CN116728406A - 基于支撑向量机的机械手体感识别控制系统 - Google Patents
基于支撑向量机的机械手体感识别控制系统 Download PDFInfo
- Publication number
- CN116728406A CN116728406A CN202310709460.0A CN202310709460A CN116728406A CN 116728406 A CN116728406 A CN 116728406A CN 202310709460 A CN202310709460 A CN 202310709460A CN 116728406 A CN116728406 A CN 116728406A
- Authority
- CN
- China
- Prior art keywords
- module
- unit
- data
- support vector
- vector machine
- 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
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 43
- 230000003238 somatosensory effect Effects 0.000 title claims description 29
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000000605 extraction Methods 0.000 claims abstract description 38
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000006698 induction Effects 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000000875 corresponding effect Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000002360 preparation method Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 230000009699 differential effect Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 230000009471 action Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 8
- 238000000034 method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
- B25J9/1697—Vision controlled systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明涉及机械手体感识别控制技术领域，具体地说，涉及基于支撑向量机的机械手体感识别控制系统，包括信息采集单元、数据预处理单元、特征提取单元、模型训练单元、识别控制单元和自检单元，信息采集单元用于采集机械手周围环境图像信息，同时对周围环境的深度信息进行感应采集，数据预处理单元用于接收信息采集单元的相关信息，对图像信息和深度信息进行预处理，特征提取单元用于接收数据预处理单元预处理的图像信息和深度信息，模型训练单元用于准备训练集模块，通过支撑向量机算法对特征向量进行训练，建立机械手体感识别模型，识别控制单元用于处理接收实时数据预处理单元数据，并将其传入模型训练单元中支撑向量机模型进行识别。
Description
技术领域
本发明涉及机械手体感识别控制技术领域，具体地说，涉及基于支撑向量机的机械手体感识别控制系统。
背景技术
随着科技发展，机械手其应用也变得十分广泛，机械手的应用在工业，化学，服务业等领域发挥着不可估量的作用，因此，可应用于复杂场景的机械手作为科学探索，工业生产等领域必不可少的重要设备，尤其在人不方便工作的极限环境中具有不可替代的重要地位，但是，现有的机械手基于统计学习的方法，难以处理非线性问题，导致机械手体体感识别精度低，而且进行传感处理时，存在噪声干扰，影响传感数据质量，现有的机械手体感识别过程中，不能对机械手体感数据进行异常检测，存在安全隐患。
为了应对上述问题，现亟需基于支撑向量机的机械手体感识别控制系统。
发明内容
本发明的目的在于提供基于支撑向量机的机械手体感识别控制系统，以解决上述背景技术中提出的问题。
为实现上述目的，提供了基于支撑向量机的机械手体感识别控制系统，包括信息采集单元、数据预处理单元、特征提取单元、模型训练单元、识别控制单元和自检单元；
