CN113642529B - 基于ga-bp神经网络的障碍物尺寸预测系统及方法 - Google Patents
基于ga-bp神经网络的障碍物尺寸预测系统及方法 Download PDFInfo
- Publication number
- CN113642529B CN113642529B CN202111091442.8A CN202111091442A CN113642529B CN 113642529 B CN113642529 B CN 113642529B CN 202111091442 A CN202111091442 A CN 202111091442A CN 113642529 B CN113642529 B CN 113642529B
- Authority
- CN
- China
- Prior art keywords
- obstacle
- size
- neural network
- pixel
- training
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000004888 barrier function Effects 0.000 title description 8
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 230000002068 genetic effect Effects 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000001808 coupling effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 8
- 230000008447 perception Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于GA‑BP神经网络的障碍物尺寸预测方法，包括以下步骤：获取障碍物图像像素尺寸宽、像素尺寸高、像素面积、障碍物到摄像机的距离；数据归一化，得到训练集和测试集；采用遗传算法优化BP神经网络的权值和阈值，对模型进行训练，获得GA‑BP神经网络的障碍物尺寸预测模型；反归一化处理后得到障碍物预测尺寸；将预测尺寸值与障碍物实际尺寸值比较，经过误差分析并反馈到尺寸预测模块，获得最优的障碍物尺寸预测模型。本发明采用GA‑BP神经网络模型预测小型障碍物实际尺寸，可以为移动机器人进行环境感知、路径规划以及自主导航提供基础数据，克服了视觉测量过程中各参数之间的耦合作用，降低了测量成本。
Description
技术领域
本发明涉及移动机器人领域，特别涉及一种基于GA-BP神经网络的障碍物尺寸预测系统及方法。
背景技术
近年来，随着科技的不断创新和进步，移动机器人的应用领域越来越广泛，其作业的环境也越来越复杂，由结构化环境发展到非结构化环境，由陆地作业发展到海洋采矿，这也让其对环境感知提出了更高的要求。移动机器人是通过各类型传感器获取大量环境信息，然后采用信息融合处理技术进行决策，经常需要在不适合人类前往的复杂且危险的环境下自主完成作业。
随着智能技术的发展，为完成移动机器人环境感知、路径规划以及自主导航等任务的决策，对于中小型移动机器人来说，影响它们执行自主行走任务的主要因素是环境感知，而其行进道路上的小型障碍物是其进行环境感知的主要目标，为了保证移动机器人能够量化地感知环境，对障碍物最大宽度、最大高度、最大面积以及距移动机器人的距离等参数进行测量是既基础又重要的任务，也决定了移动机器人应用的广度和深度。就目前常用的测量系统而言，对中小型障碍物的测量比大型障碍物的测量更具挑战性，因此，如何更好地提高移动机器人环境感知能力，准确而有效地获取小型障碍物尺寸参数成为了一个亟待解决的问题。
