این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی مکانیک مدرس، جلد ۱۶، شماره ۵، صفحات ۲۳۱-۲۴۰
عنوان فارسی جهت یابی زاویه ­ای جسم با استفاده از بینایی ماشین و شبکه عصبی مصنوعی بصورت بلادرنگ
چکیده فارسی مقاله در این پژوهش مسئله‌‌ی پیدا کردن جهت‌گیری زاویه‌ای جسم حول سه‌زاویه‌ی φ، 𝜃 و ψ به شیوه‌ای نوین و دقتی بالا بررسی و حل شده است. لذا با استفاده از تنها یک دوربین و سه نقطه متمایز متصل به یک جسم‌صلب ساخته‌شده، جهت‌گیری زاویه‌ای جسم‌صلب با بینایی‌ماشین به صورت بلادرنگ محاسبه می‌شود. وجود همچین سامانه‌ای در روش‌های کنترلی حلقه‌باز برای ربات‌های دورانی دارای اهمیت به‌سزایی است. بدین منظور سه‌نقطه متمایز از یک جسم‌صلب انتخاب شده است. برای کاهش اثر مخرب نور محیط بر تشخیص اشیاء رنگی و همچنین کاهش حجم استفاده از فیلترهای نرم‌افزاری از فرستنده‌های مادون‌قرمز به عنوان نشانگر استفاده گردید. به جهت غیرخطی بودن معادلات جهت‌گیری زاویه‌ای و عدم امکان حل آنها به صورت بلادرنگ از شبکه‌عصبی برای حل این موضوع استفاده شده است. شبکه‌عصبی استفاده شده از نوع پس‌انتشار خطا با یک لایه مخفی با تعداد 21 گره درآن و به ترتیب در لایه‌های ورودی و خروجی دارای 6 و 3 گره می‌باشد. در شبکه‌عصبی اطلاعات خروجی شبکه، ابتدا با سنسور شتاب-سنج9محوره، با دقت بسیار بالا دریافت شده و سپس نتایج آموزش شبکه‌عصبی با خروجی این سنسور مقایسه گردیده است. در مجموع 7343 داده‌ی مستقل در دو زاویه‌ی φ و ψ، و همچنین 751 داده در زاویه 𝜃، از سنسور شتاب‌سنج 9 محوره، و ربات‌موازی دو درجه آزادی‌دورانی، به عنوان یک پلتفرم آماده بدست آمد که از 467 داده‌ی آن، برای آموزش شبکه استفاده نشده است. نتایج آموزش شبکه با داده‌های استفاده نشده برای آموزش، مقایسه شده و نتایج مطلوبی با حداکثر خطای 0.038 رادیان حاصل گردید.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Object Orientation Detection Based on Machine Vision and Artificial Neural Network
چکیده انگلیسی مقاله 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 mono-camera 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 orientation's equations are nonlinear and real-time 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 MPU-9150 installed on a 2-DOF orientional parallel robot and compared to ANN outputs. 7243 data from Roll and Yaw angles and 751 data from Pitch angle is obtained from MPU-9150 sensor and the later 2-DOF 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
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله احسان مرادی |
دانشگاه صنعتی همدان
سازمان اصلی تایید شده: دانشگاه صنعتی همدان (Hamadan university of technology)

مهدی طالع ماسوله | tale masouleh
استادیار مهندسی مکاترونیک دانشکده علوم و فنون نوین دانشگاه تهران-آزمایشگاه تعامل انسان و ربات
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

محمد جواد نجاری | mohammad javad
دانشگاه صنعتی همدان
سازمان اصلی تایید شده: دانشگاه صنعتی همدان (Hamadan university of technology)

نشانی اینترنتی http://mme.modares.ac.ir/article_14621_78be3dd03ef16ba4f6b4177b6d2c3373.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1256/article-1256-227447.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات