CN109542224B - 一种基于人力触觉感知特性的纹理粗糙度客观评价方法 - Google Patents
一种基于人力触觉感知特性的纹理粗糙度客观评价方法 Download PDFInfo
- Publication number
- CN109542224B CN109542224B CN201811375323.3A CN201811375323A CN109542224B CN 109542224 B CN109542224 B CN 109542224B CN 201811375323 A CN201811375323 A CN 201811375323A CN 109542224 B CN109542224 B CN 109542224B
- Authority
- CN
- China
- Prior art keywords
- texture
- roughness
- objective
- unknown
- characteristic parameters
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/016—Input arrangements with force or tactile feedback as computer generated output to the user
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
- G06F2203/01—Indexing scheme relating to G06F3/01
- G06F2203/015—Force feedback applied to a joystick
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- A Measuring Device Byusing Mechanical Method (AREA)
Abstract
本发明公开了一种基于人力触觉感知特性的纹理粗糙度客观评价方法,包括:获取已知粗糙度等级的标准纹理样本;利用人的主观评价实验将未知纹理样本与其进行比较,确定未知纹理样本的人主观粗糙度聚类等级;采集未知纹理样本表面接触时的交互数据,提取出客观特征参数;利用支持向量机算法对未知纹理客观特征参数进行分类训练,生成分别以纹理的客观特征参数、人主观粗糙度聚类等级为输入输出的纹理触觉粗糙度评价模型,及训练得到模型参数;提取出待评价纹理客观特征参数并输入模型,输出得到人主观粗糙度聚类等级。本发明模拟人的认知习惯,既接近人真实的粗糙度评价过程,又无需大量实验者参与,具有效率高、结果稳定性好、准确率高的特点。
Description
技术领域
本发明涉及一种基于人力触觉感知特性的纹理粗糙度客观评价方法,属于力触觉交互技术领域。
背景技术
粗糙度是物体的客观属性,受纹理周期、纹理高度、材质硬度和摩擦系数等客观参数的影响。材质的粗糙度对人的工作和生活有重要影响,根据不同的应用场合,对粗糙度的要求有很大不同。
无论在工业制造业还是日常生活中都存在纹理粗糙度的评价。纹理触觉粗糙度的评价方法有主观评价过程和客观评价过程。主观评价过程一般是通过主观感知实验评定给出的,即让受试者用手触摸感知纹理样本,并与标准纹理进行对比,对纹理表面接触所产生的凹凸不平的触感进行评级打分。主观感知实验结果往往受受试者和实验环境的人为因素影响,可能存在偏差和不稳定的现象,并且这种主观感知评价方法一般需要大量的受试者进行反复实验。客观评价过程一般是通过对纹理表面的某些客观参数进行测量,然后根据国际制定的标准,将测量的参数通过查表的方式得到当前的表面的粗糙度等级,而这种方式也多局限于工业界,用于评价零件表面的加工情况。由于影响人的纹理触觉粗糙度的因素很多,如周期、高度、硬度、粘性和柔顺行等因素,这种客观的评价方法并没有考虑人的主观感受,难以将多种客观因素融合产生对人触觉感知的综合影响。
发明内容
本发明所要解决的技术问题在于克服现有技术的不足,提供一种基于人力触觉感知特性的纹理粗糙度客观评价方法,解决纹理触觉粗糙度的客观评价方法没有考虑人的主观感知,难以将多种客观因素融合产生对人触觉感知的综合影响,使得评价不具备合理评价标准的问题。
本发明具体采用以下技术方案解决上述技术问题:
一种基于人力触觉感知特性的纹理粗糙度客观评价方法,包括以下步骤:
步骤1、建立纹理客观特征参数与人主观粗糙度聚类等级之间的纹理触觉粗糙度评价模型,具体为:
步骤1A、获取已知粗糙度等级的标准纹理样本;利用人的主观评价实验将未知纹理样本与已知粗糙度等级的标准纹理样本进行比较,确定未知纹理样本的人主观粗糙度聚类等级;
步骤1B、采集未知纹理样本表面接触时的交互数据,包括接触力大小、三维位置及三维速度,提取出该未知纹理样本的客观特征参数;