所述信息采集单元用于采集机械手周围环境图像信息，同时对周围环境的深度信息进行感应采集；
所述数据预处理单元用于接收信息采集单元的相关信息，对图像信息和深度信息进行预处理，得到去除图像和深度信息中的噪声成分；
所述特征提取单元用于接收数据预处理单元预处理的图像信息和深度信息，并提取信息中的特征部分；
所述模型训练单元用于准备训练集数据，通过支撑向量机算法对特征向量进行训练，建立机械手体感识别模型；
所述识别控制单元用于接收特征提取单元的特征数据，通过支撑向量机模型对特征数据进行识别，根据识别结果操控机械手进行相应的动作；
所述自检单元用于对机械手体感进行记忆，通过与以往的体感进行比对，检测到机械手异常采取制动措施。
作为本技术方案的进一步改进，所述信息采集单元包括图像采集模块、传感模块和数据传输模块；
所述图像采集模块用于采集周围环境的图像信息；
所述传感模块用于采集周围环境的深度信息；
所述数据传输模块用于对图像采集模块和传感模块采集的环境信息进行传输。
作为本技术方案的进一步改进，所述特征提取单元包括特征选择模块和特征提取算法模块；
所述特征选择模块用于接收数据预处理单元信息并分析选择与操作状态密切相关的特征；
所述特征提取算法模块用于利用支撑向量机算法对预处理后的数据进行特征提取，生成机械手操作状态的特征向量，支撑向量机算法如下：
；
其中，是输入的数据向量，/>是分隔超平面的法向量，/>是超平面的偏移量，/>是符号函数，用于根据/>的正负值来判断数据点所属的类别。
作为本技术方案的进一步改进，所述模型训练单元包括训练集准备模块和模型训练模块；
所述训练集准备模块用于准备被标记的训练集数据；
所述模型训练模块用于通过支撑向量机算法对训练集数据进行训练，建立机械手体感识别模型。
作为本技术方案的进一步改进，所述模型训练单元还包括存储模块，所述存储模块用于存储训练数据集、模型参数和操作记录数据。
作为本技术方案的进一步改进，所述识别控制单元包括数据处理模块和操作控制模块；
所述数据处理模块用于接收环境数据并传入特征提取单元中支撑向量机模型进行识别；
所述操作控制模块用于接收数据处理模块识别结果，控制机械手执行相应的动作。
作为本技术方案的进一步改进，所述操作控制模块采用PID算法对机械手进行控制执行动作，所述PID算法公式如下：
；
其中，表示控制器的输出信号，/>表示当前时刻的误差，/>、/>、/>为控制器的比例、积分和微分系数，分别用来控制输出信号的比例、积分和微分作用。
作为本技术方案的进一步改进，所述识别控制单元还包括网络通信模块，所述网络通信模块用于与外部设备或系统进行数据交换和控制命令传递。
作为本技术方案的进一步改进，所述自检单元包括记忆模块、对比分析模块和制动模块；
所述记忆模块用于对机械手相同作业时体感进行记忆；
所述对比分析模块基于记忆模块的体感记忆，对于相同作业时的体感进行对比分析；
所述制动模块用于接收对比分析模块对比分析结果，检测到机械手异常采取制动措施。
与现有技术相比，本发明的有益效果：
1、该基于支撑向量机的机械手体感识别控制系统中，传统的机械手体感识别控制系统常使用基于统计学习的方法，而该专利引入了支撑向量机算法，将其应用于机械手体感识别控制系统中，具有更强的泛化能力和较好的处理非线性问题的能力。这种创新的应用使得机械手体感识别控制系统在准确性和鲁棒性方面有了显著提升。
2、该专利中的数据预处理模块对传感器数据进行噪声去除和数据归一化处理，有效地消除了数据中的噪声干扰，提高了数据的质量，同时，特征提取模块通过支撑向量机算法对数据进行特征提取，选取与机械手操作状态密切相关的特征，这种数据预处理和特征提取的方式能够更好地捕捉和表达操作状态的关键特征，提高了体感识别的准确性和鲁棒性，同时，通过自检单元对机械手体感数据进行异常检测，判断是否存在异常操作或故障情况，并采取相应的安全措施，提高机械手体感识别控制系统的安全性能。
附图说明
图1为本发明的整体结构示意图；
图2为本发明的整体结构细分示意图；
图3为本发明的识别控制单元示意图。
图中各个标号意义为：
100、信息采集单元；110、图像采集模块；120、传感模块；130、数据传输模块；
200、数据预处理单元；
300、特征提取单元；310、特征选择模块；320、特征提取算法模块；
400、模型训练单元；410、训练集准备模块；420、模型训练模块；430、存储模块；
500、识别控制单元；510、数据处理模块；520、操作控制模块；530、网络通信模块；
600、自检单元；610、记忆模块；620、对比分析模块；630、制动模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-图3所示，提供了基于支撑向量机的机械手体感识别控制系统，包括信息采集单元100、数据预处理单元200、特征提取单元300、模型训练单元400、识别控制单元500和自检单元600；
