基于人工神经网络的三维视觉测量系统地研究.pdfVIP

基于人工神经网络的三维视觉测量系统的研究 吕乃光 邓文怡 冯 迪董明利 (北京机挂工业学院机电工程景北京io嘲5) ■■：三维立体视觉系统已广泛应用于三堆形体检测辞请多方面．针对该系统韵、像非 蟪性关系的确定，提出了基于人工神髭罔培的新的翻量方法，同时挺出了加快网络训蒜遮 度、曩膏丹培训壕精度盼新方法．并培出了学习和■量结果，奠证了此方法的正确挂。这种 方法降低了对系统车身精度的要求．且不用考虑遗■膏变的髟响。 关■谓：三维槐黉三维测量人工神经同络 i引言 立体视觉系统是近二十几年才发展起来的一种新兴三维测量方法，特别对于大尺寸物体或实 时测量，其表现出相当强的生命力。但传统的立体视觉方法是基于三角测量原理，在考虑到透镜 的径向、忉向畸变后，谖方法将带来很复杂的非线性系统误差【11、H】．且对舅量系统要求较高。本文 提出的基于神经网培…的立体视觉系统研究方珐，是一种新的研究方法，不仅能在一定程度上清 除了非线性固奢的影响，而且降低了对系统的要求。训练好的罔络几乎可以进行实时测量．获取 物体盼三维信息。该方法是对非接船、大尺寸物体实时测量的立体视觉系统研究方法的有益探 索。本文将从系统蹶理、系统学习测量方法和实验等方面对这一系统进行详细阐述，并提出一种 提高阿络训练速度和精度的方法。 2系统原理 若忽略透镜畸变影响，立体视觉是基于小孔成象原理。从三雏物空间到二维像空向是一个投 影变换关系，遥过两只摄像机(相似于人的双跟)，由投影逆变换可以从两副二维田像巾获得钉体 舶三肇信息，考虑透镜径向、切向畸变等非线性因素后，违一f可晨将变成一复杂的菲线性方程求解 问题。基于人工神经网络的立体视觉系统就是用三层前向璺BP弼锘来模拟钧、像对应关系，蔼畸 变、环境因素所带来的非线性误差都将通过网络的学习被分散到各神经元之间的连接权值上，当 网络的纂出值与学习样本值的均方误差满足系统精度要 求，即可认为学习成功。对于学成的同络可遥过其自回忆 功能进行实时的物体三维信息获取工作。本文选用的三层 前向型BP网络的拓扑结构如图l所示“1，输人矩阵为=摄 像机的二维像面坐标，辖出矩阵为物体的空间三维坐标。 神经元的输入)(i都赋以权值矩阵w中的相应权值，加权的 输入和经传递函数f作用得到输出矩阵Y。即 M‘F=∑既如 (1) 田1用培拓扑结构 h=／(“_) (2) 一119一 通过使网络输出均方误差最小原则进行权值修正，误差函数为 巨：{∑(吖一K)2 (3) 式中吖表示第★个训练模式输出节点，的期望输出，h为相应的实际输出。BP算法的权值惨正 公式表示为 ％(I+1)=％(‘)+_‘∑如‘孔 (4) 舯 ％={嚣品)。if训(net。二嚣燃 此外，为了防止一个训练样本转化为另一个样本时，由于开始误差值根大而引起权系数的过 谓，往往引入一惯性项以减小过调量，故权值公式又可写成 (5) tL-(t+1)=既(t)+7∑钆R+a[既(I)一日(I一1)] 其中日为学习效率，。为动量因子，二者可根据训练情况在0—1之间动态调节。 3系统学习测量方法 本系统采用的耙标由一金属平板上仲出的长短不一的等直径金属圆柱体构成，空间范圈约 为：240x400x130ram3，共有靶点57个，其空间坐标已在三坐标机上精确测量。为了提高学习测 量精度，学习点散．确切说，单位体积的点密度越高越好。显然若待测工件的空间范圈内的所有点 皆麓学习过，冀涓量糟度完全可由学习精度 --