世界上许多的学者对上述问题做了大量的研究工作，Jiaxu Leng等人提出了一种障碍物检测与识别方法，通过基于立体视觉系统生成的U-V视差图的障碍物检测方法，大大提高了对小障碍物和遮挡障碍物的识别精度。Qing Li等人提出了智能车辆障碍物检测中视频图像识别的判断与优化的方法，能够保证智能车辆的行驶误差较小。Fernando等人提出了基于机器学习的网络物理系统中片上激光雷达传感器的障碍识别，在户外环境比较恶劣的情况下都能达到很好地识别效果。ZHANG G Q等人提出了融合激光雷达与视觉信息的小型障碍物测量方法，可以得到测量小型障碍物的最大宽度误差小于2.4％，具有较好的测量效果。但这些研究主要是针对障碍物的检测和避障，而对于障碍物的测量研究较少，而且上述方法中多采用激光雷达的工具和三角测量的方法测量小型障碍物的尺寸参数，所需要的成本高，且测量费时费力，难以在实际工程中推广应用。
发明内容
为了解决上述技术问题，本发明提供一种结构简单、适用范围广的基于GA-BP神经网络的障碍物尺寸预测系统，并提供一种算发简单、预测精度高的基于GA-BP神经网络的障碍物尺寸预测方法。
本发明解决上述技术问题的技术方案是：一种基于GA-BP神经网络的障碍物尺寸预测系统，包括：
机器视觉模块，用于获取障碍物的像素尺寸信息；
距离测量模块，用于获取障碍物到摄像机的距离信息；
尺寸预测模块，尺寸预测模块与机器视觉模块、距离测量模块相连，基于障碍物的像素尺寸信息和障碍物到摄像机的距离信息预测障碍物实际尺寸参数；
误差调整模块，误差调整模块与尺寸预测模块相连，用于将预测尺寸值与障碍物实际尺寸值比较，经过误差分析并反馈到尺寸预测模块，调整尺寸预测模块中GA-BP神经网络的训练次数、训练目标及学习速率参数，以获得最优的障碍物尺寸预测模型。
一种基于GA-BP神经网络的障碍物尺寸预测方法，其特征在于，包括以下步骤：
步骤一：通过机器视觉模块获取障碍物图像像素尺寸宽w、像素尺寸高h以及像素面积a；
步骤二：通过距离测量模块获取障碍物到摄像机的距离L；
步骤三：将像素尺寸宽w、像素尺寸高h、像素面积a、障碍物到摄像机的距离L、障碍物实际尺寸宽W、实际尺寸高H以及实际面积A通过数据归一化处理，得到训练集和测试集；
步骤四：以像素尺寸宽w、像素尺寸高h、像素面积a以及障碍物到摄像机的距离L作为BP神经网络的输入参数，以障碍物实际尺寸宽W、实际尺寸高H以及实际面积A作为输出参数，并采用遗传算法优化BP神经网络的权值和阈值，通过步骤三得到的归一化后的训练集数据对模型进行训练，获得GA-BP神经网络的障碍物尺寸预测模型；
步骤五：将障碍物尺寸预测模型的数据经过反归一化处理后得到障碍物预测尺寸，即预测尺寸宽W、预测尺寸高H以及预测面积A；
步骤六：将预测尺寸值与障碍物实际尺寸值比较，经过误差分析并反馈到尺寸预测模块，调整GA-BP神经网络的训练次数、训练目标及学习速率参数，以获得最优的障碍物尺寸预测模型。
上述基于GA-BP神经网络的障碍物尺寸预测方法，所述步骤一具体过程为：
1-1)图像预处理：获取原始图像，将三通道彩色图像转换为三个单通道灰度图像，并将三个单通道图像从RGB空间转化成HSV空间，获得对比明显的灰度图像，采用加权平均法得到预处理图像；
1-2)阈值分割：将预处理后的图像按像素灰度幅度进行分割，并二值化，根据直方图谷底确定阈值法将目标区域分离出来；
1-3)Blob分析：首先计算连通域，将目标从像素级转换到连通分量级，接着对每个目标进行特征量计算，包括面积、周长、质心坐标特征，最终获得目标区域信息；
1-4)仿射变换：对图像进行平移和旋转的复合几何变换，校正图像的平移和旋转角度，使得每次在同一位置测量图像像素尺寸；
1-5)边缘提取：首先采用Gauss滤波器平滑图像，然后用一阶偏导的有限差分来计算梯度的幅值和方向，最后对梯度幅值进行非极大值抑制，以得到细化的边缘；
1-6)获得障碍物图像像素尺寸宽w、像素尺寸高h以及像素面积a。
上述基于GA-BP神经网络的障碍物尺寸预测方法，所述步骤四具体步骤如下：
4-1)构建BP神经网络障碍物尺寸预测模型，确定4个输入层节点、12个隐含层节点以及3个输出层节点；
4-2)采用遗传算法优化BP神经网络的权值和阈值，弥补BP神经网络容易陷入局部最优的缺陷：第一步，初始化遗传算法个体编码；第二步，将BP神经网络训练得到的误差作为适应度值；第三步，采用遗传算法的选择、交叉及变异操作对个体进行筛选；第四步，计算适应度值；第五步，判断是否达到最大迭代次数或者精度，如果没有达到，将转移第三步；第六步，最终获得BP神经网络最优的权值和阈值；
4-3)将获得的最优权值和阈值替换BP神经网络初始的权值和阈值，BP神经网络经训练后预测输出，最终获得基于GA-BP神经网络的障碍物尺寸预测模型。
