一种服务水平高的智能机器人

摘要

本发明提供了一种服务水平高的智能机器人，包括中央处理器、视觉采集系统、图像处理系统、图像显示系统和语音系统，所述中央处理器分别与所述视觉采集系统、图像处理系统、图像显示系统和语音系统电连接，所述中央处理器用于管理所述视觉采集系统、图像处理系统、图像显示系统和语音系统，所述视觉采集系统用于对图像进行采集，所述图像处理系统用于对采集的图像进行识别，所述图像显示系统用于显示识别结果，所述语音系统用于播报识别结果。本发明的有益效果为：机器人识别性能好，提高了机器人的服务水平。

说明书

技术领域

本发明涉及机器人技术领域，具体涉及一种服务水平高的智能机器人。

背景技术

机器人技术作为先进制造技术的典型代表，具有广阔的应用市场，现有的机器人识别水平差，导致其服务水平低。

在图像识别过程中，图像检索的任务是从数据库中寻找出与询问目标最相似的样本，并按照相似程度进行排序。用户检索时，可能需要查找与检索目标整体相似的图像，也可能是要查找某个特殊角度与检索目标相似的图像。这种用户目的的不确定性为图像检索带来额外的困难，而用户往往又只关心排名最靠前的若干结果，因此检索结果的排序非常关键。

发明内容

针对上述问题，本发明旨在提供一种服务水平高的智能机器人。

本发明的目的采用以下技术方案来实现：

提供了一种服务水平高的智能机器人，包括中央处理器、视觉采集系统、图像处理系统、图像显示系统和语音系统，所述中央处理器分别与所述视觉采集系统、图像处理系统、图像显示系统和语音系统电连接，所述中央处理器用于管理所述视觉采集系统、图像处理系统、图像显示系统和语音系统，所述视觉采集系统用于对图像进行采集，所述图像处理系统用于对采集的图像进行识别，所述图像显示系统用于显示识别结果，所述语音系统用于播报识别结果。

本发明的有益效果为：机器人识别性能好，提高了机器人的服务水平。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明的结构示意图；

附图标记：

中央处理器1、视觉采集系统2、图像处理系统3、图像显示系统4、语音系统5。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1，本实施例的一种服务水平高的智能机器人，包括中央处理器1、视觉采集系统2、图像处理系统3、图像显示系统4和语音系统5，所述中央处理器1分别与所述视觉采集系统2、图像处理系统3、图像显示系统4和语音系统电连接5，所述中央处理器1用于管理所述视觉采集系统2、图像处理系统3、图像显示系统4和语音系统5，所述视觉采集系统2用于对图像进行采集，所述图像处理系统3用于对采集的图像进行识别，所述图像显示系统4用于显示识别结果，所述语音系统5用于播报识别结果。

本实施例机器人识别性能好，提高了机器人的服务水平。

优选的，所述图像显示系统4包括高清显示屏。

本优选实施例显示清晰。

优选的，所述视觉采集系统2包括照明设备和高清摄像头。

本优选实施例在夜间也能工作，提高了机器人的夜间服务水平。

优选的，所述图像处理系统3包括一次处理模块、二次处理模块和三次处理模块，所述一次处理模块用于从图像数据集中检索与待识别图像相似的图像，获取检索结果，所述二次处理模块用于根据检索结果与待识别图像的相似度对检索结果排序，获取排序列表，所述三次处理模块将相似度最高的检索结果作为图像识别结果。

所述一次处理模块包括一次处理单元和二次处理单元，所述一次处理单元用于挖掘图像数据集中图像之间的相似关系，所述二次处理单元用于从图像数据集中检索图像。所述挖掘图像之间的相似关系，采用以下步骤进行：步骤1、给定图像数据集SY＝{x₁,x₂,…,x_n}和若干种距离度量{FN₁,FN₂,…,FN_m}，设SY中任意两图像x_i和x_j在度量FN_l下的距离为s_l(x_i,x_j)，其中，l∈[1,m]；则对任意度量FN_l，存在一个有向图G_l(AY,EU,w_l)，其中，AY＝SY为顶点集合，为有向边集合，w_l用于计算任意边的权值，将w_l(x_i,x_j)简记为w_l(i,j)；在式子里，β_ij为尺度因子，其中，av表示取平均值，x_i(N)和x_j(N)分别表示x_i和x_j与各自距离最小的前N个数据的距离的和；

