验证和优化监控干扰器DBNN参数

    为了验证优化摄像头干扰器的DBNN参数，考虑了机器人目标识别的实验。为了实验目的，建立了六个机器人可抓取对象的数据库，其中包括四种不同类型的螺丝起子，一个圆脚轮和一个小型电池。该数据库由1200张图像（每个对象200张图像）组成，这些图像具有不同的方向，监控屏蔽器位置和光照条件。

 

    首先，通用串行总线（USB）相机拍摄了摄像头屏蔽器实验环境的快照，并将该快照转换为灰度图像。然后，应用形态构造元素操作以检测环境中存在的对象。根据大小为28像素×28像素的对象的质心分离检测到的对象。通过重塑操作将每个图像转换为784个神经元的输入向量。另外，执行了归一化和混洗操作。然后，这些输入向量穿过三个隐藏层。作为输出，DBNN为每个输入向量生成六个概率值​​，因为我们使用六种不同类型的对象训练数据库。从该概率值，识别出物体。例如，在图5中将一个目标图像（在这种情况下为红黑螺丝刀）视为输入。在处理此28像素×28像素的图像之后，输入向量穿过三个隐藏层。作为输出，DBNN监控干扰器生成了六个概率值​​，包括0.0001、0.0028、0.9999、0.0001、0.0000和0.0000。属于第三对象的最高概率值为0.9999。以相同的方式，可以识别其他对象。

 

    为了抓取机器人物体，使用了DENSO Corporation的PUMA机器人操纵器。机器人具有六个自由度。机器人可以使用机械手来抓取深度为32毫米，宽度为68毫米的任何物体。摄像头干扰器在不同位置，方向和光照条件下进行了一系列物体识别和机器人拾放操作的实验。实时实验的快照如图6所示。