机器人采集样本的方法以及其装置制造方法及图纸

本发明专利技术实施例提供机器人采集样本的方法以及其装置，该方法包括：检测出被图像识别模型误识别为目标对象的图像；获取机器人采集所述图像时所在的位姿点作为误识别位姿点。因此，无需人工参与的情况下，机器人能够通过误识别位姿点自动收集使用过程中发生误识别的样本数据，实现了采集效率高、样本数据能够体现实际应用环境的多样性的目的。现实际应用环境的多样性的目的。现实际应用环境的多样性的目的。

Method and device of sample collection by robot

【技术实现步骤摘要】
机器人采集样本的方法以及其装置


[0001]本专利技术实施例涉及智能
，特别涉及机器人采集样本的方法。本专利技术一个或者多个实施例同时涉及机器人采集样本的装置，计算设备，以及计算机可读存储介质。

技术介绍

[0002]随着人工智能技术的发展及落地应用，机器人如送餐机器人、清洁机器人、异常检测机器人得到越来越多的应用。机器人通过图像识别模型识别出目标对象，并采取相应的行为。例如，清洁机器人可以通过图像识别模型识别出障碍物，在清洁过程中避开障碍物。再例如，异常检测机器人可以通过图像识别模型识别出异常点，报告异常点。为了识别出目标对象，可以预先人工采集一些不属于目标对象的负样本数据以及属于目标对象的正样本数据。图像识别模型通过对正样本数据及负样本数据进行训练，实现对目标对象的识别。
[0003]但是，由于人工采集样本数据效率低下，样本数据多样性不足，导致图像识别模型训练效果不佳。

