低视角儿童探索户外学习机器人

摘要

本发明涉及一种低视角儿童探索户外学习机器人，该机器人包括机器人主体和控制器，用户使用控制器控制机器人主体进行行走和拍摄，并对拍摄的画面进行图像识别。本发明可以代替儿童前去探索特定的自然区域，通过机器人玩具激发儿童对户外活动的热情，帮助儿童获得博物学知识并克服自然缺失症。

说明书

【技术领域】

本发明属于自动化控制领域，尤其涉及一种低视角儿童探索户外学习机器人。

【背景技术】

自然缺失症作为一种危险的社会现象潜伏在我们的生活中。所谓自然缺失症，指的是现代城市儿童接触大自然的时间太少，从而导致了一系列行为和心理上的问题。

自然缺失症本身不是一种需要医生诊断或需要服药治疗的病症，但是其可能导致儿童抑郁症、肥胖症等其他病症。由于自然缺失症无法进行医疗治疗，因此需要通过一定的方法激发儿童对户外活动的热情，从而把儿童重新带回自然中去，在获得博物学知识的同时帮助儿童建立其健康的人格。对此，现有技术中尚缺乏相应的技术方案。

【发明内容】

为了解决现有技术中的上述问题，本发明提供了一种低视角儿童探索户外学习机器人，旨在通过玩具激发儿童对户外活动的热情，从而把儿童重新带回自然中去，在获得博物学知识的同时帮助儿童建立其健康的人格。

所述机器人由两部分组成：机器人主体和控制器。所述机器人主体可以代替儿童前去探索特定的自然区域，减少卫生问题的同时又能将收集到的视信息传递至儿童手中的控制器上，让儿童直观地体会到小动物的视角，增加对动物的同理心。

本发明采用的技术方案具体如下：

一种低视角儿童探索户外学习机器人，包括机器人主体和控制器，所述机器人主体包括摄像头，所述控制器包括显示屏幕、GPS定位装置和网络连接模块；所述控制器和所述机器人主体通过无线网络连接，所述控制器可控制所述机器人主体行走，接收所述摄像头拍摄的图像，并在所述显示屏幕上显示所述图像；所述控制器可通过网络连接模块连接到互联网，以远程连接到服务器；

所述控制器对所述图像进行图像识别，以识别其中的动植物目标，所述图像识别包括以下步骤：

步骤100：针对不同的地理区域，预先在服务器上训练相应的区域图像识别模型，并且预先在服务器上训练一个全局图像识别模型；所述区域图像识别模型是用于识别相应地理区域内的动植物目标，所述全局图像识别模型用于识别所有动植物目标；

步骤200：所述控制器通过GPS定位装置获取当前的地理坐标，基于所述地理坐标从服务器获取当前所在区域的区域图像识别模型，作为本地图像识别模型；

步骤300：所述控制器使用本地图像识别模型对待识别的图像进行识别，输出相应的识别结果，所述识别结果包括动植物目标的唯一标识符ID和概率值；如果所述概率值小于预定阈值，则所述控制器将所述待识别的图像发送给服务器；

步骤400：所述服务器接收到所述待识别图像后，使用全局图像识别模型识别所述待识别图像，输出所述待识别图像的全局识别结果，然后将所待识别图像及所述全局识别结果作为新的训练样本，重新训练所述控制器所在区域的区域图像识别模型；

步骤500：根据重新训练的区域图像识别模型，所述控制器更新其本地图像识别模型。

进一步地，所述步骤100包括：针对不同的地理区域，选择该地理区域中的动植物目标作为训练样本，对图像识别模型进行训练，从而形成针对该地理区域的区域图像识别模型；将所有地理区域的训练样本综合起来，对图像识别模型进行训练，得到所述全局图像识别模型。

