CN113192489A - 一种基于多尺度增强BiLSTM模型的喷漆机器人语音识别方法 - Google Patents
一种基于多尺度增强BiLSTM模型的喷漆机器人语音识别方法 Download PDFInfo
- Publication number
- CN113192489A CN113192489A CN202110531117.2A CN202110531117A CN113192489A CN 113192489 A CN113192489 A CN 113192489A CN 202110531117 A CN202110531117 A CN 202110531117A CN 113192489 A CN113192489 A CN 113192489A
- Authority
- CN
- China
- Prior art keywords
- layer
- signal
- frequency spectrum
- spraying
- voice recognition
- 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
- 238000005507 spraying Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 18
- 239000003973 paint Substances 0.000 title claims abstract description 13
- 238000001228 spectrum Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000005236 sound signal Effects 0.000 claims abstract description 11
- 238000005065 mining Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000010422 painting Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000941 radioactive substance Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
- G10L19/26—Pre-filtering or post-filtering
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L21/0232—Processing in the frequency domain
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/223—Execution procedure of a spoken command
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manipulator (AREA)
Abstract
一种基于多尺度增强BiLSTM模型的喷漆机器人语音识别方法。1)利用信号采集系统采集常用的喷涂声音指令,其中的数据采集卡选用NI‑9234;2)向采集的音频信号中重复添加100次高斯白噪声,生成含噪信号并求解相应的梅尔频谱序列,而后求解100个梅尔频谱序列的平均序列;3)利用多尺度的卷积滤波器对平均梅尔频谱序列进行特征提取,接着使用BiLSTM模型对所提取的特征进行进一步挖掘以得到相应的输出;4),将BiLSTM模型的输出拼接在一起,而后输入到全连接层和Softmax层进行处理,最后结合CTC算法实现语音识别;5),将步骤1‑4训练得到的模型嵌入喷涂机器人中,智能化的实现相应的喷涂任务。本发明所述模型可以实现喷涂机器人智能语音识别功能,具有很高的实际应用价值。
Description
技术领域
本发明涉及智能化喷涂机器人领域,特别是涉及一种基于多尺度增强BiLSTM模型的喷漆机器人语音识别方法。
背景技术
随着目前国内建筑行业的快速发展,与建筑业息息相关的装饰行业也具有很大的市场前景;然而当前装饰行业很大一部分工作需要人工完成,比如墙面喷涂就基本是人手里拿着喷涂机进行人工喷涂,其喷涂的效果不一,很难保证施工质量和效率。
手工喷涂,工人劳动强度大,而且喷涂距离和喷涂速度也不易控制,容易造成喷涂厚度误差过大而返工,甚至不符合质量要求;涂料含有重金属、放射性物质和有毒农业生产体系溶剂等,在喷涂过程中涂料需要雾化,雾化的涂料很容易吸入现场施工人员的肺中,恶劣的施工环境对喷涂工人健康危害很大。针对以上各种问题,本专利提出了一种基于多尺度增强BiLSTM模型的喷漆机器人语音识别方法,它能帮助机器人实现对房屋墙面喷涂的自动化,从而以自适应的喷涂作业代替人工的无序喷涂作业,能够改善工作环境,减轻工人劳动强度,大幅度提高喷涂的效率,并且对于施工的质量也能够有所保障。