步骤1C、利用支持向量机算法对提取出的未知纹理样本客观特征参数进行分类训练,生成分别以纹理的客观特征参数、人主观粗糙度聚类等级为输入和输出的纹理触觉粗糙度评价模型;及将未知纹理样本的客观特征参数和其人主观粗糙度聚类等级分别作为输入输出代入纹理触觉粗糙度评价模型中得到模型参数;
步骤2、对待评价的纹理采集表面接触时的交互数据,提取出待评价的纹理的客观特征参数并将其作为输入代入步骤C获得模型参数后的纹理触觉粗糙度评价模型中,输出得到该待评价纹理的人主观粗糙度聚类等级。
进一步地,作为本发明的一种优选技术方案:所述步骤1A中标准纹理样本的已知粗糙度等级由人体纹理感知实验获取或机器检测直接获取。
进一步地,作为本发明的一种优选技术方案:所述步骤1B中提取的未知纹理样本的客观特征参数包括振动特征、速度位移特征、硬度特征。
进一步地,作为本发明的一种优选技术方案:所述步骤1B中提取出未知纹理样本的振动特征,具体为:
将采集的接触力大小F滤波分解为高频部分FAC和低频部分FDC,及将高频部分FAC转换为能量谱密度ESD(ω),其转换采用公式:
其中,ω表示采集的能量谱密度序列的频率;F(ω)表示为频率ω上的幅度值,且由高频部分FAC经离散傅里叶变换得到;
分别计算能量谱密度ESD(ω)的总能量Et、谱中心SC、方差SV、偏差SS和峰值SK,采用如下公式:
其中,N表示能量谱密度序列的长度;ω1表示频谱上第1个频率值,ωk表示频谱上第 k个频率值,ωN表示频谱上第N个频率值,其中k=1...N-1;ESD(ωk)表示为频率值ωk上的能量值;ESD(ωk+1)表示为频率ωk+1上的能量值;3表示自然数。
进一步地,作为本发明的一种优选技术方案,所述步骤1B中提取出未知纹理样本的速度位移特征,具体为:
提取滑动过程中的平均切向速度Vh,采用公式:
提取滑动过程中的切向位移Dh,采用公式:
进一步地,作为本发明的一种优选技术方案,所述步骤1B中提取出未知纹理样本的硬度特征,具体为:通过接触力的低频部分FDC的变化量与垂直位置Pz的变化量比值计算得到硬度特征H:
其中,FDC(max)和FDC(min)分别为接触力的低频部分FDC的最大值和最小值,Pz(max) 和Pz(min)分别为z方向上采样点的垂直位置Pz的最大值和最小值。
本发明采用上述技术方案,能产生如下技术效果:
本发明的方法是基于人力触觉感知特性的纹理粗糙度客观评价方法的实现,利用机器学习建立纹理客观特征参数与人主观粗糙度聚类等级之间的客观评价模型,对待评估的纹理表面接触时的交互信息提取相应的纹理客观特征参数并代入模型,自动计算得到纹理粗糙度的聚类等级,继而实现了一种无需人主观感知,就能自动计算并模拟人的认知习惯的纹理粗糙度评价结果,评价结果更符合人体触觉感知。
本方法的评价过程既接近真实的纹理触觉粗糙度评价过程,又能避免了人主观评价过程的非稳定性,且有效节约了人力和时间成本;与传统的纹理触觉主观评价方法相比,本发明方法模拟人的认知习惯,既接近人真实的粗糙度评价过程,又无需大量实验者参与,具有效率高、结果稳定性好、准确率高的特点。
附图说明
图1为本发明基于人力触觉感知特性的纹理粗糙度客观评价方法的流程示意图。
图2为本发明中建立纹理触觉粗糙度评价模型的原理示意图。
图3为本发明实施例中纹理样本示意图。
图4为本发明中纹理表面交互数据采集示意图。
具体实施方式
下面结合说明书附图对本发明的实施方式进行描述。
如图1所示,本发明设计了一种基于人力触觉感知特性的纹理粗糙度客观评价方法,包括以下步骤:
步骤1、建立纹理客观特征参数与人主观粗糙度聚类等级之间的纹理触觉粗糙度评价模型,如图2所示,其过程具体为:
步骤1A、获取已知粗糙度等级的标准纹理样本;利用人的主观评价实验将未知纹理样本与已知粗糙度等级的标准纹理样本进行比较,确定未知纹理样本的人主观粗糙度聚类等级。
由于评价的纹理涉及多种客观影响因素,包括纹理周期、纹理高度、材质硬度和摩擦系数;粗糙度评价结果是多种客观影响因素对触觉粗糙度的综合影响结果。
其中,所述标准纹理样本的已知粗糙度等级由人体纹理感知实验获取或机器直接检测获取,可包括根据不同粗糙值范围划分的不同粗糙度等级,在前期的预备实验中,根据人的接触感知,选出能够代表粗糙度等级的典型样本作为标准纹理样本。所述的人的主观评价实验通过将未知纹理样本与已经确定粗糙度等级的标准纹理样本进行比较,继而判断出与该纹理样本最接近的标准纹理样本,继而确定该纹理样本的粗糙度聚类等级。
步骤1B、采集未知纹理样本表面接触过程中的交互数据,包括接触力时间序列F、三维位置时间序列(Px,Py,Pz)及三维速度时间序列(Vx,Vy,Vz),提取出该未知纹理样本的客观特征参数,可以包括振动特征、速度位移特征、硬度特征。通过提取出能有效且稳定影响粗糙度感知的特征参数,提取过程要同时考虑纹理表面凹凸特性、物体硬度特性以及手的运动特性。具体特征提取过程如下:
(1)提取振动特征:Alison等对人的触觉感知机制的研究表明,大多数自然纹理的信息,由接触滑动过程中高频皮肤振动引起,并在传入反应中通过精确的脉冲模式传达。可以看出纹理触觉感知与高频振动密切相关,首先将接触力F滤波分解为高频部分FAC,具体范围为0-5hz和低频部分FDC,具体范围为5-700hz,然后将高频部分FAC转换为能量谱密度ESD(ω),转换公式如下:
其中,ω表示采集的能量谱密度序列的频率;F(ω)表示为频率ω上的幅度值且由高频部分FAC经离散傅里叶变换得到。最后计算ESD的总能量Et、谱中心SC、方差SV、偏差SS和峰值SK,具体公式如下:
其中,N表示能量谱密度序列的长度;ω1表示频谱上第1个频率值,ωk表示频谱上第 k个频率值,ωN表示频谱上第N个频率值,其中k=1...N-1;ESD(ωk)表示为频率值ωk上的能量值;ESD(ωk+1)表示为频率ωk+1上的能量值;3表示自然数。
(2)提取速度位移特征:AliSon等人的研究还表明关于纹理识别的脉冲模式在接触滑动速度变化时,能预见性地扩张或收缩时间,从而能实现知觉恒定的速度。因此人对于同一纹理在不同的探索速度下,具有相同的感知结果。首先提取滑动过程中的平均切向速度Vh,对x和y方向上的速度时间序列Vx和Vy作如下操作:
然后提取滑动过程中的切向位移Dh,对位置时间序列Px和Py作如下操作:
(3)提取硬度特征:硬度是纹理触觉粗糙度感知中很重要的一个影响因素,而硬度属性主要体现法向位移和法向接触力上。通过接触力的低频部分FDC的变化量与垂直位置Pz的变化量比值计算得到硬度特征H:
其中,FDC(max)和FDC(min)为接触力的低频部分FDC的最大值和最小值,Pz(max)和Pz(min)分别为z方向上采样点的垂直位置Pz的最大值和最小值。
步骤1C、利用支持向量机算法对提取出的未知纹理客观特征参数进行分类训练,生成分别以纹理的客观特征参数、人主观粗糙度聚类等级为输入和输出的纹理触觉粗糙度评价模型;及将未知纹理样本的客观特征参数和其人主观粗糙度聚类等级分别作为输入输出代入纹理触觉粗糙度评价模型中得到模型参数。
其中,所述纹理触觉粗糙度评价模型所构建的分类器,建立输入输出之间的非线性关系,根据不同的机器学习算法而有所不同,如支持向量机通过训练在找到特征空间上的分割超平面进行分类,而神经网络通过训练得到不同层级之间的权值进行分类。
步骤2、对待评价的纹理采集表面接触时的交互数据,提取出待评价的纹理客观特征参数并将其作为输入代入步骤C获得模型参数后的纹理触觉粗糙度评价模型中,输出得到该待评价纹理的人主观粗糙度聚类等级。
为了验证本发明方法能够使得粗糙度客观评价结果更符合人体触觉感知,现列举一个验证例进行说明。
步骤1、首先,纹理触觉粗糙度评价模型建立流程图如图2所示,确定基于人的感知特性的客观评价模型,首先需要进行覆盖了感知范围内的纹理样本的数据采集,获得一定按压力、速度下的纹理力、位移及速度测试数据,从中提取影响人粗糙度评价的特征向量。与此同时进行主观感知评价实验,将纹理样本与现实中已知的不同粗糙度的标准纹理样本进行比较,将受试者主观匹配的结果作为主观评价量化值。最后利用机器学习建立输入输出关系模型。
本实例评价的纹理样本选用纱布、牛仔布、皮革、砂纸四种常见材质,以及空间周期分别为1mm和2mm的两种栅格样本,依次标记为T1、T2、T3、T4、T5、T6。然后选择5种不同弹性系数的弹簧来模拟物体的硬度,弹簧长度均为5cm,线径分别为0.4、0.6、0.8、 1.0、1.2cm,依次标记为S1、S2、S3、S4、S5。样本示意图如图3所示,将纹理粘贴在塑料板上,用弹簧支撑纹理板来模拟不同物体的硬度,并用支架来稳定弹簧的上下伸缩,按压时中纹理板能自由上下运动。通过纹理和弹簧组合一共产生30种样本,表示为{(Tn,Sm) |n=1,2,3,4,5,6;m=1,2,3,4,5},其中Tn表示纹理,Sm表示弹簧。纹理样本确定好后,以下分三个步骤叙述本实例建立评价模型的过程:
步骤1A、采集力触觉交互数据,提取相应的纹理客观特征参数,作为模型的输入参数。使用PHANTOM Omni力触觉交互设备操作杆安装在指套上方,将小型接触力传感器Fss1500安装在指套底部,构成指套式数据采集装置。力触觉交互设备负责采集滑动过程中的三维位置(Px,Py,Pz)、三维速度(Vx,Vy,Vz)。接触力传感器通过与NI公司的mydaq 数据采集卡采集滑动接触过程中接触力F。上位机程序通过C++调用PHANTOM Omni自带的软件开发包和labview软件生成的动态连接库编程实现。测试示意图如图4所示,在数据采集过程中,人佩戴指套装置在样本上滑动,滑动过程中尽量保持速度和按压力的均匀。然后参考人感知纹理粗糙度的生理机制,从采集的力触觉交互数据提取特征参数,特征提取过程如下:
(1)振动特征:将接触力数据滤波分解为高频部分FAC,具体范围为0-10hz,和低频部分FDC,具体范围为10-700hz,然后将FAC转换为能量谱密度ESD,计算格式如公式(1) 所示。最后计算ESD的总能量Et、谱中心SC、方差SV、偏差SS和峰值SK,计算公式如上述公式(2)至(6)所示。
(2)速度位移特征:提取滑动过程中的平均切向速度Vh,计算公式如公式(7)所示;提取滑动过程中的切向位移Dh,计算公式如上述公式(8)所示。
(3)硬度特征:硬度特征H通过接触力的低频部分FDC的变化量与垂直位置Pz的变化量比值计算得到,计算公式如上述公式(9)所示。
步骤1B、通过主观感知评价实验确定对应纹理样本的粗糙度聚类等级,作为模型的输出参数。在预备实验中,从所有样本中选出(T1,S3),(T2,S3),(T5,S3),(T4,S3) 这4个标准样本分别代表4个粗糙度等级,粗糙度从小到大依次标记为1,2,3,4。为保证评价过程与数据采集的一致性,在接触滑动过程中,受试者需要佩戴数据采集时所用的指套,通过指套传递的交互信息感受纹理粗糙度。在实验过程中,为了减小视觉和听觉对触觉感知结果产生的干扰,受试者在实验时将带上眼罩和播放白噪音的耳机。在进行评价实验时,将待评价的样本以及4个标准样本依次摆放在受试者面前。受试者依次将待评价的样本与 4个标准样本依次进行接触比较,判别出待评价的样本与哪一标准样本的粗糙度相似,则该样本就属于哪一粗糙度等级。该步骤主要通过主观评价实验获得人对纹理粗糙度的认知习惯,而相较于直接打分评价的方式,与标准样本进行比较的评价方式使得评价结果更加稳定。最后将粗糙度聚类等级作为后面建立模型的输出参数。
步骤1C、训练分类器,建立纹理客观特征参数与人主观粗糙度聚类等级之间输入输出关系的纹理触觉粗糙度评价模型。本实例使用支持向量机算法对提取的特征进行分类,支持向量机是一种监督学习模型,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,它通过在特征空间找到分割超平面进行不同类间的分类。支持向量机的关键在于核函数,低维空间向量集通常难于划分,解决的方法是将它们映射到高维空间,这里使用径向基核函数。
步骤2、建立纹理触觉粗糙度客观评价模型后,即可用训练的评价模型对纹理粗糙度进行评价。评价过程流程如图1所示,对待评估的纹理表面,采集接触时的交互数据,包括接触力、三维位移、三维速度等,提取相应的纹理客观特征参数并代入已训练完毕的纹理触觉粗糙度评价模型,从而自动计算得到纹理粗糙度的聚类等级,继而实现了一种无需人主观感知,就能自动计算并模拟人的认知习惯的纹理粗糙度评价结果。
综上,本发明的方法评价过程既接近真实的纹理触觉粗糙度评价过程,又能避免了人主观评价过程的非稳定性,且有效节约了人力和时间成本;并且,可以模拟人的认知习惯,既接近人真实的粗糙度评价过程,又无需大量实验者参与,具有效率高、结果稳定性好、准确率高的特点。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (4)
1.一种基于人力触觉感知特性的纹理粗糙度客观评价方法,其特征在于,包括以下步骤:
步骤1、建立纹理客观特征参数与人主观粗糙度聚类等级之间的纹理触觉粗糙度评价模型,具体为:
步骤1A、获取已知粗糙度等级的标准纹理样本;利用人的主观评价实验将未知纹理样本与已知粗糙度等级的标准纹理样本进行比较,确定未知纹理样本的人主观粗糙度聚类等级;
步骤1B、采集未知纹理样本表面接触时的交互数据,包括接触力大小、三维位置及三维速度,提取出该未知纹理样本的客观特征参数,所提取的客观特征参数包括振动特征、速度位移特征、硬度特征;其中,提取出未知纹理样本的振动特征,具体为:
将采集的接触力大小F滤波分解为高频部分FAC和低频部分FDC,及将高频部分FAC转换为能量谱密度ESD(ω),其转换采用公式:
其中,ω表示采集的能量谱密度序列的频率;F(ω)表示为频率ω上的幅度值且由高频部分FAC经离散傅里叶变换得到;
分别计算能量谱密度ESD(ω)的总能量Et、谱中心SC、方差SV、偏差SS和峰值SK,采用如下公式:
其中,N表示能量谱密度序列的长度;ω1表示频谱上第1个频率值,ωk表示频谱上第k个频率值,ωN表示频谱上第N个频率值,其中k=1…N-1;ESD(ωk)表示为频率值ωk上的能量值;ESD(ωk+1)表示为频率ωk+1上的能量值;3表示自然数;
步骤1C、利用支持向量机算法对提取出的未知纹理样本客观特征参数进行分类训练,生成分别以纹理的客观特征参数、人主观粗糙度聚类等级为输入和输出的纹理触觉粗糙度评价模型;及将未知纹理样本的客观特征参数和其人主观粗糙度聚类等级分别作为输入输出代入纹理触觉粗糙度评价模型中得到模型参数;
步骤2、对待评价的纹理采集表面接触时的交互数据,提取出待评价的纹理的客观特征参数并将其作为输入代入步骤C获得模型参数后的纹理触觉粗糙度评价模型中,输出得到该待评价纹理的人主观粗糙度聚类等级。
