[發明專利]一種基于嵌入式系統的紋理識別平臺

在審

• 申請號: 202111189328.9
• 申請日: 2021-10-12
• 公開（公告）號: CN113989862A
• 公開（公告）日: 2022-01-28
• 發明（設計）人: 魏熙樂;胡本勇;高天時;王江;鄧斌;伊國勝
• 申請（專利權）人: 天津大學
• 主分類號: G06V40/13
• 分類號: G06V40/13;G06V40/12;G06N3/04;G06V10/82;G06V10/54;G01L5/00
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 程毓英

1.一種基于嵌入式系統的紋理識別平臺，包括：柔性壓力傳感器、下位機和上位機，其中下位機包括數據采集模塊和紋理識別模塊，數據采集模塊包括采集通道控制模塊和模數轉換采集模塊，其特征在于，紋理識別模塊包括數據濾波模塊、尺度劃分模塊、特征提取模塊和識別分類模塊；

下位機接收上位機給出的數字控制信號，通過采集通道控制模塊控制傳感器采集數據，采集通道控制模塊的輸出信號用來控制柔性壓力傳感器采集通道的通斷，以此來獲得相應通道的壓力信號；數據采集模塊采集到柔性壓力傳感器的壓力信號后，模數轉換采集模塊對輸入信號進行模數轉換操作，之后將轉換完成的數據傳輸到紋理識別模塊中的數據濾波模塊進行濾波處理；

所述的柔性壓力傳感器，包括三個部分：四指部分、拇指部分和手掌部分，拇指部分傳感器是一個整體的電極陣列；四指部分傳感器由四個手指形狀的電極陣列組成；手掌部分傳感器是一個整體的電極陣列；

尺度劃分模塊，用來將濾波后的數據按照不同時間尺度進行劃分，方法為：將一個采樣周期內采集到的數據劃分成不同時間尺度的數據，每個采樣周期內采集到T_n幀數據，尺度劃分模塊按照設定的比例關系將采集到的數據分成不同幀數的數據，分別存儲在不同地址的SRAM中；

特征提取模塊用來提取不同時間尺度下的數據特征，并將提取到的特征加權平均，作為最終的特征，方法為：提取不同時間尺度下的數據特征，從SRAM中讀出不同尺度的數據后，將數據投入到相應路徑中的卷積神經網絡中，利用卷積神經網絡來提取特征，提取的特征以特征向量的形式輸出，最后對不同路徑的特征向量加權平均，得到最終的特征向量；

卷積神經網絡模型的計算任務主要集中在卷積層，卷積層的計算原理為輸入圖像矩陣與卷積窗權重矩陣的遍歷相乘，輸入圖像矩陣由柔性壓力傳感器三個部分的數據按手掌形狀排列整合而成，輸入圖像矩陣的左上部分為四指部分，左下部分為手掌部分，右下部分為拇指部分，其余部分全部填充為0，三個部分的并行計算由三塊嵌入式芯片完成，三塊芯片分別采集四指部分、拇指部分和手掌部分的壓力數據，然后將采集到的數據輸入到多尺度卷積神經網絡中，獲得相應的識別結果，最后將各部分的識別結果發送到上位機中整合得到最終的紋理識別結果。

2.根據權利要求1所述的紋理識別平臺，其特征在于：卷積神經網絡模型采用多尺度卷積神經網絡，不同路徑中的主干網絡結構相同，每條通路中有6個卷積層、2個池化層和1個全連接層，并且卷積核的尺寸為3*3，池化窗的尺寸為2*2；不同路徑中的卷積核個數是不同的，到相鄰路徑的卷積核的數量增加了一倍，第一條路徑中的卷積核的個數分別為32、32、64、64、128、128，其余路徑的卷積核個數是上一條路徑的卷積核個數的兩倍。

3.根據權利要求2所述的識別系統，其特征在于：采用二尺度卷積神經網絡，二尺度卷積神經網絡具有兩個時間尺度，分別對應兩條路徑，在第一條路徑中，采樣周期中的所有數據都被輸入到卷積神經網絡的骨干網絡中；輸入數據的大小為T1×H×W，其中T1是來自一個采樣周期序列的連續幀數，H是采樣數據矩陣的行數，W是采樣數據矩陣的列數；將輸入數據逐個或分批輸入到骨干網絡中，然后經過卷積神經網絡提取特征，得到特征向量；在第二條路徑中，幀數從T1減少到α*T1，α小于1，從而聚焦于持續1/α倍于第一路徑中的模式的運動模式。

4.根據權利要求2所述的識別系統，其特征在于：采用四尺度卷積神經網絡，具有四個時間尺度，分別對應四條路徑。

5.根據權利要求1所述的紋理識別平臺，其特征在于：卷積神經網絡的硬件實現采用并行計算的硬件架構，該并行架構基于3塊STM32嵌入式芯片實現，3塊芯片分別負責采樣柔性壓力傳感器的拇指部分、四指部分和手掌部分的壓力數據，并且對采集到的壓力數據進行相應的卷積神經網絡模型計算，對于確定好的神經網絡模塊，每塊芯片的SRAM中都存儲相同的模型參數。