基于四足機(jī)器人的工業(yè)儀表數(shù)字識(shí)別方法研究

摘 要：在工業(yè)現(xiàn)場(chǎng)自主巡檢中，由于定位誤差和光線角度等因素的影響，使得四足機(jī)器人僅依靠機(jī)器視覺(jué)難以實(shí)現(xiàn)高精度的儀表數(shù)字識(shí)別。針對(duì)上述問(wèn)題，提出一種結(jié)合移動(dòng)機(jī)器人運(yùn)動(dòng)的工業(yè)儀表數(shù)字識(shí)別方法。該方法首先基于圖像感知的四足機(jī)器人控制策略實(shí)現(xiàn)儀表對(duì)準(zhǔn)，來(lái)獲取大小適中的儀表圖片，進(jìn)而使用改進(jìn)自動(dòng)色彩均衡（ACE）算法提高圖片清晰度，并使用改進(jìn)高效準(zhǔn)確的場(chǎng)景文本（EAST）檢測(cè)器來(lái)優(yōu)化儀表數(shù)字漏檢情況，最后獲得儀表數(shù)字識(shí)別結(jié)果。在基于四足機(jī)器人的工業(yè)巡檢實(shí)驗(yàn)平臺(tái)中驗(yàn)證了該識(shí)別方法，實(shí)驗(yàn)結(jié)果表明上述方法對(duì)工業(yè)儀表數(shù)字識(shí)別準(zhǔn)確率達(dá)97.75%。

關(guān)鍵詞：四足機(jī)器人；巡檢；感知與控制；工業(yè)儀表；文本檢測(cè)；數(shù)字識(shí)別

中圖分類號(hào)：TP242 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2024）03-000-05

0 引 言

近年來(lái)，移動(dòng)機(jī)器人與人工智能技術(shù)結(jié)合越來(lái)越緊密。四足機(jī)器人作為移動(dòng)機(jī)器人技術(shù)應(yīng)用落地的一個(gè)重要分支，有著優(yōu)秀的越障能力，可以在地形復(fù)雜的工業(yè)現(xiàn)場(chǎng)對(duì)儀表、指示燈、貨物等進(jìn)行巡檢[1-4]。儀表是工業(yè)生產(chǎn)的重要數(shù)據(jù)來(lái)源，數(shù)顯式儀表因具有顯示簡(jiǎn)單、精確度高等優(yōu)點(diǎn)而獲得廣泛應(yīng)用。目前數(shù)顯式儀表的讀數(shù)方法有三種：人工讀表、自動(dòng)抄表[5]和圖像識(shí)別。人工讀表成本高昂，而自動(dòng)抄表的改造成本高、周期長(zhǎng)。通過(guò)圖像處理技術(shù)能很好地對(duì)數(shù)顯式儀表進(jìn)行數(shù)字識(shí)別[6]。四足機(jī)器人搭載攝像頭能夠做到對(duì)工業(yè)儀表24 h不間斷巡檢，降低人工成本[7]。

徐明輝[8]研究并設(shè)計(jì)了一種搭載攝像頭的自主導(dǎo)航機(jī)器人，進(jìn)行儀表位置的巡航工作，使其能夠?qū)?zhǔn)不同高度的儀表表盤；施會(huì)斌[9]設(shè)計(jì)實(shí)現(xiàn)了變電站巡檢機(jī)器人自動(dòng)抄表系統(tǒng)，通過(guò)RFID技術(shù)完成對(duì)目標(biāo)儀表區(qū)域的搜尋，基于輕量級(jí)YOLOv4數(shù)字式儀表讀數(shù)識(shí)別算法對(duì)變電站數(shù)字儀表進(jìn)行讀數(shù)識(shí)別；何配林[10]針對(duì)工業(yè)儀表圖像在自然場(chǎng)景中可能存在光照不均勻、圖像模糊等問(wèn)題，基于Mask-RCNN實(shí)例分割網(wǎng)絡(luò)、全卷積網(wǎng)絡(luò)和K-Means聚類等算法，提出了一種指針和數(shù)字式的多塊、多種、多類型儀表同時(shí)讀數(shù)識(shí)別算法。