2.根据权利要求1所述基于人力触觉感知特性的纹理粗糙度客观评价方法,其特征在于,所述步骤1A中标准纹理样本的已知粗糙度等级由人体纹理感知实验获取或机器直接检测获取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811375323.3A CN109542224B (zh) | 2018-11-19 | 2018-11-19 | 一种基于人力触觉感知特性的纹理粗糙度客观评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811375323.3A CN109542224B (zh) | 2018-11-19 | 2018-11-19 | 一种基于人力触觉感知特性的纹理粗糙度客观评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109542224A CN109542224A (zh) | 2019-03-29 |
CN109542224B true CN109542224B (zh) | 2021-09-28 |
Family
ID=65848269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811375323.3A Active CN109542224B (zh) | 2018-11-19 | 2018-11-19 | 一种基于人力触觉感知特性的纹理粗糙度客观评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109542224B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112198222B (zh) * | 2020-09-17 | 2022-04-05 | 美智纵横科技有限责任公司 | 地面材质识别方法、系统、设备及存储介质 |
CN113625877A (zh) * | 2021-08-16 | 2021-11-09 | 扬州大学 | 基于感知空间分析的力触觉主观感知结果量化描述方法 |
CN113984567A (zh) * | 2021-10-21 | 2022-01-28 | 重庆长安汽车股份有限公司 | 一种车用橡胶材料耐刮擦性能测试方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001170028A (ja) * | 1999-12-16 | 2001-06-26 | Lion Corp | 皮膚のキメ粗さの測定方法およびキメ粗さ評価用キット |
CN103218619A (zh) * | 2013-03-15 | 2013-07-24 | 华南理工大学 | 一种图像美学评价方法 |
CN103759676A (zh) * | 2014-01-06 | 2014-04-30 | 南京信息工程大学 | 一种工件表面粗糙度非接触式的检测方法 |
CN103839261A (zh) * | 2014-02-18 | 2014-06-04 | 西安电子科技大学 | 一种基于分解进化多目标优化和fcm的sar图像分割方法 |
CN103869984A (zh) * | 2014-03-26 | 2014-06-18 | 东南大学 | 一种基于纹理图片的力触觉再现方法 |
CN104050683A (zh) * | 2014-07-09 | 2014-09-17 | 东南大学 | 一种基于单幅图像分数阶处理的纹理力触觉感知方法 |
CN106408035A (zh) * | 2016-10-31 | 2017-02-15 | 东南大学 | 基于人力触觉感知特性的力触觉再现真实感客观评价方法 |
-
2018
- 2018-11-19 CN CN201811375323.3A patent/CN109542224B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001170028A (ja) * | 1999-12-16 | 2001-06-26 | Lion Corp | 皮膚のキメ粗さの測定方法およびキメ粗さ評価用キット |
CN103218619A (zh) * | 2013-03-15 | 2013-07-24 | 华南理工大学 | 一种图像美学评价方法 |
CN103759676A (zh) * | 2014-01-06 | 2014-04-30 | 南京信息工程大学 | 一种工件表面粗糙度非接触式的检测方法 |
CN103839261A (zh) * | 2014-02-18 | 2014-06-04 | 西安电子科技大学 | 一种基于分解进化多目标优化和fcm的sar图像分割方法 |
CN103869984A (zh) * | 2014-03-26 | 2014-06-18 | 东南大学 | 一种基于纹理图片的力触觉再现方法 |