上述基于GA-BP神经网络的障碍物尺寸预测方法，所述步骤六中，采用测试集的测试数据评估GA-BP神经网络模型性能的优劣，比较GA-BP神经网络模型的预测数据与测试数据，通过计算皮尔逊相关系数R2、均方根误差RMSE以及平均绝对百分比误差MAPE来评估障碍物尺寸预测模型的拟合程度，最后将结果反馈到障碍物尺寸预测模型，调整GA-BP神经网络的训练次数、训练目标及学习速率，当皮尔逊相关系数R2大于0.999、均方根误差RMSE小于5.573、平均绝对百分比误差MAPE小于2.84％则达到目标，使GA-BP神经网络模型达到最优。
本发明的有益效果在于：
1、本发明的基于GA-BP神经网络的障碍物尺寸预测系统，采用GA-BP神经网络模型预测小型障碍物实际尺寸，可以为移动机器人进行环境感知、路径规划以及自主导航提供基础数据，克服了视觉测量过程中各参数之间的耦合作用，有利于简化测量过程，提高测量的实时性，降低测量成本。
2、本发明的基于GA-BP神经网络的障碍物尺寸预测方法，能够量化地感知环境，提升测量的实时性，简化测量过程，降低测量成本，提高了移动机器人应用的广度和深度。
3、本发明通过GA-BP神经网络模型预测小型障碍物尺寸，计算的皮尔逊相关系数R2都大于0.999，均方根误差RMSE均小于5.573，平均绝对百分比误差MAPE均小于2.84％，表明GA-BP模型具有理想的预测精度，能够满足工程实际需求，为移动机器人的普及和工程化应用提供了新的解决方案。
4、本发明的系统配置安装简单方便，能集成到嵌入式开发系统，通过获取目标物的图像像素信息及距离信息不仅能用于移动机器人还能用于无人机的目标测量等，具有较为广泛的工程应用价值。
附图说明
图1为本发明的预测系统的原理图。
图2为本发明机器视觉模块原理流程图。
图3为本发明采用机器视觉模块处理的效果图。
图4为本发明尺寸预测模块的原理图。
图5为本发明预测方法中多元分析结果曲线图。
图6为本发明误差调整模块的误差分析图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1所示，一种基于GA-BP神经网络的障碍物尺寸预测系统，包括：
机器视觉模块，用于获取障碍物的像素尺寸信息；
距离测量模块，用于获取障碍物到摄像机的距离信息；
尺寸预测模块，尺寸预测模块与机器视觉模块、距离测量模块相连，基于障碍物的像素尺寸信息和障碍物到摄像机的距离信息预测障碍物实际尺寸参数；
误差调整模块，误差调整模块与尺寸预测模块相连，用于将预测尺寸值与障碍物实际尺寸值比较，经过误差分析并反馈到尺寸预测模块，调整尺寸预测模块中GA-BP神经网络的训练次数、训练目标及学习速率参数，以获得最优的障碍物尺寸预测模型。
一种基于GA-BP神经网络的障碍物尺寸预测方法，其特征在于，包括以下步骤：
步骤一：通过机器视觉模块获取障碍物图像像素尺寸宽w、像素尺寸高h以及像素面积a。
如图2所示，步骤一具体过程为：
1-1)图像预处理：获取原始图像，如图3(a)所示，将三通道彩色图像转换为三个单通道灰度图像，并将三个单通道图像从RGB空间转化成HSV空间，获得对比明显的灰度图像，如图3(b)所示；采用加权平均法得到预处理图像，如图3(c)所示。
1-2)阈值分割：将预处理后的图像按像素灰度幅度进行分割，并二值化，根据直方图谷底确定阈值法将目标区域分离出来，效果如图3(d)所示，其图像像素分布图及阈值分割中T的取值如图3(g)所示。
1-3)Blob分析：首先计算连通域，将目标从像素级转换到连通分量级，接着对每个目标进行特征量计算，包括面积、周长、质心坐标特征，最终获得目标区域信息；效果如图3(e)。
1-4)仿射变换：对图像进行平移和旋转的复合几何变换，校正图像的平移和旋转角度，使得每次在同一位置测量图像像素尺寸，效果如图(f)所示。
1-5)边缘提取：首先采用Gauss滤波器平滑图像，然后用一阶偏导的有限差分来计算梯度的幅值和方向，最后对梯度幅值进行非极大值抑制，以得到细化的边缘，效果如图(h)所示。
1-6)获得障碍物图像像素尺寸宽w、像素尺寸高h以及像素面积a。
步骤二：通过距离测量模块获取障碍物到摄像机的距离L。
步骤三：将像素尺寸宽w、像素尺寸高h、像素面积a、障碍物到摄像机的距离L、障碍物实际尺寸宽W、实际尺寸高H以及实际面积A通过数据归一化处理，得到训练集和测试集。
