[发明专利]基于蝙蝠算法优化BP神经网络双目视觉标定

说明书

本发明视觉测量双目标定方法属于光学测量与视觉检测领域；该方法包括以下几个步骤：确定BP神经网络隐含层层数、输入输出节点等初始参数；利用经验公式确定隐含层节点数范围，通过单因素方差分析法确定最佳隐含层节点数；根据蝙蝠算法回声定位原理，对BP神经网络的权重与偏置进行最优选取，确定最佳权重与偏置值；确定BP神经网络结构的各参数值，使像素点数据分布学习物方点数据分布，完成标定。本发明方法通过单因素方差分析法确定隐含层节点数并计算每一个神经网络在训练集上产生的误差,以训练集上产生的误差作为蝙蝠算法的适应度函数，利用蝙蝠算法控制参数少、优化精度和搜索精度高、鲁棒性强的特点，对其选取最佳的初始权重与偏置，解决了当前BP神经网络标定方法隐含层节点数无法确定、易陷入局部最优且收敛速度慢的问题。

技术领域

本发明属于光学测量与视觉检测领域，具体涉及一种蝙蝠算法优化BP神经网络双目视觉标定方法。

背景技术

近年来，机器视觉与视觉检测技术已经应用在许多领域中，如大型零部件测量、工业流水线检测等领域，视觉检测不但能减少人工费用，同时也能提高检测精度，避免了由检测人员产生的过失误差。

在通常的大型结构视觉标定研究中，研究重心主要放在构建复杂的数学模型的理论上，而摄像机标定的本质是使得像素点与物方点对应，其标定过程中的内参数是非线性函数，当求解非线性函数时采用数学模型的方法计算量大且标定精度不高。因此，在视觉标定中，有必要寻找到一种即能够避免复杂的计算又能保证精度的标定方法。

为了实现更有效、快速、精确的标定方法，本次发明提出一种基于蝙蝠算法优化的BP神经网络的双目视觉标定，蝙蝠算法具有结构简单、参数少、鲁棒性强、易于理解和实现等优点，将蝙蝠算法应用于神经网络优化中，效果更加明显。

发明内容

针对上述问题，本发明公开了一种基于蝙蝠算法优化BP神经网络双目视觉标定方法，该发明包括测量任务与目标分析，每个环节都对视觉标定的稳定性、精准度与通用性等方面产生影响。

本发明的目的是这样实现的：

基于蝙蝠优化BP神经网络双目视觉标定方法，其特征在于包括以下步骤：

步骤a：确定BP神经网络隐含层层数、输入、输出节点数；

步骤b：利用经验公式确定隐含层节点数范围，通过单因素方差分析法确定最佳隐含层节点数；

步骤c：利用蝙蝠算法对BP神经网络的权重与偏置选取最优值；

步骤d：确定BP神经网络结构的各参数值，使像素点数据分布学习物方点数据分布，完成标定。

上述蝙蝠算法优化BP神经网络双目视觉标定方法，所述步骤a具体为：

建立四种不同层数的BP神经网络双目视觉模型，采用实验法确定BP神经网络最佳的隐含层层数为3。根据双目视觉标定模型，如下所示，确定双目视觉标定时像素点为4个，物方点为3个。

在上式中i为摄像机的数量，1≤i≤2，i∈Z+，f为摄像机的焦距，r_i、T_i为世界坐标系到两台摄像机坐标系转换的旋转矩阵与平移矩阵，u_0i、v_0i是图像坐标系原点在像素坐标系中的坐标，dx、dy分别是像素坐标系在X方向和Y方向相邻像素间的距离。

上述蝙蝠算法优化BP神经网络双目视觉标定方法，所述步骤b具体为：

BP神经网络视觉标定中隐含层节点数范围确定公式为经验公式，是：

其中n为输入层节点数，m为输出层节点数、L为隐含层节点数，a为常数。