CN104050683A (zh) * | 2014-07-09 | 2014-09-17 | 东南大学 | 一种基于单幅图像分数阶处理的纹理力触觉感知方法 |
CN106408035A (zh) * | 2016-10-31 | 2017-02-15 | 东南大学 | 基于人力触觉感知特性的力触觉再现真实感客观评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109542224A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109542224B (zh) | 一种基于人力触觉感知特性的纹理粗糙度客观评价方法 | |
Pampalk et al. | Using smoothed data histograms for cluster visualization in self-organizing maps | |
Bastos-Filho et al. | Evaluation of feature extraction techniques in emotional state recognition | |
González et al. | Features and models for human activity recognition | |
JP4778591B2 (ja) | 触感処理装置 | |
KR20120052610A (ko) | 신경망 학습을 통한 동작 인식 방법 및 장치 | |
CN109726662A (zh) | 基于卷积和循环组合神经网络的多类别人体姿态识别方法 | |
Tymms et al. | A quantitative perceptual model for tactile roughness | |
CN114779930A (zh) | 基于一对多支持向量机的vr用户触觉体验的情绪识别方法 | |
CN110794090A (zh) | 情感电子鼻实现方法 | |
CN106598223A (zh) | 一种基于情绪识别的虚拟环境渲染方法和装置 | |
CN112231037A (zh) | 一种基于情绪设计对应图标的方法 | |
CN117037427A (zh) | 一种地质灾害联网监测预警系统 | |
Dwiyantoro et al. | A simple hierarchical activity recognition system using a gravity sensor and accelerometer on a smartphone | |
CN114356095A (zh) | 基于脑电信号的触觉再现装置体验质量客观评测方法 | |
Johnsson et al. | Recognizing texture and hardness by touch | |
Tabatabaei et al. | One dimensional second order derivative local binary pattern for hand gestures classification using sEMG signals | |
Yoichiro et al. | Multidimensional matching of tactile sensations of materials and vibrotactile spectra | |
CN110427457A (zh) | 一种基于ann的数据库文本分类中的特征选择方法 | |
KR20230065414A (ko) | 전기적 촉각 센서와 엑츄에이터를 결합한 딥러닝 기반 화장품 질감 소재 인공지능 분류 시스템 | |
Toscani et al. | A database of vibratory signals from free haptic exploration of natural material textures and perceptual judgments (viper): analysis of spectral statistics | |
JP2020134140A (ja) | 衛生薄葉紙の触感評価方法 | |
CN109645993A (zh) | 一种提高跨个体脑-机接口识别性能的主动学习法 | |
Nazlina | Haptic assessment in fabrics with Kansei evaluation | |
CN115100007B (zh) | 基于人工智能的在线教学管理方法及系统 |
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 |