CN110009696A - 基于蜂群算法优化bp神经网络三目视觉标定 - Google Patents
基于蜂群算法优化bp神经网络三目视觉标定 Download PDFInfo
- Publication number
- CN110009696A CN110009696A CN201910283149.8A CN201910283149A CN110009696A CN 110009696 A CN110009696 A CN 110009696A CN 201910283149 A CN201910283149 A CN 201910283149A CN 110009696 A CN110009696 A CN 110009696A
- Authority
- CN
- China
- Prior art keywords
- neural network
- colony algorithm
- weight
- layer
- hidden layer
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
- G06T7/85—Stereo camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20088—Trinocular vision calculations; trifocal tensor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30244—Camera pose
Abstract
本发明视觉测量三目标定方法属于光学测量与视觉检测领域;该方法包括以下几个步骤:确定BP神经网络隐含层层数、输入输出节点等初始参数;利用人工蜂群算法对BP神经网络的权重与偏置进行最优选取,确定最佳权重与偏置值;确定BP神经网络结构的各参数值,使像素点数据分布学习物方点数据分布,完成标定。本发明方法将标定中神经网络训练集上产生的误差作为人工蜂群算法的适应度函数,利用人工蜂群算法操作简单、控制参数少、搜索精度高和鲁棒性强的特点,对其选取最佳的初始权重与偏置,解决了当前BP神经网络标定方法易陷入局部最优且收敛速度慢的问题。
Description
技术领域
本发明属于光学测量与视觉检测领域,具体涉及一种基于蜂群算法优化BP神经网络三目视觉标定。
背景技术
近年来,机器视觉与视觉检测技术已经应用在许多领域中,如大型零部件测量、工业流水线检测等领域,视觉检测不但能减少人工费用,同时也能提高检测精度,避免了由检测人员产生的过失误差。
在通常的大型结构视觉标定研究中,研究重心主要放在构建复杂的数学模型的理论上,而摄像机标定的本质是使得像素点与物方点对应,其标定过程中的内参数是非线性函数,当求解非线性函数时采用数学模型的方法计算量大且标定精度不高。因此,在视觉标定中,有必要寻找到一种即能够避免复杂的计算又能保证精度的标定方法。
为了实现更有效、快速、精确的标定方法,本次发明提出一种基于蜂群算法优化BP神经网络三目视觉标定方法,人工蜂群算法具有操作简单、控制参数少、搜索精度高和鲁棒性强等优点,将人工蜂群算法应用于神经网络优化中,效果更加明显。
发明内容
针对上述问题,本发明公开了一种基于蜂群算法优化BP神经网络三目视觉标定方法,该发明包括测量任务与目标分析,每个环节都对视觉标定的稳定性、精准度与通用性等方面产生影响。
本发明的目的是这样实现的:
基于蜂群算法优化BP神经网络三目视觉标定方法,其特征在于包括以下步骤:
步骤a:确定BP神经网络隐含层层数、输入、输出节点数;
步骤b:利用人工蜂群算法对BP神经网络的权重与偏置选取最优值;
步骤c:确定BP神经网络结构的各参数值,使像素点数据分布学习物方点数据分布,完成标定。
上述基于蜂群算法优化BP神经网络三目视觉标定方法,所述步骤a具体为:
建立四种不同层数的BP神经网络双目视觉模型,采用实验法确定BP神经网络最佳的隐含层层数为3。根据双目视觉标定模型,如下所示,确定三目视觉标定时像素点为6个,物方点为3个。
在上式中i为摄像机的数量,1≤i≤3,i∈Z+,f为摄像机的焦距,ri、Ti为世界坐标系到两台摄像机坐标系转换的旋转矩阵与平移矩阵,u0i、v0i是图像坐标系原点在像素坐标系中的坐标,dx、dy分别是像素坐标系在X方向和Y方向相邻像素间的距离。
上述基于蜂群算法优化BP神经网络三目视觉标定方法,所述步骤b具体为:
应用人工蜂群算法对神经网络视觉标定进行优化时,选择训练数据,产生输入层和隐含层1之间的权值隐含层1和隐含层2之间的权值隐含层2和隐含层3之间的权值隐含层3和输出层之间的权值;输入层和隐含层1之间的计算公式为:隐含层1和隐含层2之间的计算公式为:隐含层2与隐含层3之间的计算公式为:隐含层3与输出层之间的计算公式为:其中f为激活函数,第一层为S型激活函数,后两层为线性激活函数,bjk(1≤k≤4,k∈Z+),为各层之间的阀值,通过以上公式计算出实际的输出值yjk;神经网络误差函数为:通过误差函数计算神经网络误差,如果误差满足要求,结束训练;根据梯度下降法,调整各层之间权值和阀值,计算权值误差满足要求则结束训练,否则继续;使用当前的权值与阀值作为输入,设定最大循环次数,将神经网络的误差设定为人工蜂群的适应度,使用贪婪算法更新数据源,保留适应度高的食物,使用人工蜂群算法进行迭代,直到到达最大循环次数,并将人工蜂群算法中得到的权值和阀值作为新的初始参数训练BP神经网络,结束训练输出权值使用得到的网络模型测试数据得到的结果。
