جهت يابي زاويه اي جسم با استفاده از بينايي ماشين و شبكه عصبي مصنوعي بصورت بلادرنگ

Object Orientation Detection Based on Machine Vision and Artificial Neural Network

در اين پژوهش مسئله‌‌ي پيدا كردن جهت‌گيري زاويه‌اي جسم حول سه‌زاويه‌ي φ، 𝜃 و ψ به شيوه‌اي نوين و دقتي بالا بررسي و حل شده است. لذا با استفاده از تنها يك دوربين و سه نقطه متمايز متصل به يك جسم‌صلب ساخته‌شده، جهت‌گيري زاويه‌اي جسم‌صلب با بينايي‌ماشين به صورت بلادرنگ محاسبه مي‌شود. وجود همچين سامانه‌اي در روش‌هاي كنترلي حلقه‌باز براي ربات‌هاي دوراني داراي اهميت به‌سزايي است. بدين منظور سه‌نقطه متمايز از يك جسم‌صلب انتخاب شده است. براي كاهش اثر مخرب نور محيط بر تشخيص اشياء رنگي و همچنين كاهش حجم استفاده از فيلترهاي نرم‌افزاري از فرستنده‌هاي مادون‌قرمز به عنوان نشانگر استفاده گرديد. به جهت غيرخطي بودن معادلات جهت‌گيري زاويه‌اي و عدم امكان حل آنها به صورت بلادرنگ از شبكه‌عصبي براي حل اين موضوع استفاده شده است. شبكه‌عصبي استفاده شده از نوع پس‌انتشار خطا با يك لايه مخفي با تعداد 21 گره درآن و به ترتيب در لايه‌هاي ورودي و خروجي داراي 6 و 3 گره مي‌باشد. در شبكه‌عصبي اطلاعات خروجي شبكه، ابتدا با سنسور شتابسنج9محوره، با دقت بسيار بالا دريافت شده و سپس نتايج آموزش شبكه‌عصبي با خروجي اين سنسور مقايسه گرديده است. در مجموع 7343 داده‌ي مستقل در دو زاويه‌ي φ و ψ، و همچنين 751 داده در زاويه 𝜃، از سنسور شتاب‌سنج 9 محوره، و ربات‌موازي دو درجه آزادي‌دوراني، به عنوان يك پلتفرم آماده بدست آمد كه از 467 داده‌ي آن، براي آموزش شبكه استفاده نشده است. نتايج آموزش شبكه با داده‌هاي استفاده نشده براي آموزش، مقايسه شده و نتايج مطلوبي با حداكثر خطاي 0.038 راديان حاصل گرديد.

This paper focuses on the problem of finding object orientation around Yaw Pitch Roll angels. The object orientation is computed in a real time manner using a monocamera and three points on a solid object in a machine vision software. Three points should be selected from environment at the beginning. In order to reduce wreckful effects of environmental lights on detecting colorful objects and also to reduce the number of used software filters, IR LEDs with 850nm invisible wavelength are used. Artificial Neural Network (ANN) is used for solving this problem since orientations equations are nonlinear and realtime solving for them is impossible. For solving the problem a feed forward artificial neural network with one hidden layer and 21 nodes in that is used, which has 3 nodes for output layer and 6 nodes for input layer. For having high accuracy in ANN, output data is also obtained from a MPU9150 installed on a 2DOF orientional parallel robot and compared to ANN outputs. 7243 data from Roll and Yaw angles and 751 data from Pitch angle is obtained from MPU9150 sensor and the later 2DOF orientional parallel robot and 467 data remains nonuse for learning ANN. After learning the neural network, results compared to nonuse data for ANN learning and desire results obtained with 0.038 maximum error