可看成一个电荷发生器，或者一个电容器，其电容值为：

$C=\frac{{\mathrm{\ϵ}}_0{\mathrm{\ϵ}}_{r}A}{h}$

其中：A为薄膜上镀铝电极面积；h为薄膜厚度；ε₀为真空中的电容率；ε_r为薄膜的相对电容率。

PVDF压电薄膜的拉伸方向的应变ε(t)为：

$\mathrm{\ϵ}\left(t\right)=\frac{Q\left(t\right)-Q\left(t_0\right)}{E_p{d}_{31}\mathrm{lw}}$

式中：E_p为PVDF的弹性模量；Q(t)为PVDF上的电荷；d₃₁为压电常数；1为PVDF的长度；w为宽度。

PVDF的换能模型如图3所示，6为放大器：PVDF的压电效应生成的传感信号是微弱的电荷信号。当作用在PVDF微单元上的应力变化时，将在电容两极产生电荷：

$\mathrm{\Δq}=\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{d}_{3j}{\mathrm{\Δ\σ}}_j$

式中：Δq为单位面积上的电荷变化；Δσ_j则为各向应力变化；d_3j为各向压电常数。

考察传感器上一个点(x，y)的初始电荷面密度为q(x，y，t₀)，则t时刻的电荷面密度为：

$q(x,y,t)=q(x,y,t_0)+\underset{0}{\overset{t}{\∫}}\left[\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{d}_{3j}\frac{\∂\mathrm{\σ}(x,y,t)}{\∂t}\right]\mathrm{dt}$

那么对于面积为Ω的PVDF上的电荷：

$Q\left(t\right)=Q\left(t_0\right)+\underset{\mathrm{\Ω}}{\∫\∫}[\underset{0}{\overset{t}{\∫}}\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{d}_{31}\frac{\∂\mathrm{\σ}(x,y,t)}{\∂t}\mathrm{dt}]\mathrm{dxdy}$

由PVDF两极间电压与R电压相等得：

$i\≈\frac{Q\left(t\right)}{R\·C}$

将传感器接入放大电路后，考虑泄漏得到：

$Q\left(t\right)=Q\left(t_0\right)+\underset{\mathrm{\Ω}}{\∫\∫}[\underset{0}{\overset{t}{\∫}}\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{d}_{31}\frac{\∂\mathrm{\σ}(x,y,t)}{\∂t}\mathrm{dt}]\mathrm{dxdy}-\underset{0}{\overset{t}{\∫}}\mathrm{idt}$

式中：Q(t)为t时刻PVDF膜两极间的生成电荷总量；Q(t₀)为初始电荷量；i为电流；Ω为PVDF的敏感面积。所以：

$Q\left(t\right)=Q\left(t_0\right)+\underset{\mathrm{\Ω}}{\∫\∫}[\underset{0}{\overset{t}{\∫}}\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{d}_{31}\frac{\∂\mathrm{\σ}(x,y,t)}{\∂t}\mathrm{dt}]\mathrm{dxdy}-\underset{0}{\overset{t}{\∫}}\frac{Q\left(t\right)}{R\·C}\mathrm{dt}$

式中：C为PVDF等效电容；R_i为后续放大器的输入电阻。

为获得一种直观的输出，考虑一种简单的情况，即PVDF只作用有垂直方向的力(d₃₁起作用)且应力在敏感面积上的变化是均匀的，令σ₁＝σ₂＝0，σ₃均匀作用，且Q(t₀)＝0，则动态方程对σ₃是阶跃输入的解为：

$Q\left(t\right)=\mathrm{\Ω}\·d_{33}\·e^{-\frac{t}{R\·C}}\·U\left(t\right)=Q_0{e}^{-\frac{t}{i}}U\left(t\right)$

式中，U(t)为阶跃函数。T＝RC为PVDF生成的力激励响应电荷的时间常数。PVDF产生的电荷量将随时间常数T＝RC以指数规律衰减，这是由放大器和传感器的泄漏造成的。表明PVDF作静态力测试具有缺陷，但并不意味对此无能为力。准静态的电荷放大器可使Γ在较高的值上，从而把电路的泄漏降低到最低程度，而另一种更好的方法是数据处理时进行补偿。

在分析了PVDF薄膜的压电效应后，制作了表面纹理传感器，图4是它的剖面图，7为表面纹理传感器基座，8为弹性填充材料，9为压力传感器，10为PVDF压电薄膜。

表面纹理传感器在物体表面滑动受到纹理颗粒的动态压力时，PVDF压电薄膜4两侧产生感应电荷，并形成毫伏级电压，通过电荷放大器进行有效的数据放大，再经过数据采集器将采集到的数据传入微机中处理。测试系统框图如图5所示。

纹理信号的检测核心在于利用现代理论对采集到的数据进行处理和模式识别，同时利用通信技术等实现控制等功能。软件的设计思想如图6所示，可以看出软件平台主要分为五大功能模块，即板卡控制、数据采集、数据存储与显示、软件接口和算法集成。其中算法集成，即数据分析与模式识别是该测试软件部分的核心。

图7为远程纹理检测系统从机械手的简化结构，11为从机械手臂，12为表面纹理传感器。在遥操作系统中，通讯环节将位置指令传递给远处环境中的从机械手臂1，控制其运动，当远处环境中的物体与从机械手臂1上的表面纹理传感器2有相对滑动运动时，表面纹理传感器2将采集的物体表面纹理信号，经通讯环节返回到主控台，由主控台进行识别。

Claims (3)

1、一种物体表面纹理检测方法，其特征在于：将聚偏二氟乙烯压电薄膜置于压力传感器之上，并由聚偏二氟乙烯压电薄膜接收待检测的物体对其触压而产生的与之相应的电荷信号，同时由压力传感器接收待检测的物体对聚偏二氟乙烯压电薄膜的压力信号，所述电荷信号及压力信号经放大后被采集，进而对电荷信号分别从统计、幅阈和频域角度提取特征值，包括绝对值的平均、均方值、均方差、近似长度、信号穿过平均值的次数、信号斜率改变次数以及对数功率谱，使用预先训练好的GA-VLBP网络对上述特征值向量进行分类，得到待检测的物体表面的纹理信息。

2、一种用于实施权利要求1所述物体表面纹理检测方法的传感器，其特征在于包括表面纹理传感器基座(7)，在基座(7)上设有压力传感器(9)，在压力传感器(9)上覆有聚偏二氟乙烯压电薄膜(10)。

3、根据权利要求2所述的传感器，其特征在于在聚偏二氟乙烯压电薄膜(10)与压力传感器(9)之间设有弹性体(8)。

Images