步骤2、采用kN_l(x_i)表示x_i在有向图G_l下的k近邻，得到有向图G₁,G₂,…,G_m的k近邻图G_k1,G_k2,…,G_km，对于任意的k近邻图G_kl，其中，l∈[1,m]，仅当x_j∈kN_l(x_i)时，二者存在边b_ij，权值为w_kl(i,j)＝w_l(i,j)，其余情况下边的权值为0；将k近邻图组合成图G_k(AY,EU,w_k)，如果样本x_i和x_j在任意图G_kl中有权值不为0的边，则G_k中存在边b_ij，权值w_k为：在式子里，q_l表示每种度量的重要性指标，若w_l>0，则c_l＝1，否则为0，只有x_j在至少一个度量方法下属于x_i的k近邻时，w_k(i,j)才非0；

步骤3、有向图G_k对应数据集SY上的一个马尔科夫链，其转移概率矩阵HX_k＝[a_kij]_n×n，其中，在式子里，a_kij表示马尔科夫系统某一时刻从x_i到x_j的转移概率；

步骤4、建立传播过程：

在式子里，kN(x_i)表示x_i在图G_k下的k近邻，kN(x_j)表示x_j在图G_k下的k近邻，表示第t次迭代后的相似矩阵，初始矩阵HX_k(x_i,x_p)表示从x_i到x_p的转移概率矩阵，HX_k(x_q,x_j)表示从x_q到x_j的转移概率矩阵；

步骤5、运行步骤4中的传播过程，样本之间的两两相似关系向远处传播，经过若干步的迭代，得到样本之间的内在相似关系。

本优选实施例一次处理模块设置一次处理单元挖掘图像数据集中图像之间的相似关系，由于大多数不相关的样本都被排除在传播过程之外，每种度量方法中的重要信息得到突出，所形成的稀疏矩阵则极大降低了迭代过程中的计算需求；G_k中最多有mkn条边，消除了低权值关系的背景累积效应，使高权值相似关系更加突出；一次处理单元将数据集上的多个距离度量融合成一个稀疏图，然后用局部约束的传播方法进行演化扩散，有助于挖掘图中的相似关系。

优选的，所述距离度量包含第一距离度量FN₁和第二距离度量FN₂，采用以下方式确定第一距离度量FN₁：在式子里，y_K和z_K分别表示两幅图像y和z的第K个像素点的灰度值,W和H分别为图像的宽和高，|W×H|表示图像像素的数量；

采用以下方式确定第二距离度量FN₂：

本优选实施例一次处理单元通过引入全新的距离度量方式第一距离度量和第二距离度量，获取了更为准确的图像距离，提高了图像相似性的计算水平。

优选的，所述从图像数据集中检索图像，采用以下步骤进行：步骤1、输入数据集SY＝{x₁,x₂,…,x_n}，距离度量{FN₁,FN₂,…,FN_m}及其对应的邻域大小k和迭代次数T，输出结果为优化后的相似矩阵矩阵的第i行对应x_i与数据集所有数据之间的相似度；

步骤2、选取相似度前RL大的图像，得到以x_i为目标时的检索结果，其中RL∈[3，7]；

步骤3、将待识别图像加入到数据集当中，按照步骤1的方法得到与待识别图像相似度高的图像。

本优选实施例一次处理模块设置二次处理单元，通过计算数据集中所有样本两两之间的相似性，可得到整个数据集的相似矩阵。在图像检索任务中，将待识别图像加入到数据集当中，得到包含待识别图像的相似矩阵，从而得到与待识别图像相似的图像，完成图像检索，从而提高了机器人的识别水平，进而提高了机器人的服务水平。

采用本发明服务水平高的智能机器人提供服务，当RL取不同值时，对服务效率和用户满意度进行统计，同现机器人相比，产生的有益效果如下表所示：

RL服务效率提高用户满意度提高329％21％427％23％526％25％625％27％724％29％

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。