步骤四：以像素尺寸宽w、像素尺寸高h、像素面积a以及障碍物到摄像机的距离L作为BP神经网络的输入参数，以障碍物实际尺寸宽W、实际尺寸高H以及实际面积A作为输出参数，并采用遗传算法优化BP神经网络的权值和阈值，通过步骤三得到的归一化后的训练集数据对模型进行训练，获得GA-BP神经网络的障碍物尺寸预测模型。
所述步骤四具体步骤如下：
4-1)构建BP神经网络障碍物尺寸预测模型，确定4个输入层节点、12个隐含层节点以及3个输出层节点；
4-2)采用遗传算法优化BP神经网络的权值和阈值，弥补BP神经网络容易陷入局部最优的缺陷：第一步，初始化遗传算法个体编码；第二步，将BP神经网络训练得到的误差作为适应度值；第三步，采用遗传算法的选择、交叉及变异操作对个体进行筛选；第四步，计算适应度值；第五步，判断是否达到最大迭代次数或者精度，如果没有达到，将转移第三步；第六步，最终获得BP神经网络最优的权值和阈值，如δx、wxh、δh、why以及δy；
4-3)将获得的最优权值和阈值替换BP神经网络初始的权值和阈值，BP神经网络经训练后预测输出，最终获得基于GA-BP神经网络的障碍物尺寸预测模型。
步骤五：将障碍物尺寸预测模型的数据经过反归一化处理后得到障碍物预测尺寸，即预测尺寸宽W、预测尺寸高H以及预测面积A。
步骤六：将预测尺寸值与障碍物实际尺寸值比较，经过误差分析并反馈到尺寸预测模块，调整GA-BP神经网络的训练次数、训练目标及学习速率参数，以获得最优的障碍物尺寸预测模型。
所述步骤六中，采用测试集的测试数据评估GA-BP神经网络模型性能的优劣，比较GA-BP神经网络模型的预测数据与测试数据，通过计算皮尔逊相关系数R2、均方根误差RMSE以及平均绝对百分比误差MAPE来评估障碍物尺寸预测模型的拟合程度，最后将结果反馈到障碍物尺寸预测模型，调整GA-BP神经网络的训练次数、训练目标及学习速率，当皮尔逊相关系数R2大于0.999、均方根误差RMSE小于5.573、平均绝对百分比误差MAPE小于2.84％则达到目标，使GA-BP神经网络模型达到最优。
如图5所示，模型的训练数据集、验证集、测试数据集以及总体的皮尔逊相关系数R2都大于0.999，说明所构建的障碍物尺寸预测系统具有较高的预测精度，能够满足实际工程需求。
如图6所示，图6为表1中算例的预测值与实际值的误差分析图，可以得出预测值与实际值的拟合程度非常好，具有可靠的预测效果。
表1给出了一个基于GA-BP神经网络的障碍物尺寸预测算例，通过上述构建的障碍物尺寸预测模型，采用10组测试数据验证模型的性能。表1中列出了10组数据的实际值、预测值和评估值，有评估值可以分析得出皮尔逊相关系数(R2)都大于0.999，均方根误差(RMSE)均小于5.573，平均绝对百分比误差(MAPE)均小于2.84％，表明GA-BP模型具有理想的预测精度。能够满足工程实际需求，为移动机器人的普及和工程化应用提供了新的解决方案。
表1基于GA-BP神经网络的障碍物尺寸预测方法的算例参数
根据上述说明书的揭示和描述，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。本发明并不局限于上面揭示和描述的具体实施方式，对发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对发明构成任何限制。
Claims (3)
1.一种基于GA-BP神经网络的障碍物尺寸预测方法，其特征在于，包括以下步骤：
步骤一：通过机器视觉模块获取障碍物图像像素尺寸宽w、像素尺寸高h以及像素面积a；
所述步骤一具体过程为：
1-1)图像预处理：获取原始图像，将三通道彩色图像转换为三个单通道灰度图像，并将三个单通道图像从RGB空间转化成HSV空间，获得对比明显的灰度图像，采用加权平均法得到预处理图像；
1-2)阈值分割：将预处理后的图像按像素灰度幅度进行分割，并二值化，根据直方图谷底确定阈值法将目标区域分离出来；
1-3)Blob分析：首先计算连通域，将目标从像素级转换到连通分量级，接着对每个目标进行特征量计算，包括面积、周长、质心坐标特征，最终获得目标区域信息；
1-4)仿射变换：对图像进行平移和旋转的复合几何变换，校正图像的平移和旋转角度，使得每次在同一位置测量图像像素尺寸；
