[发明专利]基于太赫兹无线感知的触觉粗糙度测量模型训练方法、测量方法及设备

说明书

本发明提供一种基于太赫兹无线感知的触觉粗糙度测量模型训练方法、测量方法及设备，包括：获取包含多个待测物体多角度的太赫兹反射信号，以构建训练样本集；对反射信号依次进行数据预处理、快速傅里叶变换和散射特征提取，分别得到时域信号及其时域特征、频域信号及其频域特征和散射特征；获取多材料粗糙度推理网络，该多材料粗糙度推理网络为双输入的二维卷积网络，将时域信号作为其第一输入，将时域特征、频域特征和散射特征作为其第二输入；利用训练样本集对多材料粗糙度推理网络进行训练，最终得到粗糙度测量模型。本发明能够基于粗糙度测量模型提取待测物体表面的粗糙度评价参数，实现无接触的高精度的物体表面粗糙度测量。

技术领域

本发明涉及无线识别技术领域，尤其涉及一种基于太赫兹无线感知的触觉粗糙度测量模型训练方法、测量方法及设备。

背景技术

触觉是除了视觉和听觉外，人类对物理世界进行探索的第三大感知方式，人类进行触觉感知主要依赖于遍布全身的触觉神经细胞，能够感知外界环境信息，如温度、湿度，以及外界物体对皮肤表面物理接触的刺激，如疼痛、压力、振动等方面的感觉，这些外界对皮肤表面的刺激能帮助我们认知粗糙程度、物体形状、物体大小、物体重量等信息，这些信息是人类进行生产生活等活动不可或缺的。

现有的粗糙度测量方法通常采用接触式的解决方案，可分为以下三种。方案一为基于接触式探针粗糙度测量方法，该方法需要将待测物体和测量设备进行垂直固定，且只能朝下测量，并且测量不同类型的物体需要配置不同的探测头，过程非常繁琐；方案二为基于视觉的可形变胶体粗糙度成像方法，该方法将可形变胶体挤压在被测物体上，可形变胶体后方设置摄像头进行拍照，利用预设深度学习模型将物体表面进行可视化，但此方法只能对表面进行定性地测量，无法进行定量地测量；方案三为基于白光干涉的方法，该方法主要用于实验室环境，是目前精度比较高的测量方法，理论极限能够测量原子粒度的表面粗糙度，但该技术本质上是光学3D建模，所需设备庞大且昂贵，并难以小型化，该方法在实施时，测量时间长、数据处理复杂，因此很难在实际测量进行普及。

发明内容

鉴于此，本发明实施例提供了一种基于太赫兹无线感知的粗糙度测量模型训练方法、测量方法及设备，以消除或改善现有技术中存在的一个或多个缺陷，解决现有粗糙度测量技术存在的测量时间长、测量过程繁琐、数据处理复杂以及必须接触测量的问题。

一方面，本发明提供一种基于太赫兹无线感知的触觉粗糙度测量模型训练方法，其特征在于，所述方法包括以下步骤：

获取训练样本集，所述训练样本集包含多个样本，每个样本包括待测物体多角度接收预设太赫兹时域光谱仪发射信号后反射回的反射信号；所述待测物体固定在所述太赫兹时域光谱仪的收发天线的预设距离处；

将所述反射信号进行数据预处理，得到时域信号并提取时域特征；将所述时域信号进行快速傅里叶变换，生成相应的频域信号并提取频域特征；将所述频域信号输入预设的散射特征提取器，以提取相应的散射特征；所述散射特征提取器选用菲涅尔反射模型，并设有校正因子以评价所述待测物体表面的粗糙程度；

获取多材料粗糙度推理网络，所述多材料粗糙度推理网络为双输入的二维卷积网络；将所述时域信号作为第一输入，将所述时域特征、所述频域特征和所述散射特征作为第二输入，同时输入所述多材料粗糙度推理网络，以得到所述待测物体表面的粗糙度评价参数；

利用所述训练样本集对所述多材料粗糙度推理网络进行训练，直至满足预设性能指标，将训练好的多材料粗糙度推理网络作为最终的粗糙度测量模型。

在本发明的一些实施例中，还包括：

将所述反射信号进行数据预处理时，获取所述太赫兹时域光谱仪的频谱范围，对所述反射信号进行带通滤波处理；

将所述时域信号进行快速傅里叶变换之前，对所述时域信号进行2倍插值处理，以提升分辨率。