国内涉及智能喷涂机器人的专利有“一种智能喷涂机器人系统及其喷涂方法”(201910960106.9),通过设计扫描建模单元、离线编程单元、驱动控制单元和机器人本体及厚度检测单元,实现了喷涂机器人的智能化喷涂,有效降低了喷涂轨迹误差、喷涂工艺参数误差等误差引起的喷涂质量问题。国家发明专利“一种基于智能喷涂机器人的建筑外墙喷涂方法”(202011419313.2),该发明基于智能喷涂机器人的建筑外墙喷涂方法,通过控制收放组件,可使机器人本体在建筑外壁上自动沿波浪形轨迹进行喷涂作业,其中控制器可以根据涂料箱内涂料的余量值自动补充涂料,需要的人工干涉少,不需要人工直接参与,施工成本低且无人员风险。以上专利都是预定任务然后喷涂机器人执行,不具有自适应性,现实中喷涂机器人需要根据不同的情况做出相应的变化,而非机械式的执行任务,赋予喷涂机器人语音识别功能可以自适应的完成相应的喷涂任务,这具有重要的现实意义。
发明内容
为解决上述问题,本发明在卷积神经网络(Convolutional Neural Networks,CNN)和双向长期短期记忆机(Bi-directional Long Short-Term Memory,BiLSTM)的基础上,提出了一种基于多尺度增强BiLSTM模型的喷漆机器人语音识别方法。首先,考虑到采集信号中含有的噪声成分对模型识别精度的影响,本专利提出了一种集合消噪算法,通过多次集合平均可以很好的消除噪声影响以增强语音信号的特征;其次,针对语音信号特征不易挖掘的特点,本专利设计了一种多尺度卷积滤波器组,通过设计四个有效长度的卷积核,从多尺度方向挖掘信号中存在的特征,这可以极大的帮助模型挖掘语音信号中的特征,从而提高模型的诊断精度;最后,采用了BiLSTM模型对语音信号进行进一步的特征提取,并向模型中加入全连接层、Softmax层和CTC算法最终实现语音识别。为达此目的,本发明提供一种基于多尺度增强BiLSTM模型的喷漆机器人语音识别方法,具体步骤如下,其特征在于:
步骤1,采集指令信号:利用信号采集系统采集常用的喷涂声音指令,其中的数据采集卡选用NI-9234;
步骤2,集合消噪预处理:向采集的音频信号中重复添加100次高斯白噪声,生成含噪信号并求解相应的梅尔频谱序列,而后求解100个梅尔频谱序列的平均序列;
步骤3,多尺度特征提取:利用多尺度的卷积滤波器对平均梅尔频谱序列进行特征提取,接着使用BiLSTM模型对所提取的特征进行进一步挖掘以得到相应的输出;
步骤4,特征融合识别:将BiLSTM模型的输出拼接在一起,而后输入到全连接层和Softmax层进行处理,最后结合CTC算法实现语音识别;
步骤5,喷涂机器人应用:将步骤1~步骤4训练得到的模型嵌入喷涂机器人中,智能化的实现相应的喷涂任务。
进一步,步骤2中采用集合消噪预处理对音频信号进行预处理的过程可表述为:
假设采集到的音频信号为x(t),其中包含有效信号c(t)和环境噪声信号n(t),即:x(t)=c(t)+n(t),向x(t)中添加100组高斯白噪声g(t)以生成含噪信号s(t),并求解s(t)的梅尔频谱序列,最后求解这100个梅尔频谱序列的平均序列Msave:
式中,Ms(·)表示梅尔频谱序列的计算求解,由于高斯白噪声的均值为0,所以当所加高斯白噪声的次数足够多时的值接近0,这就使得所采集到的信号中的环境噪声信号n(t)被滤去,极大的增强了有效信号c(t)的特征。
进一步,步骤3中对步骤2中获得的梅尔频谱平均序列Msave进行多尺度特征提取的具体步骤为:
步骤3.2,利用BiLSTM模型进行进一步处理,其具体步骤可表述为:
步骤3.2.1,搭建具有前向传播层和后向传播层的BiLSTM网络;
式中,H表示隐藏层的激活函数,本专利选取sigmoid激活函数,xt为输入数据(Msave),表示前向输入层与隐藏层间的连接权重系数,表示前向隐藏层间的连接权重系数,表示t-1时刻前向隐藏层状态,表示前向隐藏层的偏置系数。
步骤3.2.4,计算输出层的输出向量yt,计算表达式为:
步骤3.2.5,将多个BiLSTM模型的输出拼接在一起,并输入至全连接层中,接着由Softmax层进行处理;
步骤3.2.6,利用CTC算法对Softmax层的输出进行解码处理以实现语音识别。
本发明一种基于多尺度增强BiLSTM模型的喷漆机器人语音识别方法,有益效果:本发明的技术效果在于:
1.本发明考虑到采集信号中含有的噪声成分对模型识别精度的影响,提出了一种集合消噪算法,通过多次集合平均可以很好的消除噪声影响以增强语音信号的特征,从而可以提高网络模型的鲁棒性;