1-5)边缘提取：首先采用Gauss滤波器平滑图像，然后用一阶偏导的有限差分来计算梯度的幅值和方向，最后对梯度幅值进行非极大值抑制，以得到细化的边缘；
1-6)获得障碍物图像像素尺寸宽w、像素尺寸高h以及像素面积a；
步骤二：通过距离测量模块获取障碍物到摄像机的距离L；
步骤三：将像素尺寸宽w、像素尺寸高h、像素面积a、障碍物到摄像机的距离L、障碍物实际尺寸宽W、实际尺寸高H以及实际面积A通过数据归一化处理，得到训练集和测试集；
步骤四：以像素尺寸宽w、像素尺寸高h、像素面积a以及障碍物到摄像机的距离L作为BP神经网络的输入参数，以障碍物实际尺寸宽W、实际尺寸高H以及实际面积A作为输出参数，并采用遗传算法优化BP神经网络的权值和阈值，通过步骤三得到的归一化后的训练集数据对模型进行训练，获得GA-BP神经网络的障碍物尺寸预测模型；
所述步骤四具体步骤如下：
4-1)构建BP神经网络障碍物尺寸预测模型，确定4个输入层节点、12个隐含层节点以及3个输出层节点；
4-2)采用遗传算法优化BP神经网络的权值和阈值，弥补BP神经网络容易陷入局部最优的缺陷：第一步，初始化遗传算法个体编码；第二步，将BP神经网络训练得到的误差作为适应度值；第三步，采用遗传算法的选择、交叉及变异操作对个体进行筛选；第四步，计算适应度值；第五步，判断是否达到最大迭代次数或者精度，如果没有达到，将转移第三步；第六步，最终获得BP神经网络最优的权值和阈值；
4-3)将获得的最优权值和阈值替换BP神经网络初始的权值和阈值，BP神经网络经训练后预测输出，最终获得基于GA-BP神经网络的障碍物尺寸预测模型；
步骤五：将障碍物尺寸预测模型的数据经过反归一化处理后得到障碍物预测尺寸，即预测尺寸宽W、预测尺寸高H以及预测面积A；
步骤六：将预测尺寸值与障碍物实际尺寸值比较，经过误差分析并反馈到尺寸预测模块，调整GA-BP神经网络的训练次数、训练目标及学习速率参数，以获得最优的障碍物尺寸预测模型。
2.根据权利要求1所述的基于GA-BP神经网络的障碍物尺寸预测方法，其特征在于，所述步骤六中，采用测试集的测试数据评估GA-BP神经网络模型性能的优劣，比较GA-BP神经网络模型的预测数据与测试数据，通过计算皮尔逊相关系数R2、均方根误差RMSE以及平均绝对百分比误差MAPE来评估障碍物尺寸预测模型的拟合程度，最后将结果反馈到障碍物尺寸预测模型，调整GA-BP神经网络的训练次数、训练目标及学习速率，当皮尔逊相关系数R2大于0.999、均方根误差RMSE小于5.573、平均绝对百分比误差MAPE小于2.84％则达到目标，使GA-BP神经网络模型达到最优。
3.一种用于实现权利要求1-2中任一项所述的预测方法的基于GA-BP神经网络的障碍物尺寸预测系统，其特征在于，包括：
机器视觉模块，用于获取障碍物的像素尺寸信息；
距离测量模块，用于获取障碍物到摄像机的距离信息；
尺寸预测模块，尺寸预测模块与机器视觉模块、距离测量模块相连，基于障碍物的像素尺寸信息和障碍物到摄像机的距离信息预测障碍物实际尺寸参数；
误差调整模块，误差调整模块与尺寸预测模块相连，用于将预测尺寸值与障碍物实际尺寸值比较，经过误差分析并反馈到尺寸预测模块，调整尺寸预测模块中GA-BP神经网络的训练次数、训练目标及学习速率参数，以获得最优的障碍物尺寸预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111091442.8A CN113642529B (zh) | 2021-09-17 | 2021-09-17 | 基于ga-bp神经网络的障碍物尺寸预测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111091442.8A CN113642529B (zh) | 2021-09-17 | 2021-09-17 | 基于ga-bp神经网络的障碍物尺寸预测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113642529A CN113642529A (zh) | 2021-11-12 |
| CN113642529B true CN113642529B (zh) | 2023-10-24 |