信息采集单元100用于采集机械手周围环境图像信息，同时对周围环境的深度信息进行感应采集；
信息采集单元100包括图像采集模块110、传感模块120和数据传输模块130，图像采集模块110用于采集周围环境的图像信息，传感模块120用于采集周围环境的深度信息，数据传输模块130用于对图像采集模块110和传感模块120采集的环境信息进行传输。
具体使用时，图像采集模块110采用摄像装置对周围环境采集图像信息，同时，通过传感模块120采用传感器装置获取周围环境深度信息，传感器通过使用激光束扫描物体表面，根据反射光信号计算物体到传感器的距离，从而获取场景的深度信息，通过图像采集模块110和传感模块120获取精准的环境信息。
数据预处理单元200用于接收信息采集单元100的相关信息，对图像信息和深度信息进行预处理，得到去除图像和深度信息中的噪声成分，提高了数据的质量。
通过对图像信息进行处理，从而提高图像质量，图像信息处理流程如下：
图像平滑：采用滤波器等技术对图像进行平滑化，删除图像中的高频噪声，提高后续算法的处理效果；
图像去噪：通过滤波器等技术去除图像中的噪声，提高后续算法的准确性；
图像增强：采用锐化等技术对图像进行增强，以凸显图像中的目标物，提高图像辨析度，从而得到清晰度高，质量好的人体数据图像，便于后期对图像进行分析；
通过数字滤波器可以对传感器信号进行滤波处理，常见的数字滤波器有低通滤波，提高信号的质量。
特征提取单元300用于接收数据预处理单元200预处理的图像信息和深度信息，并提取信息中的特征部分；
特征提取单元300包括特征选择模块310和特征提取算法模块320；
特征选择模块310用于接收数据预处理单元200信息并分析选择与操作状态密切相关的特征；
特征提取算法模块320用于利用支撑向量机算法对预处理后的数据进行特征提取，生成机械手操作状态的特征向量，支撑向量机算法如下：
；
其中，是输入的数据向量，/>是分隔超平面的法向量，/>是超平面的偏移量，/>是符号函数，用于根据/>的正负值来判断数据点所属的类别；
其中，x是输入的数据向量，w是分隔超平面的法向量，b是超平面的偏移量，sign()是符号函数，用于根据f(x)的正负值来判断数据点所属的类别。
特征提取单元300通过支撑向量机算法对数据进行特征提取，选取与机械手操作状态密切相关的特征，能够更好地捕捉和表达操作状态的关键特征，提高了体感识别的准确性和鲁棒性。
模型训练单元400用于准备训练集数据，通过支撑向量机算法对特征向量进行训练，建立机械手体感识别模型；
模型训练单元400包括训练集准备模块410和模型训练模块420，训练集准备模块410用于准备被标记的训练集数据，模型训练模块420用于通过支撑向量机算法对训练集数据进行训练，建立机械手体感识别模型，模型训练单元400还包括存储模块430，存储模块430用于存储训练数据集、模型参数和操作记录数据。
具体使用时，训练集准备步骤如下：
收集数据：选择数据收集方式，根据机器学习模型需要的数据类型，从第一手数据例如传感器数据、用户输入数据或者第二手数据例如公共数据集、数据集库中收集所需数据；
数据清洗：清洗采集到的数据，去除干扰数据、异常值、错误数据和不相关数据，以便提高训练数据的质量和准确性，从而提高机器学习模型的效果；
数据划分：将数据集划分为训练集、验证集和测试集。训练集用来训练模型，验证集用来调整和优化模型的超参数，测试集用来测试和评价模型的性能；
特征提取：对原始数据进行特征提取，提取出抽象的特征，以便对数据进行分类、预测和其他机器学习任务。特征提取可以使用人工特征提取、自动特征提取和深度学习特征提取等方法；
数据增强：对训练集进行数据增强，增加数据集的多样性，扩大模型的泛化能力。常见的数据增强方法包括噪声注入、旋转、镜像、平移、缩放等；
数据标注：对数据集进行标注，包括分类、回归、文本、图像、视频等方面的标注。数据标注是监督学习中的关键步骤。
识别控制单元500用于接收特征提取单元300的特征数据，通过支撑向量机模型对特征数据进行识别，根据识别结果操控机械手进行相应的动作；
识别控制单元500包括数据处理模块510和操作控制模块520，数据处理模块510用于接收环境数据并传入特征提取单元300中支撑向量机模型进行识别，操作控制模块520用于接收数据处理模块510识别结果，控制机械手执行相应的动作，操作控制模块520采用PID算法对机械手进行控制执行动作，PID算法公式如下：
；
其中，表示控制器的输出信号，/>表示当前时刻的误差设目标值为/>，实际值为/>，则/>=/>，/>、/>、/>为控制器的比例、积分和微分系数，分别用来控制输出信号的比例、积分和微分作用；
识别控制单元500还包括网络通信模块530，网络通信模块530用于与外部设备或系统进行数据交换和控制命令传递。