2.本发明针对语音信号特征不易挖掘的特点,设计了一种多尺度卷积滤波器组,通过设计四个有效长度的卷积核,从多尺度方向挖掘信号中存在的特征,这可以极大的帮助模型挖掘语音信号中的特征,从而提高模型的诊断精度;
3.本发明采用了BiLSTM模型对语音信号进行进一步的特征提取,并向模型中加入全连接层、Softmax层和CTC算法,通过设计一个新的模型最终实现语音识别。
附图说明
图1为本发明的流程图;
图2为本发明所提的多尺度增强BiLSTM模型的网络结构图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提出了一种基于多尺度增强BiLSTM模型的喷漆机器人语音识别方法,旨在帮助喷涂机器人智能识别语音从而完成相应的喷涂任务。图1为本发明的流程图,下面结合流程图对本发明的步骤作详细介绍。
步骤1,采集指令信号:利用信号采集系统采集常用的喷涂声音指令,其中的数据采集卡选用NI-9234;
步骤2,集合消噪预处理:向采集的音频信号中重复添加100次高斯白噪声,生成含噪信号并求解相应的梅尔频谱序列,而后求解100个梅尔频谱序列的平均序列;
步骤2中采用集合消噪预处理对音频信号进行预处理的过程可表述为:
假设采集到的音频信号为x(t),其中包含有效信号c(t)和环境噪声信号n(t),即:x(t)=c(t)+n(t),向x(t)中添加100组高斯白噪声g(t)以生成含噪信号s(t),并求解s(t)的梅尔频谱序列,最后求解这100个梅尔频谱序列的平均序列Msave:
式中,Ms(·)表示梅尔频谱序列的计算求解,由于高斯白噪声的均值为0,所以当所加高斯白噪声的次数足够多时的值接近0,这就使得所采集到的信号中的环境噪声信号n(t)被滤去,极大的增强了有效信号c(t)的特征。
步骤3,多尺度特征提取:利用多尺度的卷积滤波器对平均梅尔频谱序列进行特征提取,接着使用BiLSTM模型对所提取的特征进行进一步挖掘以得到相应的输出;
步骤3中对步骤2中获得的梅尔频谱平均序列Msave进行多尺度特征提取的具体步骤为:
步骤3.2,利用BiLSTM模型进行进一步处理,其具体步骤可表述为:
步骤3.2.1,搭建具有前向传播层和后向传播层的BiLSTM网络;
式中,H表示隐藏层的激活函数,本专利选取sigmoid激活函数,xt为输入数据(Msave),表示前向输入层与隐藏层间的连接权重系数,表示前向隐藏层间的连接权重系数,表示t-1时刻前向隐藏层状态,表示前向隐藏层的偏置系数。
步骤3.2.4,计算输出层的输出向量yt,计算表达式为:
步骤3.2.5,将多个BiLSTM模型的输出拼接在一起,并输入至全连接层中,接着由Softmax层进行处理;
步骤3.2.6,利用CTC算法对Softmax层的输出进行解码处理以实现语音识别。
步骤4,特征融合识别:将BiLSTM模型的输出拼接在一起,而后输入到全连接层和Softmax层进行处理,最后结合CTC算法实现语音识别;
步骤5,喷涂机器人应用:将步骤1~步骤4训练得到的模型嵌入喷涂机器人中,智能化的实现相应的喷涂任务。
图2为本发明所提出的多尺度增强BiLSTM模型的网络结构图。从该结构图中可以清楚的看出,对于所采集到的语音信号,先通过添加100组高斯白噪声,而后求解加噪信号的梅尔频谱序列,然后将求得的梅尔频谱序列进行算术平均,最终得到平均的梅尔频谱序列,也即是通过集合加噪的方式滤除了原有声音信号中的噪声干扰,增强了有效信号的特征;接着设计了4个不同尺度的卷积滤波器组,然后分别输入到BiLSTM模型中,实现了从多尺度层面学习原有信号的特征;接着将BiLSTM模型的输出拼接在一起,通过全连接层、Softmax层和CTC解码算法的处理最终实现语音的智能识别。另外,从BiLSTM模型的结构中可以看出,BiLSTM是由前向和后向两个方向的LSTM模型组成的,通过前向和后向隐藏层间的联系,较LSTM可以更加准确的挖掘声音信号中含有的特征。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (3)
1.一种基于多尺度增强BiLSTM模型的喷漆机器人语音识别方法,具体步骤如下,其特征在于:
步骤1,采集指令信号:利用信号采集系统采集常用的喷涂声音指令,其中的数据采集卡选用NI-9234;
步骤2,集合消噪预处理:向采集的音频信号中重复添加100次高斯白噪声,生成含噪信号并求解相应的梅尔频谱序列,而后求解100个梅尔频谱序列的平均序列;
步骤3,多尺度特征提取:利用多尺度的卷积滤波器对平均梅尔频谱序列进行特征提取,接着使用BiLSTM模型对所提取的特征进行进一步挖掘以得到相应的输出;
步骤4,特征融合识别:将BiLSTM模型的输出拼接在一起,而后输入到全连接层和Softmax层进行处理,最后结合CTC算法实现语音识别;