上述基于蜂群算法优化BP神经网络三目视觉标定方法,所述步骤c具体为:
基于蜂群算法优化BP神经网络三目视觉标定中隐含层激活函数为对数几率函数,是:
基于蜂群算法优化BP神经网络三目视觉标定中训练方法为最速下降法,其作用是:通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。
基于蜂群算法优化BP神经网络三目视觉标定中学习速率选取原则为经验选取原则,学习率越小,学习会越精细,但同时学习速度也会降低,学习率越大,学习速度会越快,但同时学习精度也会降低。
有益效果:
本发明提出了一种基于蜂群算法优化BP神经网络三目视觉标定方法,研究了BP神经网络结构模型和人工蜂群算法对BP神经网络的权值与阀值的最优选取,考虑了神经网络误差作为人工蜂群算法的适应度,应用群智能算法与BP神经网络结构的特点,完成对三目视觉高精度标定。本发明解决了当前BP神经网络标定易陷入局部最优且收敛速度慢的问题,通过本发明的方法可以实现视觉标定的准确性与快速性,为实现多目视觉标定研究奠定了基础。
附图说明
图1是本发明基于蜂群算法优化BP神经网络三目视觉标定的算法流程图;
图2是本发明基于蜂群算法优化BP神经网络三目视觉标定的结构图;
图3是本发明仿真所用棋格盘角点提取图;
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细描述。
具体实施例一
本实施例的基于蜂群算法优化BP神经网络三目视觉标定方法,流程图如图1所示,该方法包括以下步骤:
步骤a:确定BP神经网络隐含层层数、输入、输出节点数;
步骤b:利用人工蜂群算法对BP神经网络的权重与偏置选取最优值;
步骤c:确定BP神经网络结构的各参数值,使像素点数据分布学习物方点数据分布,完成标定。
具体实施例二
本实例的基于蜂群算法优化BP神经网络三目视觉标定方法,在具体实施例一的基础上,进一步限定步骤a、步骤b、步骤c、步骤d的具体操作步骤。其中:
所述步骤a具体为:
建立四种不同层数的BP神经网络双目视觉模型,采用实验法确定BP神经网络最佳的隐含层层数为3。根据双目视觉标定模型,如下所示,确定三目视觉标定时像素点为6个,物方点为3个。
在上式中i为摄像机的数量,1≤i≤3,i∈Z+,f为摄像机的焦距,ri、Ti为世界坐标系到两台摄像机坐标系转换的旋转矩阵与平移矩阵,u0i、v0i是图像坐标系原点在像素坐标系中的坐标,dx、dy分别是像素坐标系在X方向和Y方向相邻像素间的距离。
所述步骤b具体为:
应用人工蜂群算法对神经网络视觉标定进行优化时,选择训练数据,产生输入层和隐含层1之间的权值隐含层1和隐含层2之间的权值隐含层2和隐含层3之间的权值隐含层3和输出层之间的权值输入层和隐含层1之间的计算公式为:隐含层1和隐含层2之间的计算公式为:隐含层2与隐含层3之间的计算公式为:隐含层3与输出层之间的计算公式为:其中f为激活函数,第一层为S型激活函数,后两层为线性激活函数,(1≤k≤4,k∈Z+),为各层之间的阀值,通过以上公式计算出实际的输出值神经网络误差函数为:通过误差函数计算神经网络误差,如果误差满足要求,结束训练;根据梯度下降法,调整各层之间权值和阀值,计算权值误差满足要求则结束训练,否则继续;使用当前的权值与阀值作为输入,设定最大循环次数,将神经网络的误差设定为人工蜂群的适应度,使用贪婪算法更新数据源,保留适应度高的食物,使用人工蜂群算法进行迭代,直到到达最大循环次数,并将人工蜂群算法中得到的权值和阀值作为新的初始参数训练BP神经网络,结束训练输出权值使用得到的网络模型测试数据得到的结果。
所述步骤c具体为:
基于蜂群算法优化BP神经网络三目视觉标定中隐含层激活函数为对数几率函数,是:
基于蜂群算法优化BP神经网络三目视觉标定中训练方法为最速下降法,其作用是:通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。
基于蜂群算法优化BP神经网络三目视觉标定中学习速率选取原则为经验选取原则,学习率越小,学习会越精细,但同时学习速度也会降低,学习率越大,学习速度会越快,但同时学习精度也会降低。
Claims (4)
1.基于蜂群算法优化BP神经网络三目视觉标定方法,其特征在于包括以下步骤:
步骤a:确定BP神经网络隐含层层数、输入、输出节点数;
步骤b:利用人工蜂群算法对BP神经网络的权重与偏置选取最优值;
步骤c:确定BP神经网络结构的各参数值,使像素点数据分布学习物方点数据分布,完成标定。
2.根据权利1所述的一种基于蜂群算法优化BP神经网络三目视觉标定方法,其特征在于,所述步骤a具体为:
建立四种不同层数的BP神经网络双目视觉模型,采用实验法确定BP神经网络最佳的隐含层层数为3。根据双目视觉标定模型,如下所示,确定三目视觉标定时像素点为6个,物方点为3个。
在上式中i为摄像机的数量,1≤i≤3,i∈Z+,f为摄像机的焦距,ri、Ti为世界坐标系到两台摄像机坐标系转换的旋转矩阵与平移矩阵,u0i、v0i是图像坐标系原点在像素坐标系中的坐标,dx、dy分别是像素坐标系在X方向和Y方向相邻像素间的距离。