进一步地，所述步骤200包括：所述控制器将地理坐标通过网络发送给远程的服务器，服务器在接收到控制器发送的地理坐标后，确定该地理坐标所在的地理区域，从而从存储的各个模型中确定该地理区域的区域图像识别模型；如果服务器中存储的该区域图像识别模型与所述控制器的本地图像识别模型不同，则所述控制器向该服务器请求下载该区域图像识别模型，将下载的区域图像识别模型作为新的本地图像识别模型。

进一步地，所述步骤300还包括：如果该概率值大于等于预定阈值，则所述控制器根据识别结果，查询获得相应的目标信息，在显示屏幕上展示该目标信息。

进一步地，所述控制器还可以根据预定策略，在具有互联网连接后，定时更新本地图像识别模型。

本发明的有益效果是：通过玩具激发儿童对户外活动的热情，从而把儿童重新带回自然中去，通过快速准确的图像识别，帮助儿童获得博物学知识。

【附图说明】

此处所说明的附图是用来提供对本发明的进一步理解，构成本申请的一部分，但并不构成对本发明的不当限定，在附图中：

图1是本发明低视角儿童探索户外学习机器人的一种实施例。

【具体实施方式】

下面将结合附图以及具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。

参见附图1，其示出了本发明的低视角儿童探索户外学习机器人的一种实施例，该机器人包括两个部分：机器人主体1和控制器2。图1中机器人主体形状只是本申请的一种实施例形状，本领域技术人员在本发明精神的范围内可以涉及其他的机器人形状，本发明对此不作限制。所述机器人主体的高度较低，可以在多种户外地形和环境下行走或穿行，机器人主体上设置有摄像头，由于机器人主体本身高度较低，所述摄像头与地面的距离也比较小，因此摄像头所拍摄的画面就是从一个较低的视角进行拍摄的，从而实现本申请的低视角探索。

所述机器人主体和控制器之间通过无线网络相互连接，从而用户可以通过控制器来操作机器人主体的行走。另一方面，机器人主体的摄像头所拍摄的画面也可以传送到控制器，在控制器的显示屏幕上显示所述画面。这样，用户在控制器上观看这种低视角的画面时，可以直观地体会到小动物的视角，有一种类似小动物在大自然中行走和探索的感觉。

在显示所述低视角画面后，本申请的机器人还可以对画面中的动植物目标进行图像识别，在识别出具体的动物或植物后，控制器在其显示屏幕上可以显示对应的动植物信息，例如，用户可以在控制器的显示画面中选择其中一种动物或植物，控制器就可以在其选择区域附近显示相应的动植物信息，包括动物或植物的名称、习性、形态特征、分布地域等等，这样儿童可以通过该机器人的探索，了解更多的博物学知识。

为了在比较复杂的自然图景中识别出具体的动植物目标，需要进行准确的图像识别。一种方法是在机器人本地进行图像识别，如果要实现较快的识别，对机器人的存储能力和计算能力要求比较高，会带来比较高的成本。另一种方法是机器人通过网络将图像发送给远程服务器，通过远程服务器进行图像识别，这种方法需要较高的网络带宽，而在户外环境下有时候并不能有满足条件的网络，即使有，也可能会有较大的识别延时，导致用户体验不佳。

为此，本发明在机器人上提供了一种图像识别方法，可以结合上述两种方法的优点，而尽可能避免其缺点。下面对该方法的步骤进行详细说明。

步骤100：针对不同的地理区域，预先在服务器上训练相应的区域图像识别模型，并且预先在服务器上训练一个全局图像识别模型。

具体的，本发明的图像识别模型可以是一个神经网络模型，优选的，图像识别模块可以采用卷积神经网络模型(CNN)；当然本领域技术人员也可以采用本领域中其他可训练的图像识别模型，本发明对此不作限制。

