一种基于深度学习的机器人书法方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110695995A(43)申请公布日2020.01.17(21)申请号201910963380.1(22)申请日2019.10.11(71)申请人星际（重庆）智能装备技术研究院有限公司地址400030重庆市沙坪坝区汇泉路1号附13号附4号(72)发明人宋永端柳静刘剑时天源陳文杰方磊谭力珲朱凯祺黄梓颖龚秀珍(74)专利代理机构重庆信航知识产权代理有限公司50218代理人吴彬(51)Int.Cl.B25J9/16(2006.01)权利要求书3页说明书6页附图4页(54)发明名称一种基于深度学习的机器人书法方法(57)摘要本发明公开了一种基于深度学习的机器人书法方法，包括步骤：1)向生成式对抗网络提供目标字体和随机噪声，对生成式对抗网络的生成器G和判别器D进行训练，在保留原始数据的基础上得到具有目标风格的汉字书法图像；2)对具有目标风格的汉字书法图像进行二值化处理，去除图像噪声；3)将汉字书法图像骨架化，得到单像素连接的二值图像；4)根据二值图像获取书法汉字的笔画顺序和笔画宽度信息；5)根据书法汉字的笔画顺序和笔画宽度信息确定机器人的末端轨迹；6)根据机器人的末端轨迹得到机器人各关节的旋转角度。本发明解决了现有书法机器人书写方法生硬、缺乏多样性及风格的技术问题。CN110695995ACN110695995A权利要求书1/3页1.基于深度学习的机器人书法方法，其特征在于，包括以下步骤：1)向生成式对抗网络提供目标字体和随机噪声，对生成式对抗网络的生成器G和判别器D进行训练，在保留原始数据的基础上得到具有目标风格的汉字书法图像；2)对具有目标风格的汉字书法图像进行二值化处理，去除图像噪声；3)将汉字书法图像骨架化，得到单像素连接的二值图像；4)根据二值图像获取书法汉字的笔画顺序和笔画宽度信息；5)根据书法汉字的笔画顺序和笔画宽度信息确定机器人的末端轨迹；6)根据机器人的末端轨迹得到机器人各关节的旋转角度。2.根据权利要求1所述的基于深度学习的机器人书法方法，其特征在于：所述生成式对抗网络的生成器G和判别器D都是卷积神经网络，判别器D对真实数据和生成数据进行判断，估算出生成样本来源于真实数据的概率；其目标函数如下：其中，G是生成器；D是判别器；x为真实样本；z为噪声；G(z)为假样本，即生成样本；D(x)为D对真实样本的判别结果；D(G(z))为D对假样本的判别结果；pdata(x)为真实样本服从某一分布p；pz(z)为噪声服从某一分布p。3.根据权利要求1所述的基于深度学习的机器人书法方法，其特征在于：在步骤5)中根据书法汉字的笔画顺序和笔画宽度信息确定机器人的末端轨迹包括步骤：将书法汉字的笔画宽度信息转换为书写时机器人末端在Z轴方向的移动距离Z，转换公式如下：其中，Zmax为毛笔末端刚接触纸面时机器人末端的Z轴坐标；Zmin为毛笔完全接触纸面时机器人末端的Z轴坐标；W为毛笔与纸面完全接触时毛笔的宽度；是组成汉字骨架的点的宽度。4.根据权利要求1-3中任一所述的基于深度学习的机器人书法方法，其特征在于：所述的机器人为4自由度的机械臂，其具有四个关节，第一关节的关节轴与水平面垂直，第二关节的关节轴与水平面平行，第三关节的关节轴与水平面平行，第四关节的关节轴与水平面垂直；并按D-H法建立机器人连杆坐标系，在机器人连杆坐标系中，第1个关节相对于第0个关节的坐标转换矩阵为：第2个关节相对于第1个关节的坐标转换矩阵为：2CN110695995A权利要求书2/3页第3个关节相对于第2个关节的坐标转换矩阵为：第4个关节相对于第3个关节的坐标转换矩阵为：机器人末端的姿态在基坐标下的表达方式为：上式中：nx＝cosθ1cosθ2cosθ3cosθ4-cosθ1cosθ4sinθ2sinθ3-sinθ1sinθ4ny＝sinθ1cosθ2cosθ3cosθ4-sinθ1sinθ2sinθ3cosθ4+cosθ1sinθ4nz＝-sinθ2cosθ3cosθ4-cosθ2cosθ4sinθ3ox＝-sinθ4cosθ1cosθ2cosθ3+cosθ1sinθ2sinθ3sinθ4-sinθ1cosθ4oy＝-sinθ1sinθ4cosθ2cosθ3+sinθ1sinθ2sinθ3sinθ4+cosθ1cosθ4oz＝sinθ2sinθ4cosθ3+cosθ2sinθ3sinθ4ax＝sinθ3cosθ1cosθ2+sinθ2cosθ2cosθ3ay＝sinθ1sinθ3cosθ2+sinθ1sinθ2cosθ3az＝cosθ2cosθ3-sinθ2sinθ3px＝d4sinθ3cosθ1cosθ2+d4sinθ2cosθ2cosθ3+a2cosθ1cosθ2py＝d4sinθ1