3.根据权利1所述的一种基于蜂群算法优化BP神经网络三目视觉标定方法,其特征在于,所述步骤b具体为:
应用人工蜂群算法对神经网络视觉标定进行优化时,选择训练数据,产生输入层和隐含层1之间的权值隐含层1和隐含层2之间的权值隐含层2和隐含层3之间的权值隐含层3和输出层之间的权值输入层和隐含层1之间的计算公式为:与隐含层1和隐含层2之间的计算公式为:与隐含层2与隐含层3之间的计算公式为:与隐含层3与输出层之间的计算公式为:与其中f为激活函数,第一层为S型激活函数,后两层为线性激活函数,为各层之间的阀值,通过以上公式计算出实际的输出值神经网络误差函数为:通过误差函数计算神经网络误差,如果误差满足要求,结束训练;根据梯度下降法,调整各层之间权值和阀值,计算权值误差满足要求则结束训练,否则继续;使用当前的权值与阀值作为输入,设定最大循环次数,将神经网络的误差设定为人工蜂群的适应度,使用贪婪算法更新数据源,保留适应度高的食物,使用人工蜂群算法进行迭代,直到到达最大循环次数,并将人工蜂群算法中得到的权值和阀值作为新的初始参数训练BP神经网络,结束训练输出权值使用得到的网络模型测试数据得到的结果。
4.根据权利1所述的一种基于蜂群算法优化BP神经网络三目视觉标定方法,其特征在于,所述步骤c具体为:
基于蜂群算法优化BP神经网络三目视觉标定中隐含层激活函数为对数几率函数,是:
基于蜂群算法优化BP神经网络三目视觉标定中训练方法为最速下降法,其作用是:通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。
基于蜂群算法优化BP神经网络三目视觉标定中学习速率选取原则为经验选取原则,学习率越小,学习会越精细,但同时学习速度也会降低,学习率越大,学习速度会越快,但同时学习精度也会降低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910283149.8A CN110009696A (zh) | 2019-04-10 | 2019-04-10 | 基于蜂群算法优化bp神经网络三目视觉标定 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910283149.8A CN110009696A (zh) | 2019-04-10 | 2019-04-10 | 基于蜂群算法优化bp神经网络三目视觉标定 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110009696A true CN110009696A (zh) | 2019-07-12 |
Family
ID=67170594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910283149.8A Pending CN110009696A (zh) | 2019-04-10 | 2019-04-10 | 基于蜂群算法优化bp神经网络三目视觉标定 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009696A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488125A (zh) * | 2020-11-28 | 2021-03-12 | 重庆邮电大学 | 一种基于高速视觉诊断和bp神经网络的重建方法及系统 |
CN112700500A (zh) * | 2020-12-08 | 2021-04-23 | 中大检测(湖南)股份有限公司 | 一种双目相机标定方法、装置及可读存储介质 |
CN115597551A (zh) * | 2022-12-14 | 2023-01-13 | 成都量芯集成科技有限公司(Cn) | 一种手持激光辅助双目扫描装置及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU6677100A (en) * | 1999-08-20 | 2001-03-19 | Activepass Pharmaceuticals, Inc. | Novel abc2 transporter and uses thereof |
CN106097322A (zh) * | 2016-06-03 | 2016-11-09 | 江苏大学 | 一种基于神经网络的视觉系统标定方法 |
CN108259498A (zh) * | 2018-01-24 | 2018-07-06 | 湖南科技学院 | 一种基于人工蜂群优化的bp算法的入侵检测方法及其系统 |
CN108335333A (zh) * | 2018-04-03 | 2018-07-27 | 哈尔滨理工大学 | 一种线性摄像机标定方法 |
CN108734321A (zh) * | 2018-05-17 | 2018-11-02 | 江苏大学 | 一种基于改进ABC算法的Elman神经网络的短期负荷预测方法 |
-
2019