Family
ID=78426033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111091442.8A Active CN113642529B (zh) | 2021-09-17 | 2021-09-17 | 基于ga-bp神经网络的障碍物尺寸预测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642529B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114654472B (zh) * | 2022-05-07 | 2023-09-22 | 深圳市纬华机械有限公司 | 一种纸箱机械手调节系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107705293A (zh) * | 2017-09-14 | 2018-02-16 | 广东工业大学 | 一种基于ccd面阵相机视觉检测的五金零件尺寸测量方法 |
| CN109242848A (zh) * | 2018-09-21 | 2019-01-18 | 西华大学 | 基于otsu和ga-bp神经网络墙纸缺陷检测与识别方法 |
| WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
| CN110276386A (zh) * | 2019-06-11 | 2019-09-24 | 济南大学 | 一种基于机器视觉的苹果分级方法及系统 |
| CN111814804A (zh) * | 2020-05-25 | 2020-10-23 | 武汉纺织大学 | 基于ga-bp-mc神经网络的人体三维尺寸信息预测方法及装置 |
| CN112926265A (zh) * | 2021-02-28 | 2021-06-08 | 珠海复旦创新研究院 | 基于遗传算法优化神经网络的大气多孔探针测量校准方法 |
| CN113138555A (zh) * | 2021-04-22 | 2021-07-20 | 哈尔滨理工大学 | 一种基于遗传算法优化的grnn电主轴热误差建模方法 |
-
2021
- 2021-09-17 CN CN202111091442.8A patent/CN113642529B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107705293A (zh) * | 2017-09-14 | 2018-02-16 | 广东工业大学 | 一种基于ccd面阵相机视觉检测的五金零件尺寸测量方法 |
| WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
| CN109242848A (zh) * | 2018-09-21 | 2019-01-18 | 西华大学 | 基于otsu和ga-bp神经网络墙纸缺陷检测与识别方法 |
| CN110276386A (zh) * | 2019-06-11 | 2019-09-24 | 济南大学 | 一种基于机器视觉的苹果分级方法及系统 |
| CN111814804A (zh) * | 2020-05-25 | 2020-10-23 | 武汉纺织大学 | 基于ga-bp-mc神经网络的人体三维尺寸信息预测方法及装置 |
| CN112926265A (zh) * | 2021-02-28 | 2021-06-08 | 珠海复旦创新研究院 | 基于遗传算法优化神经网络的大气多孔探针测量校准方法 |
| CN113138555A (zh) * | 2021-04-22 | 2021-07-20 | 哈尔滨理工大学 | 一种基于遗传算法优化的grnn电主轴热误差建模方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113642529A (zh) | 2021-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378196B (zh) | 一种结合激光点云数据的道路视觉检测方法 | |