技术实现思路

[0004]有鉴于此，本专利技术施例提供了机器人采集样本的方法。本专利技术一个或者多个实施例同时涉及机器人采集样本的装置，计算设备，以及计算机可读存储介质，以解决现有技术中存在的技术缺陷。
[0005]根据本专利技术实施例的第一方面，提供了一种机器人采集样本的方法，包括：检测出被图像识别模型误识别为目标对象的图像；获取机器人采集所述图像时所在的位姿点作为误识别位姿点。
[0006]可选地，该方法还包括：控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据。
[0007]可选地，所述检测出被图像识别模型误识别为目标对象的图像包括：判断图像识别模型识别出的目标对象所处地理位置是否为所述目标对象所属类别允许出现的地理位置；如果不是，确定所述图像识别模型对所述图像发生误识别。
[0008]可选地，所述检测出被图像识别模型误识别为目标对象的图像包括：统计所述图像识别模型识别出的目标对象处于相同地理位置且属于相同目标对象类别的图像的帧数；根据所述帧数确定所述地理位置上所述目标对象类别的误识别概率；如果所述误识别概率在预设误识别阈值范围内，确定识别出所述地理位置上所述目标对象类别的目标对象的图像为误识别的图像。
[0009]可选地，所述根据所述帧数确定所述地理位置上所述目标对象类别的误识别概率包括：将所述帧数对应的图像通过所述图像识别模型得到的识别概率乘以所述帧数，得到所述地理位置上所述目标对象类别的误识别概率；或者，将所述帧数作为所述地理位置上所述目标对象类别的误识别概率。
[0010]可选地，所述统计所述图像识别模型识别出的目标对象处于相同地理位置且属于
相同目标对象类别的图像的帧数包括：响应于所述图像识别模型对输入的图像输出识别为目标对象的识别结果，根据采集所述图像时，机器人所在地理位置及图像采集方向，将所述识别结果映射到概率地图上，所述概率地图为机器人工作时建立的、且划分为多个区域的地理地图；根据所述识别结果在所述概率地图上映射到的区域的区域唯一标识、所述识别结果的目标对象类别，针对所述图像建立区域唯一标识与目标对象类别之间的对应关系；根据建立的所述对应关系，统计区域唯一标识相同且目标对象类别相同的图像的帧数；其中，所述误识别概率由所述对应关系标识。
[0011]可选地，所述获取机器人采集所述图像时所在的位姿点作为误识别位姿点包括：在位姿地图上，机器人采集所述图像时所在的位姿点处，打上包括所述区域唯一标识以及所述目标对象类别的标签，所述位姿地图为机器人工作时根据机器人位姿信息建立的工作路径地图；如果所述对应关系标识的误识别概率在预设误识别阈值范围内，在所述对应关系匹配的标签上保留误识别标签；在机器人本次工作完成后，从所述位姿地图中，获取标识了误识别标签的位姿点作为误识别位姿点。
[0012]可选地，所述控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据包括：在机器人本次工作完成后，控制机器人回到所述误识别位姿点采集图像作为所述目标对象的样本数据。
[0013]可选地，所述控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据包括：在机器人本次工作过程中，控制机器人在识别出目标对象的位姿点采集针对目标对象的图像；在机器人本次工作完成后，从采集的图像中，筛选出在所述误识别位姿点采集的图像作为所述目标对象的样本数据。
[0014]可选地，该方法还包括：将带有所述目标对象类别标识的样本数据发送给机器人服务端，以便所述机器人服务端利用所述样本数据对所述图像识别模型进行所述目标对象所属类别的样本训练。
[0015]可选地，该方法还包括：接收所述机器人服务端对所述图像识别模型下发的更新文件；利用所述更新文件对所述机器人的图像识别模型进行更新。
[0016]可选地，所述目标对象包括：障碍物或异常点。
[0017]可选地，所述图像识别模型包括基于神经网络的图像识别模型。
[0018]根据本专利技术实施例的第二方面，提供了一种机器人采集样本的装置，包括：识别检测模块，被配置为检测出被图像识别模型误识别为目标对象的图像。识别位姿获取模块，被配置为获取机器人采集所述图像时所在的位姿点作为误识别位姿点。
[0019]可选地，该装置还包括：控制模块，被配置为控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据。
[0020]可选地，所述识别检测模块包括：位置检测子模块，被配置为判断图像识别模型识别出的目标对象所处地理位置是否为所述目标对象所属类别允许出现的地理位置。识别确定子模块，被配置为如果所述位置检测子模块判定不是，确定所述图像识别模型对所述图像发生误识别。
[0021]可选地，所述识别检测模块包括：帧数统计子模块，被配置为统计所述图像识别模型识别出的目标对象处于相同地理位置且属于相同目标对象类别的图像的帧数。识别概率确定子模块，被配置为根据所述帧数确定所述地理位置上所述目标对象类别的误识别概
率。识别确定子模块，被配置为如果所述误识别概率在预设误识别阈值范围内，确定识别出所述地理位置上所述目标对象类别的目标对象的图像为误识别的图像。
[0022]可选地，所述识别概率确定子模块，被配置为将所述帧数对应的图像通过所述图像识别模型得到的识别概率乘以所述帧数，得到所述地理位置上所述目标对象类别的误识别概率；或者，被配置为将所述帧数作为所述地理位置上所述目标对象类别的误识别概率。