1 四足機(jī)器人工業(yè)儀表數(shù)字識(shí)別系統(tǒng)構(gòu)成

四足機(jī)器人的工業(yè)儀表數(shù)字自主識(shí)別方法是以廣角攝像頭實(shí)時(shí)獲取外界信息為主的系統(tǒng)，系統(tǒng)的組成包括：四足機(jī)器人本體、激光雷達(dá)、廣角攝像頭、工業(yè)儀表等。四足機(jī)器人工業(yè)儀表實(shí)驗(yàn)場(chǎng)景如圖1所示，四足機(jī)器人工業(yè)儀表數(shù)字識(shí)別流程如圖2所示。

2 面向工業(yè)儀表數(shù)字識(shí)別的四足機(jī)器人控制策略

與輪式機(jī)器人平移穩(wěn)定不同，四足機(jī)器人每條腿都擁有著3個(gè)自由度，步態(tài)控制較為復(fù)雜，在工業(yè)現(xiàn)場(chǎng)根據(jù)傳感器獲取地面狀況產(chǎn)生實(shí)時(shí)步態(tài)，此時(shí)搭載的攝像頭晃動(dòng)劇烈，加之位姿偏移、激光定位誤差等問(wèn)題，使得獲得圖像的清晰度不夠，因此有必要設(shè)計(jì)一個(gè)控制策略來(lái)調(diào)整四足機(jī)器人的位姿。

如圖3所示，圖中畫(huà)出了儀表的檢測(cè)框，（xtl， ytl）和（xbr， ybr）是檢測(cè)框的左上角坐標(biāo)和右下角坐標(biāo)，由此可以計(jì)算出檢測(cè)框中心點(diǎn)的坐標(biāo)（xc， yc）；l1和l2是兩條豎直方向上的三等分線，將圖片分成左側(cè)區(qū)域、中間區(qū)域和右側(cè)區(qū)域。

在本文設(shè)計(jì)的控制策略中，當(dāng)滿足檢測(cè)框中心點(diǎn)處在l1和l2之間即xl1≤xc≤xl2，且檢測(cè)框面積detect_area≥S時(shí)，認(rèn)為此時(shí)得到的是形狀規(guī)則、大小適中的高清儀表圖片。

在控制邏輯上區(qū)域條件的優(yōu)先級(jí)大于面積條件的優(yōu)先級(jí)，所以當(dāng)不能滿足上述兩個(gè)條件時(shí)，有3種情況需要進(jìn)行調(diào)整，當(dāng)xc≤xl1即中心點(diǎn)落在左側(cè)區(qū)域時(shí)，四足機(jī)器人處于圖4（a）的情況1；當(dāng)xl1lt;xc≤xl2即中心點(diǎn)落在中間區(qū)域但是面積條件不滿足時(shí)，四足機(jī)器人處在圖4（b）的情況2；當(dāng)xcgt;xl2即中心點(diǎn)落在右側(cè)區(qū)域，四足機(jī)器人處在圖4（c）的情況3。考慮到由于誤差會(huì)出現(xiàn)四足機(jī)器人在任務(wù)點(diǎn)檢測(cè)不到儀表的情況，四足機(jī)器人會(huì)重新規(guī)劃路徑導(dǎo)航至任務(wù)點(diǎn)進(jìn)行第二次儀表檢測(cè)，直到檢測(cè)到儀表。

如圖5所示，對(duì)四足機(jī)器人的控制策略進(jìn)行描述：感知主機(jī)截取攝像頭傳輸?shù)囊曨l幀，計(jì)算儀表檢測(cè)框的面積和其中心點(diǎn)位置，首先判斷中心點(diǎn)坐標(biāo)是否落在l1和l2之間，若是，則判斷是否滿足面積條件，對(duì)應(yīng)圖4（b）情況2；如不是，則需要判斷中心點(diǎn)處于左側(cè)區(qū)域還是右側(cè)區(qū)域，此時(shí)對(duì)應(yīng)于圖4（a）的情況1和圖4（c）的情況3；當(dāng)中心點(diǎn)處于左側(cè)區(qū)域時(shí)，感知主機(jī)與運(yùn)動(dòng)主機(jī)進(jìn)行通信，運(yùn)動(dòng)主機(jī)會(huì)發(fā)布腿部移動(dòng)指令，四足機(jī)器人以線速度ν（單位為m/s）右移；判斷位移距離d是否大于α（單位為cm），若不是則繼續(xù)移動(dòng)，若是則停止移動(dòng)，當(dāng)中心點(diǎn)處于右側(cè)區(qū)域時(shí)同理。接著返回區(qū)域條件判斷進(jìn)行循環(huán)判斷、移動(dòng)，直到滿足區(qū)域條件，當(dāng)區(qū)域條件滿足后判斷面積條件detect_area是否大于等于S，若不是，則以線速度ν前進(jìn)；判斷位移距離d是否大于α，循環(huán)判斷、移動(dòng)，直至detect_area大于等于S，此時(shí)控制策略結(jié)束。

