[發(fā)明專利]基于GoogLeNet神經(jīng)網(wǎng)絡(luò)的魔方復(fù)原方法及其裝置

在審

• 申請?zhí)枺?/td>: 201810558003.5
• 申請日: 2018-06-01
• 公開（公告）號: CN108647689A
• 公開（公告）日: 2018-10-12
• 發(fā)明（設(shè)計(jì)）人: 崔金剛;周盛宗
• 申請（專利權(quán)）人: 中國科學(xué)院福建物質(zhì)結(jié)構(gòu)研究所
• 主分類號: G06K9/40
• 分類號: G06K9/40;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京元周律知識產(chǎn)權(quán)代理有限公司 11540
• 代理人: 李花

1.一種基于GoogLeNet神經(jīng)網(wǎng)絡(luò)的魔方復(fù)原方法，其特征在于，包括如下步驟：

步驟S100：分別獲取復(fù)原和打亂狀態(tài)下所述魔方各面的多幅訓(xùn)練圖像，集合所述訓(xùn)練圖像作為魔方訓(xùn)練集；

步驟S200：用所述魔方訓(xùn)練集訓(xùn)練所述GoogLeNet神經(jīng)網(wǎng)絡(luò)，得到訓(xùn)練神經(jīng)網(wǎng)絡(luò)，獲取待復(fù)原魔方各面圖像并用所述訓(xùn)練神經(jīng)網(wǎng)絡(luò)識別所述待復(fù)原魔方各面的顏色分布，得到識別結(jié)果；

步驟S300：根據(jù)所述識別結(jié)果計(jì)算魔方復(fù)原步驟，根據(jù)所述魔方復(fù)原步驟對所述待復(fù)原魔方進(jìn)行復(fù)原。

2.根據(jù)權(quán)利要求1所述的基于GoogLeNet神經(jīng)網(wǎng)絡(luò)的魔方復(fù)原方法，其特征在于，所述步驟S100還包括對所述訓(xùn)練圖像進(jìn)行預(yù)處理得到所述魔方訓(xùn)練集；

所述預(yù)處理包括：

步驟S110：獲取所述訓(xùn)練圖像的RGB圖像，依序采用均值中心化方法和歸一化方法處理所述RGB圖像得到歸一圖像；

步驟S120：使用零填充放大所述歸一圖像尺寸，得到放大圖像；

步驟S130：依序?qū)λ龇糯髨D像進(jìn)行高斯模糊平滑、降噪處理后，再將所述放大圖像轉(zhuǎn)換為HSV色彩空間并在HSV顏色空間中定義所述魔方中各塊的顏色邊界二進(jìn)制掩碼；

步驟S140：采用所述顏色邊界二進(jìn)制掩碼識別所述訓(xùn)練圖像中的魔方色塊，根據(jù)所述魔方色塊進(jìn)行彩色分割處理后，得到小斑點(diǎn)，采用圖像膨脹處理算法填充各所述小斑點(diǎn)。

3.根據(jù)權(quán)利要求1所述的基于GoogLeNet神經(jīng)網(wǎng)絡(luò)的魔方復(fù)原方法，其特征在于，所述步驟S300中所述魔方的復(fù)原步驟為由機(jī)械臂根據(jù)所述魔方復(fù)原步驟完成復(fù)原操作；

所述步驟S100中所述訓(xùn)練圖像的獲取由所述機(jī)械臂夾持所述魔方轉(zhuǎn)動獲取所述魔方各面圖像，并由所述機(jī)械臂對所述魔方進(jìn)行打亂操作得到打亂狀態(tài)下的魔方。

4.根據(jù)權(quán)利要求3所述的基于GoogLeNet神經(jīng)網(wǎng)絡(luò)的魔方復(fù)原方法，其特征在于，所述機(jī)械臂與所述攝像裝置控制連接，所述攝像裝置獲取所述魔方一面的圖像后，控制所述機(jī)械臂轉(zhuǎn)動所述魔方或?qū)λ瞿Х竭M(jìn)行任意打亂操作。