具体使用时，识别控制单元500能够实时处理传感器数据，并将其传入支撑向量机模型进行识别，从而能够快速准确地判断机械手当前的操作状态，基于识别结果，系统能够实时控制机械手执行相应的动作或任务，提高了机械手的响应速度和操作效率。
自检单元600用于对机械手体感进行记忆，通过与以往的体感进行比对，检测到机械手异常采取制动措施；机械手体感识别控制是一种人机交互控制方式，通过集成各种传感器和算法，实现对机械手运动的实时感知和控制，主要包括以下几个方面的技术：
人机交互界面设计：设计直观、易用、灵活的人机交互界面，通过图形化界面、手势识别、语音识别等方式与机械手进行交互，实现控制信号的输入和反馈的输出。
传感器集成：集成多种传感器，如视觉传感器、力传感器、惯性传感器等，实现对机械手运动状态的监测和感知，从而实现更加自然、精准的控制。
自检单元600包括记忆模块610、对比分析模块620和制动模块630，记忆模块610用于对机械手相同作业时体感进行记忆，对比分析模块620基于记忆模块610的体感记忆，对于相同作业时的体感进行对比分析，制动模块630用于接收对比分析模块620对比分析结果，检测到机械手异常采取制动措施。
具体使用时：通过自检单元600对机械手体感数据进行异常检测，判断是否存在异常操作或故障情况，并采取相应的安全措施，提高机械手体感识别控制系统的安全性能。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.基于支撑向量机的机械手体感识别控制系统，其特征在于：包括信息采集单元（100）、数据预处理单元（200）、特征提取单元（300）、模型训练单元（400）、识别控制单元（500）和自检单元（600）；
所述信息采集单元（100）用于采集机械手周围环境图像信息，同时对周围环境的深度信息进行感应采集；
所述数据预处理单元（200）用于接收信息采集单元（100）的相关信息，对图像信息和深度信息进行预处理，得到去除图像和深度信息中的噪声成分；
所述特征提取单元（300）用于接收数据预处理单元（200）预处理的图像信息和深度信息，并提取信息中的特征部分；
所述模型训练单元（400）用于准备训练集数据，通过支撑向量机算法对特征向量进行训练，建立机械手体感识别模型；
所述识别控制单元（500）用于接收特征提取单元（300）的特征数据，通过支撑向量机模型对特征数据进行识别，根据识别结果操控机械手进行相应的动作；
所述自检单元（600）用于对机械手体感进行记忆，通过与以往的体感进行比对，检测到机械手异常采取制动措施。
2.根据权利要求1所述的基于支撑向量机的机械手体感识别控制系统，其特征在于：所述信息采集单元（100）包括图像采集模块（110）、传感模块（120）和数据传输模块（130）；
所述图像采集模块（110）用于采集周围环境的图像信息；
所述传感模块（120）用于采集周围环境的深度信息；
所述数据传输模块（130）用于对图像采集模块（110）和传感模块（120）采集的环境信息进行传输。
3.根据权利要求1所述的基于支撑向量机的机械手体感识别控制系统，其特征在于：所述特征提取单元（300）包括特征选择模块（310）和特征提取算法模块（320）；
所述特征选择模块（310）用于接收数据预处理单元（200）信息并分析选择与操作状态密切相关的特征；
所述特征提取算法模块（320）用于利用支撑向量机算法对预处理后的数据进行特征提取，生成机械手操作状态的特征向量，支撑向量机算法如下：
；
其中，是输入的数据向量，/>是分隔超平面的法向量，/>是超平面的偏移量，/>是符号函数，用于根据/>的正负值来判断数据点所属的类别。
4.根据权利要求1所述的基于支撑向量机的机械手体感识别控制系统，其特征在于：所述模型训练单元（400）包括训练集准备模块（410）和模型训练模块（420）；
所述训练集准备模块（410）用于准备被标记的训练集数据；
所述模型训练模块（420）用于通过支撑向量机算法对训练集数据进行训练，建立机械手体感识别模型。
5.根据权利要求4所述的基于支撑向量机的机械手体感识别控制系统，其特征在于：所述模型训练单元（400）还包括存储模块（430），所述存储模块（430）用于存储训练数据集、模型参数和操作记录数据。
6.根据权利要求1所述的基于支撑向量机的机械手体感识别控制系统，其特征在于：所述识别控制单元（500）包括数据处理模块（510）和操作控制模块（520）；
所述数据处理模块（510）用于接收环境数据并传入特征提取单元（300）中支撑向量机模型进行识别；
所述操作控制模块（520）用于接收数据处理模块（510）识别结果，控制机械手执行相应的动作。
7.根据权利要求6所述的基于支撑向量机的机械手体感识别控制系统，其特征在于：所述操作控制模块（520）采用PID算法对机械手进行控制执行动作，所述PID算法公式如下：
；
其中，表示控制器的输出信号，/>表示当前时刻的误差（设目标值为/>，实际值为/>，则/> = />），/>、/>为控制器的比例、积分和微分系数，分别用来控制输出信号的比例、积分和微分作用。