3 面向工業(yè)儀表數(shù)字識(shí)別的圖片色彩增強(qiáng)方法

由于光源和相機(jī)角度的問(wèn)題，四足機(jī)器人獲取的圖像經(jīng)常出現(xiàn)模糊和明暗不一的情況。如圖6所示，工業(yè)功率數(shù)顯表從上到下分別是電壓、電流、功率和電阻，且圖中4個(gè)參數(shù)明暗不一和數(shù)字模糊。因此，本文使用改進(jìn)ACE算法[11]對(duì)圖片進(jìn)行色彩增強(qiáng)。

圖6 光線明暗不一的儀表圖像

一張圖片可分為低頻分量和高頻分量，其中高頻分量出現(xiàn)在圖片的細(xì)節(jié)部分，ACE算法經(jīng)過(guò)低通濾波獲得低頻分量，將原始圖片減去低頻分量得到高頻分量，用增益系數(shù)乘以高頻分量，重組得到增強(qiáng)后的圖片。ACE算法的基本公式如下所示：

（1）

式中：R（x）代表彩色空間調(diào)整結(jié)果，它是一個(gè)中間處理值；Subset是圖像像素集；x是固定像素值；y是可變化像素值；I（x）-I（y）代表兩個(gè)像素之間強(qiáng)度差；d（x， y）是距離度量函數(shù)（一般為歐拉距離）。Sα的表達(dá)式如下：

（2）

式中：α是斜率；Sα為斜率函數(shù)，Sα在三個(gè)范圍下進(jìn)行取值，r=I（x）-I（y）。然后對(duì)調(diào)整后的圖像進(jìn)行擴(kuò)展。一張彩色圖像具有R、G、B三個(gè)通道，對(duì)每個(gè)通道進(jìn)行線性擴(kuò)展，表達(dá)式如下所示：

（3）

式中，斜率Sc為[（mc， 0）， （Mc， 255）]，且mc是R（x）的最小值，Mc是R（x）的最大值。最后，將上式映射到[0， 255]的空間中。

（4）

本文針對(duì)數(shù)字識(shí)別需求對(duì)y的范圍進(jìn)行改進(jìn)，使用YOLOv5[12]檢測(cè)儀表框?qū)x表進(jìn)行圖像分割，盡可能地去除儀表外的其余像素，減少了ACE算法的運(yùn)算量，節(jié)省了運(yùn)行時(shí)間。此外為了更好地增強(qiáng)圖像的高頻部分，本文使用Huber函數(shù)[13]對(duì)式（4）的權(quán)重進(jìn)行改進(jìn)，結(jié)合歐氏距離函數(shù)，計(jì)算得Huber權(quán)重函數(shù)如下所示：

（5）

式中：可變像素值y與固定像素x之間的歐氏距離dy=1/||x-y||；d是所有dy的均值。若dy小于均值d則權(quán)重wy為1；若dy大于均值d則權(quán)重wy小于1；歐氏距離越大，即距離固定點(diǎn)越遠(yuǎn)，權(quán)重系數(shù)越小，其色彩增強(qiáng)效果也越小。

4 工業(yè)儀表數(shù)字漏檢算法改進(jìn)

在對(duì)圖片進(jìn)行色彩增強(qiáng)并提高圖片清晰度后，將傳統(tǒng)的EAST算法[14]應(yīng)用到四足機(jī)器人的儀表數(shù)字檢測(cè)中能夠減少計(jì)算量。與自然場(chǎng)景廣闊視野中會(huì)出現(xiàn)檢測(cè)框不完整的情況不同，四足機(jī)器人在通過(guò)控制策略調(diào)整完自身位姿后，獲得的圖片視野范圍較小，進(jìn)行儀表數(shù)字識(shí)別會(huì)出現(xiàn)儀表某一行數(shù)字漏檢的情況。

EAST文本檢測(cè)算法結(jié)構(gòu)由特征提取層、特征合并層、輸出層組成，形成特征金字塔網(wǎng)絡(luò)（FPN）結(jié)構(gòu)，如圖7所示。

