[发明专利]一种基于嵌入式系统的纹理识别平台

权利要求书

1.一种基于嵌入式系统的纹理识别平台，包括：柔性压力传感器、下位机和上位机，其中下位机包括数据采集模块和纹理识别模块，数据采集模块包括采集通道控制模块和模数转换采集模块，其特征在于，纹理识别模块包括数据滤波模块、尺度划分模块、特征提取模块和识别分类模块；

下位机接收上位机给出的数字控制信号，通过采集通道控制模块控制传感器采集数据，采集通道控制模块的输出信号用来控制柔性压力传感器采集通道的通断，以此来获得相应通道的压力信号；数据采集模块采集到柔性压力传感器的压力信号后，模数转换采集模块对输入信号进行模数转换操作，之后将转换完成的数据传输到纹理识别模块中的数据滤波模块进行滤波处理；

所述的柔性压力传感器，包括三个部分：四指部分、拇指部分和手掌部分，拇指部分传感器是一个整体的电极阵列；四指部分传感器由四个手指形状的电极阵列组成；手掌部分传感器是一个整体的电极阵列；

尺度划分模块，用来将滤波后的数据按照不同时间尺度进行划分，方法为：将一个采样周期内采集到的数据划分成不同时间尺度的数据，每个采样周期内采集到T_n帧数据，尺度划分模块按照设定的比例关系将采集到的数据分成不同帧数的数据，分别存储在不同地址的SRAM中；

特征提取模块用来提取不同时间尺度下的数据特征，并将提取到的特征加权平均，作为最终的特征，方法为：提取不同时间尺度下的数据特征，从SRAM中读出不同尺度的数据后，将数据投入到相应路径中的卷积神经网络中，利用卷积神经网络来提取特征，提取的特征以特征向量的形式输出，最后对不同路径的特征向量加权平均，得到最终的特征向量；

卷积神经网络模型的计算任务主要集中在卷积层，卷积层的计算原理为输入图像矩阵与卷积窗权重矩阵的遍历相乘，输入图像矩阵由柔性压力传感器三个部分的数据按手掌形状排列整合而成，输入图像矩阵的左上部分为四指部分，左下部分为手掌部分，右下部分为拇指部分，其余部分全部填充为0，三个部分的并行计算由三块嵌入式芯片完成，三块芯片分别采集四指部分、拇指部分和手掌部分的压力数据，然后将采集到的数据输入到多尺度卷积神经网络中，获得相应的识别结果，最后将各部分的识别结果发送到上位机中整合得到最终的纹理识别结果。

2.根据权利要求1所述的纹理识别平台，其特征在于：卷积神经网络模型采用多尺度卷积神经网络，不同路径中的主干网络结构相同，每条通路中有6个卷积层、2个池化层和1个全连接层，并且卷积核的尺寸为3*3，池化窗的尺寸为2*2；不同路径中的卷积核个数是不同的，到相邻路径的卷积核的数量增加了一倍，第一条路径中的卷积核的个数分别为32、32、64、64、128、128，其余路径的卷积核个数是上一条路径的卷积核个数的两倍。

3.根据权利要求2所述的识别系统，其特征在于：采用二尺度卷积神经网络，二尺度卷积神经网络具有两个时间尺度，分别对应两条路径，在第一条路径中，采样周期中的所有数据都被输入到卷积神经网络的骨干网络中；输入数据的大小为T1×H×W，其中T1是来自一个采样周期序列的连续帧数，H是采样数据矩阵的行数，W是采样数据矩阵的列数；将输入数据逐个或分批输入到骨干网络中，然后经过卷积神经网络提取特征，得到特征向量；在第二条路径中，帧数从T1减少到α*T1，α小于1，从而聚焦于持续1/α倍于第一路径中的模式的运动模式。

4.根据权利要求2所述的识别系统，其特征在于：采用四尺度卷积神经网络，具有四个时间尺度，分别对应四条路径。

5.根据权利要求1所述的纹理识别平台，其特征在于：卷积神经网络的硬件实现采用并行计算的硬件架构，该并行架构基于3块STM32嵌入式芯片实现，3块芯片分别负责采样柔性压力传感器的拇指部分、四指部分和手掌部分的压力数据，并且对采集到的压力数据进行相应的卷积神经网络模型计算，对于确定好的神经网络模块，每块芯片的SRAM中都存储相同的模型参数。