[发明专利]一种基于嵌入式系统的纹理识别平台

说明书

本发明涉及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。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。

技术领域

本发明涉及智能感知与特征识别领域，特别是一种基于触觉压力的纹理识别系统。

背景技术

纹理特征是机器人区分物体的重要参考，纹理识别的研究对机器人发展具有重要意义。近年来，机器学习的发展为纹理识别提供了巨大的帮助，卷积神经网络由于其在图像识别上的优势得到了越来越多的青睐。如何利用机器学习的优势提高纹理识别的准确率仍然是当前研究发展的主流方向。同时为了能将纹理识别应用在机器人上，神经网络模型的硬件实现也是纹理识别领域未来发展的重要内容。

发明内容

本发明提出一种基于嵌入式系统的纹理识别平台。该系统首先通过柔性压力传感器和STM32下位机采集柔性压力传感器在不同纹理表面滑动过程中的压力数据，之后在STM32下位机中利用神经网络模型对纹理数据进行识别，最后在上位机中对识别结果进行实时显示。在神经网络模型硬件实现部分，本平台采用了一种并行计算的硬件架构，将采集到的压力数据分成三部分在3块STM32芯片上并行计算，相比于传统的串行计算架构，并行计算下的卷积神经网络模型计算时间减少到原来的四分之一。在神经网络模型部分，采用多尺度卷积神经网络进行特征提取和纹理识别，相比于传统的AlexNet、VGG16等网络模型，多尺度卷积神经网络模型显著的提高了纹理识别的准确率。本发明解决所述技术问题采用的技术方案是：

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；