在运用图像识别模型之前，需要对图像识别模型进行训练，即通过一定数量的训练样本对图像识别模型进行训练。考虑到本发明的图像识别模型是为了识别动植物目标，而动植物的分布是有地域性的，在不同的地理区域分布的动植物都有差别，例如在江苏省分布的动植物和在东北地区分布的动植物就有很大差别，因此可以针对不同的地理区域，选择该地理区域中的动植物目标作为训练样本，对图像识别模型进行训练，从而形成针对该地理区域的区域图像识别模型。

例如，我们可以针对江苏省分布的主要动植物目标，选择相应的动植物图像作为训练样本，对图像识别模型进行训练，从而得到一个江苏省的区域图像识别模型。

具体而言，以卷积神经网络模型为例，可以预先给每种动物或植物设置一个唯一标识符ID，对江苏省的某种植物ID1，获取其对应的一幅图像image1，则该图像image1作为卷积神经网络模型的一个训练样本，ID1是其标签。同理可以获得江苏省其他动植物的训练样本和标签，在获取一定数量的训练样本和相应标签后，就可以对卷积神经网络进行有监督训练，得到相应的区域图像识别模型。

区域图像识别模型是用于识别相应地理区域的动植物目标，而除了区域图像识别模型以外，服务器还可以训练一个全局图像识别模型，所述全局图像识别模型不考虑地理区域，可以用于识别所有动植物目标。因此可以将所有地理区域的训练样本综合起来，对图像识别模型进行训练，得到一个全局图像识别模型。

在获得图像识别模型后，图像识别模型就可以对输入的某个图像进行识别，模型的输出是该图像所对应的动植物的ID，以及相应的识别概率。实际上，卷积神经网络模型输出的是一系列的概率值，每个概率值对应一个识别结果(即ID)，可以视为识别结果的正确概率。最终选择概率值最大的识别结果作为最终识别结果。

上述训练过程可以预先进行，即预先在服务器上训练各个图像识别模型，并将训练得到的各个模型存储在所述服务器上。

每个图像识别模型可以经过多次的迭代训练，为了识别不同训练阶段的图像识别模型，可以给图像识别模型赋予版本号。例如，江苏省的图像识别模型在第一次训练完毕后，得到模型版本号为JS-V1，第二次训练完毕后，得到的模型版本号为JS-V2，以此类推。并且，不同地理区域的图像识别模型、全局图像识别模型的版本号都互不相同，因此可以用版本号唯一识别某个图像识别模型。

步骤200：所述机器人的控制器获取当前的地理坐标，基于所述地理坐标获取相应地理区域的区域图像识别模型。

具体的，所述控制器可以包括GPS定位装置和网络连接模块，所述GPS定位装置可以获取控制器当前的GPS坐标，所述网络连接模块不仅可以使所述控制器通过无线网络连接到机器人主体，也可以使所述控制器连接到互联网，并进一步连接到远程的服务器。

在控制器启动后，所述控制器通过GPS定位装置获取当前的GPS坐标作为当前的地理坐标。然后所述控制器将地理坐标通过网络发送给远程的服务器，查询相应的区域图像识别模型。

服务器在接收到控制器发送的地理坐标后，确定该地理坐标所在的地理区域，从而从存储的各个模型中确定该地理区域的区域图像识别模型，并确定该区域图像识别模型的版本号。例如，服务器根据该地理坐标确定该机器人在江苏省，则可以获取江苏省的区域图像识别模型，以及其版本号JS-V10。

服务器将所述版本号发送给所述控制器，所述控制器可以将该版本号与控制器中存储的本地图像识别模型的版本号进行比对。如果两个版本号不同，则所述控制器向该服务器请求下载该版本号(即服务器发送来的版本号)所对应的区域图像识别模型，将下载的区域图像识别模型代替本地图像识别模型，作为新的本地图像识别模型。

需要说明的是，下载图像识别模型的过程需要在控制器有互联网连接的情况下进行，为了避免无网络的情况，厂家在销售本发明的机器人时，可以根据该机器人的销售区域，在控制器中预置一个该销售区域所对应的区域图像识别模型。在控制器具有互联网连接后，控制器可以定时执行所述步骤200，从而更新本地图像识别模型。