5.根據(jù)權(quán)利要求1所述的基于GoogLeNet神經(jīng)網(wǎng)絡(luò)的魔方復(fù)原方法，其特征在于，所述訓(xùn)練圖像和所述待復(fù)原魔方的各面圖像均由微軟kinect深度攝像頭獲取。

6.根據(jù)權(quán)利要求1所述的基于GoogLeNet神經(jīng)網(wǎng)絡(luò)的魔方復(fù)原方法，其特征在于，所述“根據(jù)所述識別結(jié)果計(jì)算魔方復(fù)原步驟”采用兩相算法完成。

7.根據(jù)權(quán)利要求1所述的基于GoogLeNet神經(jīng)網(wǎng)絡(luò)的魔方復(fù)原方法，其特征在于，所述步驟S200還包括以下步驟：

步驟S210：將所述魔方訓(xùn)練集輸入所述GoogLeNet神經(jīng)網(wǎng)絡(luò)，采用監(jiān)督學(xué)習(xí)對所述GoogLeNet神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練，得到第一訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并對滿足清晰度和識辨率要求的圖像輸出標(biāo)簽，得到標(biāo)簽圖像；

步驟S220：對所述標(biāo)簽圖像進(jìn)行預(yù)處理后，得到預(yù)處理圖像集，采用所述預(yù)處理圖像集通過反向傳播算法對所述第一訓(xùn)練神經(jīng)網(wǎng)絡(luò)進(jìn)行監(jiān)督學(xué)習(xí)迭代訓(xùn)練，得到所述訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

8.一種基于GoogLeNet神經(jīng)網(wǎng)絡(luò)的魔方復(fù)原裝置，其特征在于，包括：

訓(xùn)練集獲取模塊，用于分別獲取復(fù)原和打亂狀態(tài)下所述魔方各面的多幅訓(xùn)練圖像，集合所述訓(xùn)練圖像作為魔方訓(xùn)練集；

識別模塊，用于用所述魔方訓(xùn)練集訓(xùn)練GoogLeNet神經(jīng)網(wǎng)絡(luò)，得到訓(xùn)練神經(jīng)網(wǎng)絡(luò)，獲取待復(fù)原魔方各面圖像并用所述訓(xùn)練神經(jīng)網(wǎng)絡(luò)識別所述待復(fù)原魔方各面的顏色分布，得到識別結(jié)果；

復(fù)原模塊，用于根據(jù)所述識別結(jié)果計(jì)算魔方復(fù)原步驟，根據(jù)所述魔方復(fù)原步驟對所述待復(fù)原魔方進(jìn)行復(fù)原。

9.根據(jù)權(quán)利要求8所述的基于GoogLeNet神經(jīng)網(wǎng)絡(luò)的魔方復(fù)原裝置，其特征在于，所述訓(xùn)練集獲取模塊包括：

預(yù)處理模塊，用于對所述訓(xùn)練圖像進(jìn)行預(yù)處理得到所述魔方訓(xùn)練集。

10.根據(jù)權(quán)利要求8所述的基于GoogLeNet神經(jīng)網(wǎng)絡(luò)的魔方復(fù)原裝置，其特征在于，所述識別模塊包括：第一迭代訓(xùn)練模塊，用于將所述魔方訓(xùn)練集輸入所述GoogLeNet神經(jīng)網(wǎng)絡(luò)，采用監(jiān)督學(xué)習(xí)對所述GoogLeNet神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練，得到第一訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并對滿足清晰度和識辨率要求的圖像輸出標(biāo)簽，得到標(biāo)簽圖像；

第二迭代訓(xùn)練模塊，用于對所述標(biāo)簽圖像進(jìn)行預(yù)處理后，得到預(yù)處理圖像集，采用所述預(yù)處理圖像集通過反向傳播算法對所述第一訓(xùn)練神經(jīng)網(wǎng)絡(luò)進(jìn)行監(jiān)督學(xué)習(xí)迭代訓(xùn)練，得到所述訓(xùn)練神經(jīng)網(wǎng)絡(luò)。