步骤5,喷涂机器人应用:将步骤1~步骤4训练得到的模型嵌入喷涂机器人中,智能化的实现相应的喷涂任务。
2.根据权利要求1所述的一种基于多尺度增强BiLSTM模型的喷漆机器人语音识别方法,其特征在于:步骤2中采用集合消噪预处理对音频信号进行预处理的过程可表述为:
假设采集到的音频信号为x(t),其中包含有效信号c(t)和环境噪声信号n(t),即:x(t)=c(t)+n(t),向x(t)中添加100组高斯白噪声g(t)以生成含噪信号s(t),并求解s(t)的梅尔频谱序列,最后求解这100个梅尔频谱序列的平均序列Msave:
3.根据权利要求1所述的一种基于多尺度增强BiLSTM模型的喷漆机器人语音识别方法,其特征在于:步骤3中对步骤2中获得的梅尔频谱平均序列Msave进行多尺度特征提取的具体步骤为:
步骤3.2,利用BiLSTM模型进行进一步处理,其具体步骤可表述为:
步骤3.2.1,搭建具有前向传播层和后向传播层的BiLSTM网络;
式中,H表示隐藏层的激活函数,本专利选取sigmoid激活函数,xt为输入数据(Msave),表示前向输入层与隐藏层间的连接权重系数,表示前向隐藏层间的连接权重系数,表示t-1时刻前向隐藏层状态,表示前向隐藏层的偏置系数;
步骤3.2.4,计算输出层的输出向量yt,计算表达式为:
步骤3.2.5,将多个BiLSTM模型的输出拼接在一起,并输入至全连接层中,接着由Softmax层进行处理;
步骤3.2.6,利用CTC算法对Softmax层的输出进行解码处理以实现语音识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110531117.2A CN113192489A (zh) | 2021-05-16 | 2021-05-16 | 一种基于多尺度增强BiLSTM模型的喷漆机器人语音识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110531117.2A CN113192489A (zh) | 2021-05-16 | 2021-05-16 | 一种基于多尺度增强BiLSTM模型的喷漆机器人语音识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113192489A true CN113192489A (zh) | 2021-07-30 |
Family
ID=76981842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110531117.2A Pending CN113192489A (zh) | 2021-05-16 | 2021-05-16 | 一种基于多尺度增强BiLSTM模型的喷漆机器人语音识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113192489A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542151A (zh) * | 2011-11-30 | 2012-07-04 | 重庆大学 | 基于集合经验模式分解的旋转机械轴心轨迹提纯方法 |
CN103226649A (zh) * | 2013-03-25 | 2013-07-31 | 西安交通大学 | 机械早期及复合故障的集成噪声重构经验模式分解方法 |
CN103839197A (zh) * | 2014-03-19 | 2014-06-04 | 国家电网公司 | 一种基于eemd方法的用户用电行为异常的判定方法 |
CN110211574A (zh) * | 2019-06-03 | 2019-09-06 | 哈尔滨工业大学 | 基于瓶颈特征和多尺度多头注意力机制的语音识别模型建立方法 |
CN111653275A (zh) * | 2020-04-02 | 2020-09-11 | 武汉大学 | 基于lstm-ctc尾部卷积的语音识别模型的构建方法及装置、语音识别方法 |
CN112593680A (zh) * | 2020-12-07 | 2021-04-02 | 李朝阳 | 一种基于智能喷涂机器人的建筑外墙喷涂方法 |
CN112642619A (zh) * | 2019-10-10 | 2021-04-13 | 中国科学院重庆绿色智能技术研究院 | 一种智能喷涂机器人系统及其喷涂方法 |
-
2021
- 2021-05-16 CN CN202110531117.2A patent/CN113192489A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542151A (zh) * | 2011-11-30 | 2012-07-04 | 重庆大学 | 基于集合经验模式分解的旋转机械轴心轨迹提纯方法 |