这样，在机器人的控制器中存储的本地图像识别模型的只是当前地理区域的区域图像识别模型。相对于全局图像识别模型而言，本地图像识别模型的规模要小得多，需要的存储空间和计算能力也比较小，使得较低配置的控制器也可以运行本地图像识别模型。

每个区域图像识别模型都关联了相应地理区域的所有动植物ID，因此控制器在更新本地图像识别模型的过程中，也可以同步更新对应的所有动植物ID和相关信息。

步骤300：所述控制器使用本地图像识别模型对待识别的图像进行识别，输出相应的识别结果，所述识别结果包括目标ID和概率值；如果所述概率值小于预定义的阈值，则所述控制器将所述待识别的图像发送给服务器。

如前所述，图像识别模型输出一系列目标的概率值，从中选择最大的概率值及对应目标作为识别结果。如果该最大概率值大于等于预定阈值，则控制器根据识别结果中的目标ID，查询获得相应的目标信息，在显示屏幕上展示该目标信息。

如果该最大概率值小于预定阈值，则实际上说明图像识别模型没有能够准确识别该图像。在此情况下，图像识别失败，所述控制器将该图像发送给服务器，请求服务器进行处理。这个过程不需要实时进行，也就是说，如果控制器没有互联网连接，则控制器可以存储该待识别图像，等到具有互联网连接后，再将所述待识别图像发送给所述服务器。

步骤400：所述服务器接收到所述待识别图像后，使用全局图像识别模型识别所述待识别图像，输出所述待识别图像的全局识别结果，然后将所待识别图像及所述全局识别结果作为新的训练样本，重新训练该控制器对应的区域图像识别模型。

例如，假设控制器使用的是江苏省的区域图像识别模型，由于识别失败，则说明该待识别图像的目标很可能不在预先设定的江苏省的识别范围中，则所述服务器可以使用全局识别模型对控制器发送来的待识别图像进行识别，获得相应的全局识别结果。基于该全局识别结果，将所待识别图像作为新的训练样本，该全局识别结果作为相应的标签，对江苏省的区域图像识别模型进行迭代训练，重新训练出一个新的江苏省区域图像识别模型，这样新模型就可以正确识别该待识别图像。

在实际运行中，服务器可能连接多个机器人的控制器，每个控制器都可能上传待识别图像，这样服务器可能获取来自一个或多个控制器的多个待识别图像。为了节省资源，提高效率，服务器可以在获得多个待识别图像后(具体数量可以预先设定)，才对该区域图像识别模型进行一次迭代训练。

步骤500：根据重新训练的区域图像识别模型，所述控制器更新其本地图像识别模型。

如前所述，所述控制器可以根据预定策略，在具有互联网连接后，定时更新本地图像识别模型。继续上面的例子，在服务器对江苏省的区域识别模型进行迭代训练后，通过版本号的比对，控制器可以发现江苏省区域识别模型进行了升级，因此控制器可以从服务器下载新的江苏省区域识别模型并更新本地图像识别模型。

由于同一地理区域可能具有多个本发明的机器人，因此某个机器人上传的待识别图像可以使得同一地理区域的机器人都得到更新，例如，位于江苏省的某个机器人A向服务器上传了待识别图像，从而导致了江苏省区域图像识别模型的升级，而江苏省的另一个机器人B也会因此更新本地区域图像识别模型。这样在整体上可以提高系统的识别效率，提高用户体验。

通过本发明的上述机器人和相应的图像识别方法，本发明可以在一个较低配置的机器人控制器上进行快速的图像识别，并且无需实时的互联网连接。在儿童使用机器人进行自然探索时，展示相应的动植物目标信息，使儿童了解更多的博物学知识，了解自然并克服自然缺失症。

以上所述仅是本发明的较佳实施方式，故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。