8.根据权利要求6所述的基于支撑向量机的机械手体感识别控制系统，其特征在于：所述识别控制单元（500）还包括网络通信模块（530），所述网络通信模块（530）用于与外部设备或系统进行数据交换和控制命令传递。
9.根据权利要求1所述的基于支撑向量机的机械手体感识别控制系统，其特征在于：所述自检单元（600）包括记忆模块（610）、对比分析模块（620）和制动模块（630）；
所述记忆模块（610）用于对机械手相同作业时体感进行记忆；
所述对比分析模块（620）基于记忆模块（610）的体感记忆，对于相同作业时的体感进行对比分析；
所述制动模块（630）用于接收对比分析模块（620）对比分析结果，检测到机械手异常采取制动措施。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310709460.0A CN116728406A (zh) | 2023-06-15 | 2023-06-15 | 基于支撑向量机的机械手体感识别控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310709460.0A CN116728406A (zh) | 2023-06-15 | 2023-06-15 | 基于支撑向量机的机械手体感识别控制系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116728406A true CN116728406A (zh) | 2023-09-12 |
Family
ID=87905759
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310709460.0A Pending CN116728406A (zh) | 2023-06-15 | 2023-06-15 | 基于支撑向量机的机械手体感识别控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116728406A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103170973A (zh) * | 2013-03-28 | 2013-06-26 | 上海理工大学 | 基于Kinect摄像机的人机协作装置及方法 |
| CN104111733A (zh) * | 2014-07-29 | 2014-10-22 | 上海交通大学 | 一种手势识别系统及方法 |
| CN104385279A (zh) * | 2014-09-26 | 2015-03-04 | 京东方科技集团股份有限公司 | 一种机械手示教方法及系统 |
| DE102015224641A1 (de) * | 2015-12-08 | 2017-06-08 | Kuka Roboter Gmbh | Verfahren zum Erkennen einer Kollision eines Roboterarms mit einem Objekt und Roboter mit einem Roboterarm |
| CN107553499A (zh) * | 2017-10-23 | 2018-01-09 | 上海交通大学 | 一种多轴机械臂的自然手势运动控制系统和方法 |
| CN109330688A (zh) * | 2018-12-10 | 2019-02-15 | 中山市环能缪特斯医疗器械科技有限公司 | 安全自检式内窥镜辅助机械手及其智能控制系统 |
| CN110543859A (zh) * | 2019-09-05 | 2019-12-06 | 大连海事大学 | 一种基于深度学习和双目定位的海参自主识别和抓取方法 |
| CN116252302A (zh) * | 2023-04-03 | 2023-06-13 | 福州大学 | 一种基于肢体动作预测的动态人机协作装配方法及系统 |
-
2023
- 2023-06-15 CN CN202310709460.0A patent/CN116728406A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103170973A (zh) * | 2013-03-28 | 2013-06-26 | 上海理工大学 | 基于Kinect摄像机的人机协作装置及方法 |
| CN104111733A (zh) * | 2014-07-29 | 2014-10-22 | 上海交通大学 | 一种手势识别系统及方法 |
| CN104385279A (zh) * | 2014-09-26 | 2015-03-04 | 京东方科技集团股份有限公司 | 一种机械手示教方法及系统 |