| CN110175576B (zh) | 一种结合激光点云数据的行驶车辆视觉检测方法 | |
| CN108256446B (zh) | 用于确定道路中的车道线的方法、装置和设备 | |
| Li et al. | Towards automatic power line detection for a UAV surveillance system using pulse coupled neural filter and an improved Hough transform | |
| CN104112269B (zh) | 一种基于机器视觉的太阳能电池激光刻线参数检测方法及系统 | |
| CN108303096B (zh) | 一种视觉辅助激光定位系统及方法 | |
| CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
| Han et al. | Recognition and location of steel structure surface corrosion based on unmanned aerial vehicle images | |
| Nezhadarya et al. | Boxnet: A deep learning method for 2d bounding box estimation from bird's-eye view point cloud | |
| CN110147748A (zh) | 一种基于道路边缘检测的移动机器人障碍物识别方法 | |
| CN114325634A (zh) | 一种基于激光雷达的高鲁棒性野外环境下可通行区域提取方法 | |
| CN116486287A (zh) | 基于环境自适应机器人视觉系统的目标检测方法及系统 | |
| CN113642529B (zh) | 基于ga-bp神经网络的障碍物尺寸预测系统及方法 | |
| CN116503803A (zh) | 障碍物检测方法、装置、电子设备以及存储介质 | |
| CN114842340A (zh) | 一种机器人双目立体视觉障碍物感知方法与系统 | |
| Hu et al. | A simple information fusion method provides the obstacle with saliency labeling as a landmark in robotic mapping | |
| CN116079749B (zh) | 基于聚类分离条件随机场的机器人视觉避障方法及机器人 | |
| Wang et al. | A survey of extrinsic calibration of lidar and camera | |
| Sun et al. | Automatic targetless calibration for LiDAR and camera based on instance segmentation | |
| Marques et al. | Crater delineation by dynamic programming | |
| CN111696147A (zh) | 一种基于改进YOLOv3模型的深度估计方法 | |
| De Cubber et al. | Stereo-based terrain traversability analysis for robot navigation | |
| CN115457130A (zh) | 一种基于深度关键点回归的电动汽车充电口检测定位方法 | |
| Amini et al. | New approach to road detection in challenging outdoor environment for autonomous vehicle | |
| Ying et al. | Technique of measuring leading vehicle distance based on digital image processing theory |
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 |