陕西理工大学机械工程学院张鹏超教授团队基于视觉引导的机器人自主装配关键技术及装备技术
张鹏超 男，1977年生，工学硕士，教授，硕士生导师，陕西省工业自动化重点实验室常务副主任。主持并完成陕西省科技厅工业科技攻关项目1项、陕西省科技厅统筹创新工程计划项目1项、陕西省教育厅重点项目2项、陕西省教育厅专项项目1项；参与国家自然科学基金青年科学基金项目及其它省部级项目的研究工作。在国内外重要刊物上发表学术论文35篇，其中SCI收录8篇、EI收录8篇、CSCD收录6篇，授权国家发明专利15项。以第一完成人获陕西省科学技术二等奖 2 项、三等奖 1项，陕西省电子学会科学技术奖二等奖1项，陕西理工大学优秀科技成果奖一等奖2项。
研究方向
1.智能控制理论与应用
研究方向简介：主要研究方向有针对机械臂路径规划问题的“变参递归神经网络的研究与应用”、针对目标识别问题的“卷积神经网络的研究与应用”、针对移动机器人协同控制问题的“模糊滑膜控制理论的研究与应用”、针对多机器人路径规划问题的“多机器人避碰协调控制算法的研究与应用、针对水果采摘机器人的研究与应用。
2.计算机视觉研究
研究方向简介：主要研究方向有针对地图构建问题的“视觉SLAM算法研究与应用”、针对复杂环境下图像失真问题的“图像增强算法的研究与应用”、针对朱鹮检测算法模型参数多问题的“朱鹮检测算法轻量化的研究与应用”、针对水果识别效率低的问题的水果图像分割的研究与应用。
基于视觉引导的机器人自主装配关键技术及装备技术介绍：
研究视觉装配机器人应用中的目标检测定位技术及机械臂柔顺控制技术，提高复杂环境下装配机器人的控制精度及工作效率，主要进行了基于视觉的移动机械臂高精度定位检测技术及控制器开发；工业机器人专用高速伺服控制器研究与应用；基于卷积神经网络的零件识别与测量方法研究；面向装配机器人的机械臂柔顺控制方法研究等。系列成果先后荣获陕西高等学校科学技术二等奖、陕西省电子学会科学技术二等奖、陕西省科学技术三等奖。
【 中文摘要 】本发明提出一种基于深度学习的人体行为识别算法，(1)对输入视频段进行预处理；(2)构建网络模型RD3D；(3)定义损失函数、准确率和优化器的操作；(4)训练网络模型包括以下子步骤：(41)初始化参数；(42)学习率为0.0001，batchsize为16；(43)由RD3D模型前向传播的值与真实标签计算损失，并将该损失通过反向传播更新权重参数；(44)训练100个epoch后结束训练；(5)测试结果。本发明从特征角度来追求识别算法精度，克服了目前算法对数据集严重依赖的问题，降低了对数据集类型的敏感度，可以应用在任意行为识别数据集上。
【 英文摘要 】The present invention proposes a human behavior recognition algorithm based on deep learning, (1) preprocessing the input video segment; (2) Build network model RD3D; (3) Define the loss function, accuracy and optimizer operation; (4) Training the network model includes the following sub-steps : (41) Initializing parameters; (42) The learning rate is 0.0001 and the batchsize is 16; (43) Calculate the loss from the forward propagated value of the RD3D model and the real label, and update the weight parameters of the loss through back propagation; (44) End the training after training 100 epoch; (5) Test results. The invention pursues the recognition algorithm precision from the characteristic angle, overcomes the problem that the current algorithm relies heavily on the data set, reduces the sensitivity to the type of the data set, and can be applied to any behavior recognition data set.
【 DWPI用途 】
针对行为识别数据集的基于深度学习的人体行为识别算法。
【 DWPI优势 】
该算法从特征角度寻求识别算法精度，克服了现有算法对数据集依赖性大的问题，降低了数据集类型的敏感性。
【 DWPI新颖性 】
该算法具有用于预处理输入视频部分的指令集。 构建网络模型残差稠密三维(Residual Dense Three Dimension，RD3D)。 定义优化器的损失函数和操作。 训练网络模型。 参数被初始化。 Loss根据损失函数通过RD3D模型对ward传播值和真实标签进行计算。 结束训练后训练一个时代。 测试结果。 采用二次采样算法从图像数据集中统一采集帧。 将采集到的数据集按照比例分为训练集和测试集。
【 用途 】
| 信息通信 | 数据 | 行为识别数据集 |
| 计算控制 | 学习方法 | 深度学习 |
| 计算方法 | 人体行为识别算法 |
【 技术功效 】
| 技术功效句 | 损失越小; 降低了对数据集类型的敏感度; 对数据集的类型不敏感; 步骤为提高识别准确率; 从而提高识别准确率; 克服了目前算法对数据集严重依赖的问题 |
| 技术功效短语 | 损失小; 降低类型敏感度; 不敏感; 提高识别准确率; 克服严重依赖问题 |
| 技术功效1级 | 损失; 敏感度; 敏感性; 精度; 依赖 |
| 技术功效2级 | 损失降低; 敏感度降低; 敏感性避免; 精度提高; 依赖避免 |
| 技术功效3级 | 损失降低; 类型敏感度降低; 敏感性避免; 识别精度提高; 严重问题依赖避免 |
| 技术功效TRIZ参数 | 23-物质损失;28-测量精度; |
【技术分类】
| 主分类号 | G06V40/20; G 物理 G06 计算；推算或计数 G06V 图像或视频识别或理解 笔记 1.本子类涵盖： 特别适用于图像或视频的模式识别或机器学习的方法或安排。 2. 在本小类中，下列术语或表述的使用具有指明的含义： “模式识别”是指通过获取、预处理或提取显着特征并对这些特征或其表示进行匹配、聚类或分类，对模式进行检测、分类、认证和识别，以用于解释目的或在图像或视频中推导出某种含义； “特征提取”是指从图像或视频中得出描述性或定量的度量； “聚类”是指根据模式的（不同）相似性或接近程度对模式进行分组或分离； “分类”是指通过分配标签将对象/特征识别为属于一类对象/特征。 3.在本小类中，归入G06V20/00-G06V40/00组的主题，如果识别依赖于获取或预处理阶段的特定处理，则也分别归入G06V10/10或G06V10/20组。[2022.01] G06V40/00 识别图像或视频数据中的生物特征、人类相关或动物相关模式[2022.01] *G06V40/20 动作或行为，例如 手势识别（面部表情识别 G06V40/16）[2022.01]
|
| IPC分类号 | |
| CPC分类号 | G06N3/084; G06V40/20; G06N3/045; G06F18/241; G06F18/214; |
| DWPI分类号 | T01; |
| DWPI手工代码 | T01-J04A; T01-J10B2A; T01-J16C1; T01-N01B3A; |
【行业分类】
| 国民经济行业分类 | 制造业信息传输、软件和信息技术服务业 |
| 国民经济行业(主) | 信息传输、软件和信息技术服务业 |
| 新兴产业分类 | 互联网与云计算、大数据服务 |
| 知识密集型分类 | 信息通信技术制造业信息通信技术服务业 |
| 学科分类 | 工程 |
| 数字经济核心产业 | 数字产品制造业数字技术应用业数字要素驱动业 |
CN202010676134.0(当前专利)
申请号
| 代理机构 | 成都方圆聿联专利代理事务所(普通合伙) 51241 |
| 代理人 | 李鹏 |
| 申请语言 | 汉语 |
| 审查员 | 肖明月 |