如圖8所示，EAST算法采用了4層FPN結(jié)構(gòu)，在特征合并層進(jìn)行融合，將小尺寸特征圖進(jìn)行卷積，形成與大尺寸特征圖一樣的尺寸，再將其連接起來(lái)。通過(guò)結(jié)構(gòu)圖可知，小區(qū)域感受野特征圖位于FPN結(jié)構(gòu)的最底層，小區(qū)域感受野特征圖在最后進(jìn)行融合后輸出。這種處理方法會(huì)使得小區(qū)域感受野特征圖處理過(guò)少，且當(dāng)通道數(shù)較少時(shí)融合后相應(yīng)特征信息所占比例較少，就造成了EAST算法對(duì)某些區(qū)域關(guān)注度不夠，不利于后續(xù)的圖片識(shí)別。

本文改進(jìn)了FPN結(jié)構(gòu)，在合并方向相反的路徑上只對(duì)特征金字塔的前兩層進(jìn)行合并（是原EAST算法中關(guān)注度不夠的部分），然后再與另一方向路徑進(jìn)行融合，具體結(jié)構(gòu)如圖9所示。將卷積stage1得到的特征圖送入pooling層，尺寸縮小1倍后，與卷積stage2得到的α特征圖經(jīng)Concat融合；然后依次送入1×1、3×3的卷積核，得到F（2）2和F（2）3。將抽取的特征圖按照U-net的思想進(jìn)行合并，卷積核的個(gè)數(shù)逐層遞減，依次為128、64、32；最后經(jīng)過(guò)32核3×3卷積后將結(jié)果輸出到“輸出層”，最終輸出工業(yè)儀表數(shù)字檢測(cè)框的置信度score map和檢測(cè)框的位置（x，y，w，h）。

5 實(shí)驗(yàn)驗(yàn)證

5.1 四足機(jī)器人的控制策略實(shí)驗(yàn)驗(yàn)證

為了驗(yàn)證本文中四足機(jī)器人的控制策略可以有效獲取形狀規(guī)則、大小適中的儀表高清圖片，四足機(jī)器人進(jìn)行50次SLAM導(dǎo)航，統(tǒng)計(jì)有無(wú)控制策略前后檢測(cè)框面積大小在整個(gè)圖片中的面積占比和運(yùn)動(dòng)控制調(diào)節(jié)次數(shù)。本文中，d是平移后的位置坐標(biāo)與上一個(gè)位置坐標(biāo)之間的歐氏距離；最終經(jīng)過(guò)大量實(shí)驗(yàn)，閾值α取4.4 cm，平移速度ν取0.1 m/s，該速度是四足機(jī)器人移動(dòng)的最低線速度。

圖10表明，在無(wú)控制策略時(shí)，四足機(jī)器人獲得的儀表檢測(cè)框面積占比基本都小于有控制策略情況下的面積占比，且完全取決于SLAM定位誤差。圖11展示了S=18 000像素單位和S=19 000像素單位時(shí)四足機(jī)器人儀表數(shù)字識(shí)別時(shí)調(diào)節(jié)的次數(shù)，平均調(diào)節(jié)次數(shù)分別為7.36和9.6。

接下來(lái)采用ACE算法和EAST算法進(jìn)行100次實(shí)驗(yàn)，收集100張圖片，共400個(gè)數(shù)據(jù)，統(tǒng)計(jì)并對(duì)比四足機(jī)器人有無(wú)控制策略前后識(shí)別儀表數(shù)字的效果，結(jié)果見(jiàn)表1所列。四足機(jī)器人在無(wú)控制策略情況下，通過(guò)SLAM控制到達(dá)目標(biāo)儀表前面進(jìn)行數(shù)字識(shí)別，此時(shí)獲得圖片的清晰度是隨機(jī)的，取決于剛開(kāi)始記錄的任務(wù)點(diǎn)位置和導(dǎo)航定位誤差，其中96%為無(wú)效識(shí)別；在有識(shí)別結(jié)果的圖片中，其結(jié)果個(gè)數(shù)最多為1，正確率僅為1.75%。

在有控制策略情況下，無(wú)效識(shí)別的情況得到了極大改善。表1的結(jié)果表明，S=18 000像素單位時(shí)的情況相比無(wú)控制策略的無(wú)效識(shí)別率降低了91%，數(shù)字識(shí)別正確率提高到了89%；進(jìn)一步提高S到19 000像素單位，數(shù)字識(shí)別正確率提高到93%。結(jié)合圖11可知，后者通過(guò)犧牲少許的調(diào)節(jié)次數(shù)來(lái)?yè)Q取高水平的數(shù)字識(shí)別準(zhǔn)確率，前者卻無(wú)法保證較高的數(shù)字識(shí)別水平。如果繼續(xù)提高S的閾值，會(huì)使得調(diào)節(jié)次數(shù)陡增，detect_area的閾值S取19 000像素單位是由大量實(shí)驗(yàn)測(cè)試獲得的最佳取值。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文控制策略的有效性，表明四足機(jī)器人在該控制策略下使得無(wú)效識(shí)別率大幅度降低，提高了識(shí)別正確率。

