咨詢熱線:13080701712
                  返回 沈宇動態

                  驗證和優化監控干擾器DBNN參數

                      為了驗證優化攝像頭干擾器的DBNN參數,考慮了機器人目標識別的實驗。為了實驗目的,建立了六個機器人可抓取對象的數據庫,其中包括四種不同類型的螺絲起子,一個圓腳輪和一個小型電池。該數據庫由1200張圖像(每個對象200張圖像)組成,這些圖像具有不同的方向,監控屏蔽器位置和光照條件。
                   
                      首先,通用串行總線(USB)相機拍攝了攝像頭屏蔽器實驗環境的快照,并將該快照轉換為灰度圖像。然后,應用形態構造元素操作以檢測環境中存在的對象。根據大小為28像素×28像素的對象的質心分離檢測到的對象。通過重塑操作將每個圖像轉換為784個神經元的輸入向量。另外,執行了歸一化和混洗操作。然后,這些輸入向量穿過三個隱藏層。作為輸出,DBNN為每個輸入向量生成六個概率值​​,因為我們使用六種不同類型的對象訓練數據庫。從該概率值,識別出物體。例如,在圖5中將一個目標圖像(在這種情況下為紅黑螺絲刀)視為輸入。在處理此28像素×28像素的圖像之后,輸入向量穿過三個隱藏層。作為輸出,DBNN監控干擾器生成了六個概率值​​,包括0.0001、0.0028、0.9999、0.0001、0.0000和0.0000。屬于第三對象的最高概率值為0.9999。以相同的方式,可以識別其他對象。
                   
                      為了抓取機器人物體,使用了DENSO Corporation的PUMA機器人操縱器。機器人具有六個自由度。機器人可以使用機械手來抓取深度為32毫米,寬度為68毫米的任何物體。攝像頭干擾器在不同位置,方向和光照條件下進行了一系列物體識別和機器人拾放操作的實驗。實時實驗的快照如圖6所示。
                  高画质女尿盗撮_高黄色一区视频 真人_高级会所在线观看