| DE102015224641A1 (de) * | 2015-12-08 | 2017-06-08 | Kuka Roboter Gmbh | Verfahren zum Erkennen einer Kollision eines Roboterarms mit einem Objekt und Roboter mit einem Roboterarm |
| CN107553499A (zh) * | 2017-10-23 | 2018-01-09 | 上海交通大学 | 一种多轴机械臂的自然手势运动控制系统和方法 |
| CN109330688A (zh) * | 2018-12-10 | 2019-02-15 | 中山市环能缪特斯医疗器械科技有限公司 | 安全自检式内窥镜辅助机械手及其智能控制系统 |
| CN110543859A (zh) * | 2019-09-05 | 2019-12-06 | 大连海事大学 | 一种基于深度学习和双目定位的海参自主识别和抓取方法 |
| CN116252302A (zh) * | 2023-04-03 | 2023-06-13 | 福州大学 | 一种基于肢体动作预测的动态人机协作装配方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 余顺园: "弱图像信号复原理论与方法研究", vol. 978, 31 July 2021, 中国纺织出版社, pages: 8 - 17 * |
| 王泽楷: "智能光电感知", 31 August 2022 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102189269B1 (ko) | 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 | |
| CN105891233B (zh) | 基于机器视觉的镜片表面缺陷智能检测系统及其实现方法 | |
| CN111080693A (zh) | 一种基于YOLOv3的机器人自主分类抓取方法 | |
| CN110930357B (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 | |
| CN111383227A (zh) | 基于神经网络的刀具磨损类型识别方法及磨损值测定方法 | |
| CN102831378B (zh) | 人的检测和跟踪方法与系统 | |
| Pan et al. | Cognitive acoustic analytics service for Internet of Things | |
| CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警系统及方法 | |
| CN117422935B (zh) | 摩托车故障非接触式诊断方法及系统 | |
| CN107330440A (zh) | 基于图像识别的海洋状态计算方法 | |
| CN113450827A (zh) | 基于压缩神经网络的设备异常工况声纹分析算法 | |
| CN106682604B (zh) | 一种基于深度学习的模糊图像检测方法 | |
| CN117206063A (zh) | 基于深度学习的研磨智能控制系统及方法 | |
| CN116728406A (zh) | 基于支撑向量机的机械手体感识别控制系统 | |
| CN116168019B (zh) | 基于机器视觉技术的电网故障检测方法及系统 | |
| CN115310499B (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
| CN111251187A (zh) | 一种叶片磨削烧伤信息融合与特征提取方法及装置 | |
| CN108537105B (zh) | 一种家庭环境下的危险行为识别方法 | |
| CN113894779A (zh) | 一种应用于机器人交互的多模态数据处理方法 | |
| CN110147818B (zh) | 一种基于稀疏表示的激光焊接成型缺陷预测分类的方法 | |
| KR20200036599A (ko) | 기계 결함 진단 장치 및 방법 | |
| CN111445495B (zh) | 一种光照不均图像边缘检测方法 | |
| CN117104377B (zh) | 电动自行车的智能管理系统及其方法 | |
| CN115017959A (zh) | 一种人工智能超分辨信号分析与图像识别的方法与装置 | |
| CN117784710A (zh) | 数控机床远程状态监控系统及其方法 |
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 |