[发明专利]适用于智能机器人平台的图像深度信息检测方法及装置

权利要求书

1.一种适用于智能机器人平台的图像深度信息检测方法，其特征在于，包括：

利用安装在机器人身上的投影及图像采集装置，获取得到单帧变形条纹信息；

将所述单帧变形条纹信息输入至检测模型中，输出得到机器人视场中物体的三维信息；其中，所述检测模型由数据集对卷积神经网络模型进行训练得到。

2.根据权利要求1所述的检测方法，其特征在于，所述检测模型的构建方法，包括：

建立与实际系统相同的仿真系统；其中，所述仿真系统为设计一套相机、投影仪和三维物体的组合仿真系统；

通过所述仿真系统制作数据集；其中，所述数据集包括物体高度调制的变形条纹图及对应的深度图；

将所述数据集中的数据按照预设比例分为训练样本集、验证样本集和测试样本集；

设计初始网络结构与所述训练样本集中的数据进行训练，得到到训练后的模型；

在测试阶段将测试样本集中的数据输入到训练后的模型中，得到物体的深度信息；

若所述物体的深度信息与验证样本集中的数据的误差小于阈值，则将所述训练后的模型确定为检测模型。

3.根据权利要求2所述的检测方法，其特征在于，所述初始网络结构分为3部分：下采样、上采样和输出层；下采样部分进行特征提取，主由4部分组成：2个3×3卷积层、批归一化层、激活函数ReLU层，最后连接步长为2、核大小为2×2的最大池化层；上采样部分也是由4部分组成：步长为2、核大小为2×2的转置卷积，与此同时，在与下采样部分相同特征数量的块进行拼接，再经过2个3×3卷积层、批归一化层和激活函数ReLU层；输出层采用1×1卷积建立深度信息映射，输出物体深度。

4.根据权利要求2所述的检测方法，其特征在于，模型训练过程中的优化器选取Adam，初始学习率设置为0.0001，每经过20轮，学习率衰减为原来的十分之一，采用L2正则化，参数设置为0.001，网络的损失函数采用RMSE损失函数。

5.一种适用于智能机器人平台的图像深度信息检测装置，其特征在于，包括：

获取单元，用于利用安装在机器人身上的投影及图像采集装置，获取得到单帧变形条纹信息；

检测单元，用于将所述单帧变形条纹信息输入至检测模型中，输出得到机器人视场中物体的三维信息；其中，所述检测模型由数据集对卷积神经网络模型进行训练得到。

6.根据权利要求5所述的检测装置，其特征在于，所述检测模型的构建单元，包括：

建立单元，用于建立与实际系统相同的仿真系统；其中，所述仿真系统为设计一套相机、投影仪和三维物体的组合仿真系统；

制作单元，用于通过所述仿真系统制作数据集；其中，所述数据集包括物体高度调制的变形条纹图及对应的深度图；

划分单元，用于将所述数据集中的数据按照预设比例分为训练样本集、验证样本集和测试样本集；

训练单元，用于设计初始网络结构与所述训练样本集中的数据进行训练，得到到训练后的模型；

测试单元，用于在测试阶段将测试样本集中的数据输入到训练后的模型中，得到物体的深度信息；

确定单元，用于若所述物体的深度信息与验证样本集中的数据的误差小于阈值，则将所述训练后的模型确定为检测模型。

7.根据权利要求5所述的检测装置，其特征在于，所述初始网络结构分为3部分：下采样、上采样和输出层；下采样部分进行特征提取，主由4部分组成：2个3×3卷积层、批归一化层、激活函数ReLU层，最后连接步长为2、核大小为2×2的最大池化层；上采样部分也是由4部分组成：步长为2、核大小为2×2的转置卷积，与此同时，在与下采样部分相同特征数量的块进行拼接，再经过2个3×3卷积层、批归一化层和激活函数ReLU层；输出层采用1×1卷积建立深度信息映射，输出物体深度。

8.根据权利要求5所述的检测装置，其特征在于，模型训练过程中的优化器选取Adam，初始学习率设置为0.0001，每经过20轮，学习率衰减为原来的十分之一，采用L2正则化，参数设置为0.001，网络的损失函数采用RMSE损失函数。