CN103226649A (zh) * | 2013-03-25 | 2013-07-31 | 西安交通大学 | 机械早期及复合故障的集成噪声重构经验模式分解方法 |
CN103839197A (zh) * | 2014-03-19 | 2014-06-04 | 国家电网公司 | 一种基于eemd方法的用户用电行为异常的判定方法 |
CN110211574A (zh) * | 2019-06-03 | 2019-09-06 | 哈尔滨工业大学 | 基于瓶颈特征和多尺度多头注意力机制的语音识别模型建立方法 |
CN112642619A (zh) * | 2019-10-10 | 2021-04-13 | 中国科学院重庆绿色智能技术研究院 | 一种智能喷涂机器人系统及其喷涂方法 |
CN111653275A (zh) * | 2020-04-02 | 2020-09-11 | 武汉大学 | 基于lstm-ctc尾部卷积的语音识别模型的构建方法及装置、语音识别方法 |
CN112593680A (zh) * | 2020-12-07 | 2021-04-02 | 李朝阳 | 一种基于智能喷涂机器人的建筑外墙喷涂方法 |
Non-Patent Citations (1)
Title |
---|
范勇: ""基于改进EMD与SOM神经自动机驱动机构故障诊断研究"" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109664300B (zh) | 一种基于力觉学习的机器人多风格书法临摹方法 | |
CN110543878B (zh) | 一种基于神经网络的指针仪表读数识别方法 | |
CN111192237B (zh) | 一种基于深度学习的涂胶检测系统和方法 | |
CN105931218A (zh) | 模块化机械臂的智能分拣方法 | |
Liu et al. | Recognition methods for coal and coal gangue based on deep learning | |
CN113538486B (zh) | 一种提高汽车钣金工件的识别与定位精度的方法 | |
CN110188669B (zh) | 一种基于注意力机制的空中手写字符轨迹恢复方法 | |
CN101441776A (zh) | 示范表演驱动的基于加速传感器的三维人体动作编排方法 | |
CN106514667A (zh) | 基于Kinect骨骼追踪和无标定视觉伺服的人机协作系统 | |
CN106406518A (zh) | 手势控制装置及手势识别方法 | |
CN111309035B (zh) | 多机器人协同移动与动态避障方法、装置、设备及介质 | |
CN105389570A (zh) | 一种人脸角度判定方法及其系统 | |
CN112507859B (zh) | 一种用于移动机器人的视觉跟踪方法 | |
CN114851209B (zh) | 一种基于视觉的工业机器人工作路径规划优化方法及系统 | |
CN113192489A (zh) | 一种基于多尺度增强BiLSTM模型的喷漆机器人语音识别方法 | |
CN109087646B (zh) | 一种导入人工智能超深度学习用于语音图像识别的方法 | |
CN111681649B (zh) | 语音识别方法、交互系统及包括该系统的成绩管理系统 | |
CN111267097B (zh) | 基于自然语言的工业机器人辅助编程方法 | |
CN103530857B (zh) | 基于多尺度的卡尔曼滤波图像去噪方法 | |
CN112965487A (zh) | 基于策略迭代的移动机器人轨迹跟踪控制方法 | |
Luo et al. | Robot artist performs cartoon style facial portrait painting | |
CN110472691A (zh) | 目标定位模块训练方法、装置、机器人及存储介质 | |
CN114715363A (zh) | 海底地层空间钻进机器人导航方法、系统及电子设备 | |
CN113780560B (zh) | 一种基于虚拟演示的机器人任务知识自生成系统 | |
Park et al. | Conversion Tools of Spiking Deep Neural Network based on ONNX |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210730 |
|
RJ01 | Rejection of invention patent application after publication |