[发明专利]基于深度学习的智能机器人视觉技术应用检测系统和方法

说明书

本发明提供一种基于深度学习的智能机器人视觉技术应用检测系统和检测方法，该检测方法包括用于产生被测目标状态第一和/或第二特征的目标状态识别模块、用于接收每一个预定时间间隔输入的条件参数或环境参数特征的参数特征输入模块、状态特征合成模块、策略计算模块和校准模块；本发明在形成目前被测目标物体的状态过程中，检测策略中结合图像处理系统所获得的被测目标物体状态与其它参数特征相结合，并采用增加无监督学习的方法，得到后续过程的优化检测策略。

技术领域

本发明涉及集成电路技术应用领域，尤其涉及一种基于深度学习的智能机器人视觉技术应用检测系统和检测方法。

背景技术

目前，随着现今科学技术与人工智能领域的不断进步，人们的生活方式正在不断改变，大量繁琐复杂的工作现在都可以通过计算机来完成，尤其随着智能机器人等领域的不断发展，越来越需要计算机以模拟人体视觉的方式代替人们解决实际的需求和问题。因此包括图像检测在内的计算机视觉领域开始成为现今人工智能技术的重要分支。

图像检测(object detection通常是给接收到的图像中的多个不同物体进行分类和定位。图像检测在内的计算机视觉应用领域一直是引领机器学习(Machine Learning,ML)科技的进步。

机器学习是一门多领域交叉学科，其主要使用归纳、综合而不是演绎，应用于人工智能的各个领域，专门研究计算机怎样模拟-或实现人类的学习行为，以获取新的知识或技能，并重新组织已有的知识结构使之不断改善自身的性能。

机器视觉是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种)将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。

请参阅图1，图1所示为智能机器人视觉技术控制系统的原理示意图。如图所示，其包括目标识别模块、控制策略产生模块、控制模块和所获得的目标状态等。

例如，伦敦帝国理工学院(Imperial College London)的研究人员在无人机上安装多光谱相机，这些相机将使用特殊的过滤器从选定的电磁光谱区域捕捉反射光。请参阅图2，图2所示为现有技术中的视觉技术应用检测的光谱图像示意图。如图所示，有病害的植物通常会显示出一种有别于健康植物“光谱特征”。

然而，上述检测结果所提取特征只是显示了目前被测目标物体的状态，对后续植物健康控制策略的形成还需与其它参数特征相结合，例如，植物的环境参数和所喷液体的时间和用量等。

因此，如何在形成控制策略中结合图像处理系统所获得的被测目标物体状态与其它参数特征相结合，得到后续系统的优化检测策略，是目前急需解决的问题。

发明内容

针对上述现有技术存在的技术缺陷，本专利提供一种基于深度学习的智能机器人视觉技术应用检测系统。为实现上述目的，本发明的技术方案如下：

该基于深度学习的智能机器人视觉技术应用检测系统，其包括：

目标状态识别模块，用于产生被测目标状态第一和/或第二特征，其包括图像获取单元，图像处理分析单元和图形交互单元；其中，所述图像获取单元按预定时间间隔将被检测的目标转换成图像信号，传送给所述图像处理分析单元，所述图像处理分析单元将所述图像信号转变成数字信号，并对所述数字信号进行运算来抽取目标状态的特征参数，所述图形交互单元将所述目标状态的特征参数与第一特征相似度标签集中的标签进行比较，输出所述目标状态的第一特征；其中，预设的输出目标状态的第一特征由目标状态初始化模块产生；所述第一特征相似度标签集中的标签通过机器有监督学习方式获得；

参数特征输入模块，用于接收每一个所述预定时间间隔输入的条件参数或环境参数特征；