[0023]可选地，所述帧数统计子模块包括：概率映射子模块，被配置为响应于所述图像识别模型对输入的图像输出识别为目标对象的识别结果，根据采集所述图像时，机器人所在地理位置及图像采集方向，将所述识别结果映射到概率地图上，所述概率地图为机器人工作时建立的、且划分为多个区域的地理地图。关系建立子模块，被配置为根据所述识别结果在所述概率地图上映射到的区域的区域唯一标识、所述识别结果的目标对象类别，针对所述图像建立区域唯一标识与目标对象类别之间的对应关系。区域统计子模块，被配置为根据建立的所述对应关系，统计区域唯一标识相同且本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器人采集样本的方法，其特征在于，包括：检测出被图像识别模型误识别为目标对象的图像；获取机器人采集所述图像时所在的位姿点作为误识别位姿点。2.根据权利要求1所述的方法，其特征在于，还包括：控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据。3.根据权利要求1所述的方法，其特征在于，所述检测出被图像识别模型误识别为目标对象的图像包括：判断图像识别模型识别出的目标对象所处地理位置是否为所述目标对象所属类别允许出现的地理位置；如果不是，确定所述图像识别模型对所述图像发生误识别。4.根据权利要求1所述的方法，其特征在于，所述检测出被图像识别模型误识别为目标对象的图像包括：统计所述图像识别模型识别出的目标对象处于相同地理位置且属于相同目标对象类别的图像的帧数；根据所述帧数确定所述地理位置上所述目标对象类别的误识别概率；如果所述误识别概率在预设误识别阈值范围内，确定识别出所述地理位置上所述目标对象类别的目标对象的图像为误识别的图像。5.根据权利要求4所述的方法，其特征在于，所述根据所述帧数确定所述地理位置上所述目标对象类别的误识别概率包括：将所述帧数对应的图像通过所述图像识别模型得到的识别概率乘以所述帧数，得到所述地理位置上所述目标对象类别的误识别概率；或者，将所述帧数作为所述地理位置上所述目标对象类别的误识别概率。6.根据权利要求4所述的方法，其特征在于，所述统计所述图像识别模型识别出的目标对象处于相同地理位置且属于相同目标对象类别的图像的帧数包括：响应于所述图像识别模型对输入的图像输出识别为目标对象的识别结果，根据采集所述图像时，机器人所在地理位置及图像采集方向，将所述识别结果映射到概率地图上，所述概率地图为机器人工作时建立的、且划分为多个区域的地理地图；根据所述识别结果在所述概率地图上映射到的区域的区域唯一标识、所述识别结果的目标对象类别，针对所述图像建立区域唯一标识与目标对象类别之间的对应关系；根据建立的所述对应关系，统计区域唯一标识相同且目标对象类别相同的图像的帧数；其中，所述误识别概率由所述对应关系标识。7.根据权利要求6所述的方法，其特征在于，所述获取机器人采集所述图像时所在的位姿点作为误识别位姿点包括：在位姿地图上，机器人采集所述图像时所在的位姿点处，打上包括所述区域唯一标识以及所述目标对象类别的标签，所述位姿地图为机器人工作时根据机器人位姿信息建立的工作路径地图；如果所述对应关系标识的误识别概率在预设误识别阈值范围内，在所述对应关系匹配
的标签上保留误识别标签；在机器人本次工作完成后，从所述位姿地图中，获取标识了误识别标签的位姿点作为误识别位姿点。8.根据权利要求2所述的方法，其特征在于，所述控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据包括：在机器人本次工作完成后，控制机器人回到所述误识别位姿点采集图像作为所述目标对象的样本数据。9.根据权利要求2所述的方法，其特征在于，所述控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据包括：在机器人本次工作过程中，控制机器人在识别出目标对象的位姿点采集针对目标对象的图像；在机器人本次工作完成后，从采集的图像中，筛选出在所述误识别位姿点采集的图像作为所述目标对象的样本数据。10.根据权利要求2所述的方法，其特征在于，还包括：将带有所述目标对象类别标识的样本数据发送给机器人服务端，以便所述机器人服务端利用所述样本数据对所述图像识别模型进行所述目标对象所属类别的样本训练。11.根据权利要求10所述的方法，其特征在于，还包括：接收所述机器人服务端对所述图像识别模型下发的更新文件；利用所述更新文件对所述机器人的图像识别模型进行更新。12.根据权利要求1所述的方法，其特征在于，所述目标对象包括：障碍物或异常点。13.根据权利要求1所述的方法，其特征在于，所述图像识别模型包括基于神经网络的图像识别模型。14.一种机器人采集样本的装置，其特征在于，包括：识别检测模块，被配置为检测出被图像识别模型误识别为目标对象的图像；识别位姿获取模块，被配置为获取机器人采集所述图像时所在的位姿点作为误识别位姿点。15.根据权利要求14所述的装置，其特征在于，还包括：控制模块，被配置为控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据。16.根据权利要求14所述的装置，其特征在于，所述识别检测模块包括：位置检测子模块，被配置为判断图像识别模型识别出的目标对象所处地理位置是否为所述目标对象所属类别允许出现的地理位置；识别确定子模块，被配置为如果所述位置检测子模块判定不是，确定所述图像识别模型对所述图像发生误识别。17.根据权利要求14所述的装置，其特征在于，所述识别检测模块包括：帧数统计子模块，被配置为统计所述图像识别模型识别出的目标对象处于相同地理位置且属于相同目标对象类别的图像的帧数；识别概率确定子模块，被配置为根据所述帧数确定所述地理位置上所述目标对象类别的误识别概率；
识别确定子模块，被配置为如果所述误识别概率在预设误识别阈值范围内，确定识别出所述地理位置上所述目标对象类别的目标对象的图像为误识别的图像。18.根据权利要求17...

【专利技术属性】
技术研发人员：彭灵杰，鲍亮，汤进举，
申请(专利权)人：科沃斯机器人股份有限公司，
类型：发明
国别省市：