- 2019-04-10 CN CN201910283149.8A patent/CN110009696A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU6677100A (en) * | 1999-08-20 | 2001-03-19 | Activepass Pharmaceuticals, Inc. | Novel abc2 transporter and uses thereof |
CN106097322A (zh) * | 2016-06-03 | 2016-11-09 | 江苏大学 | 一种基于神经网络的视觉系统标定方法 |
CN108259498A (zh) * | 2018-01-24 | 2018-07-06 | 湖南科技学院 | 一种基于人工蜂群优化的bp算法的入侵检测方法及其系统 |
CN108335333A (zh) * | 2018-04-03 | 2018-07-27 | 哈尔滨理工大学 | 一种线性摄像机标定方法 |
CN108734321A (zh) * | 2018-05-17 | 2018-11-02 | 江苏大学 | 一种基于改进ABC算法的Elman神经网络的短期负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
乔玉晶: "结构光截面轮廓测量系统的研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
张可: "基于双目立体视觉原理的自由曲面三维重构", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
李志魁: "基于双目立体视觉的工件测距技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488125A (zh) * | 2020-11-28 | 2021-03-12 | 重庆邮电大学 | 一种基于高速视觉诊断和bp神经网络的重建方法及系统 |
CN112700500A (zh) * | 2020-12-08 | 2021-04-23 | 中大检测(湖南)股份有限公司 | 一种双目相机标定方法、装置及可读存储介质 |
CN115597551A (zh) * | 2022-12-14 | 2023-01-13 | 成都量芯集成科技有限公司(Cn) | 一种手持激光辅助双目扫描装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009696A (zh) | 基于蜂群算法优化bp神经网络三目视觉标定 | |
CN109102547A (zh) | 基于物体识别深度学习模型的机器人抓取位姿估计方法 | |
CN107862668A (zh) | 一种基于gnn的文物图像复原方法 | |
CN108416840A (zh) | 一种基于单目相机的三维场景稠密重建方法 | |
CN106022380A (zh) | 基于深度学习的个体身份识别方法 | |
CN108081266A (zh) | 一种基于深度学习的机械臂手部抓取物体的方法 | |
CN110033473A (zh) | 基于模板匹配和深度分类网络的运动目标跟踪方法 | |
CN106873585A (zh) | 一种导航寻路方法、机器人及系统 | |
CN110879982B (zh) | 一种人群计数系统及方法 | |
CN109584290A (zh) | 一种基于卷积神经网络的立体图像匹配方法 | |
CN104090664B (zh) | 一种交互式投影方法、装置及系统 | |
CN110136130A (zh) | 一种检测产品缺陷的方法及装置 | |
CN106650701A (zh) | 基于双目视觉的室内阴影环境下障碍物检测方法及装置 | |
CN108362284A (zh) | 一种基于仿生海马认知地图的导航方法 | |
CN114332385A (zh) | 一种基于三维虚拟地理场景的单目相机目标检测与空间定位方法 | |
CN104408760A (zh) | 一种基于双目视觉的高精度虚拟装配系统算法 | |
CN106780546A (zh) | 基于卷积神经网络的运动模糊编码点的身份识别方法 | |
CN109300152A (zh) | 从场景的至少一对连续图像生成场景深度图的电子装置 | |
CN106031148A (zh) | 成像设备,成像设备中自动对焦的方法以及对应计算机程序 | |
CN114092697A (zh) | 注意力融合全局和局部深度特征的建筑立面语义分割方法 | |
CN109670501A (zh) | 基于深度卷积神经网络的物体识别与抓取位置检测方法 | |
CN106888344A (zh) | 摄像模组及其像面倾斜的获取方法和调整方法 | |
CN109544584B (zh) | 一种实现巡检稳像精度测量的方法及系统 | |
CN109685823A (zh) | 一种基于深度森林的目标跟踪方法 | |
CN109887035A (zh) | 基于蝙蝠算法优化bp神经网络双目视觉标定 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190712 |