5.2 四足機(jī)器人的圖像色彩增強(qiáng)算法驗(yàn)證

該部分實(shí)驗(yàn)分別使用ACE算法和改進(jìn)ACE算法計(jì)算一張1 152 648的原圖經(jīng)過(guò)圖像切割后的運(yùn)行時(shí)間，進(jìn)行100次計(jì)算。

見(jiàn)表2所列，改進(jìn)的ACE算法比ACE算法的運(yùn)行時(shí)間要短，最大運(yùn)行時(shí)間節(jié)省2.401 s，最小運(yùn)行時(shí)間節(jié)省2.274 s，平均運(yùn)行時(shí)間節(jié)省2.259 s，運(yùn)行效率平均提高了89.71%。

采用ACE算法和改進(jìn)的ACE算法對(duì)切割后的儀表表盤進(jìn)行圖像增強(qiáng)，結(jié)果如圖12所示，可以明顯看出改進(jìn)ACE算法使得數(shù)字圖像色彩變得更均衡，圖像更清晰。

接下來(lái)采用EAST算法在S=19 000像素單位下進(jìn)行100次實(shí)驗(yàn)，共收集400個(gè)數(shù)據(jù)，統(tǒng)計(jì)并對(duì)比四足機(jī)器人在改進(jìn)ACE算法前后識(shí)別儀表數(shù)字的效果，結(jié)果見(jiàn)表3所列。改進(jìn)ACE算法能夠提高收集到圖片的清晰度，降低錯(cuò)誤識(shí)別數(shù)和無(wú)效識(shí)別數(shù)，錯(cuò)誤識(shí)別率從3.75%降低到2.25%，無(wú)效識(shí)別率從3.25%降到2%?？梢钥闯觯倪M(jìn)ACE算法有效地改善了四足機(jī)器人在儀表數(shù)字識(shí)別過(guò)程中出現(xiàn)的數(shù)字區(qū)域明暗不一的問(wèn)題。

5.3 改善四足機(jī)器人數(shù)字漏檢實(shí)驗(yàn)驗(yàn)證

針對(duì)儀表數(shù)字識(shí)別存在儀表數(shù)字漏檢情況，本文對(duì)EAST算法的檢測(cè)網(wǎng)絡(luò)進(jìn)行改進(jìn)，提高對(duì)小感受野的關(guān)注度，優(yōu)化檢測(cè)效果。改進(jìn)EAST算法對(duì)儀表數(shù)字識(shí)別的效果如圖13所示。

該部分在S=19 000像素單位和改進(jìn)EAST算法下進(jìn)行了100次實(shí)驗(yàn)，共收集400個(gè)數(shù)據(jù)，統(tǒng)計(jì)并對(duì)比四足機(jī)器人在改進(jìn)文本檢測(cè)算法前后識(shí)別儀表數(shù)字的效果，結(jié)果見(jiàn)表4所列。四足機(jī)器人在進(jìn)行儀表四個(gè)參數(shù)識(shí)別時(shí)，由于紅色功率數(shù)字的明度與黑色儀表表盤的明度最為接近，導(dǎo)致紅色的功率數(shù)字漏檢的次數(shù)最多。在改進(jìn)EAST算法下，四足機(jī)器人儀表數(shù)字識(shí)別正確率提高到97.75%，無(wú)效識(shí)別率從2%降低到0.25%。

6 結(jié) 語(yǔ)

目前，有關(guān)數(shù)字識(shí)別的工作主要集中在圖像采集、圖像處理以及識(shí)別算法上，而對(duì)于四足機(jī)器人在工業(yè)現(xiàn)場(chǎng)實(shí)時(shí)控制的應(yīng)用則甚少涉及。本文提出一種結(jié)合移動(dòng)機(jī)器人運(yùn)動(dòng)的工業(yè)儀表數(shù)字識(shí)別方法，并在基于四足機(jī)器人的工業(yè)巡檢實(shí)驗(yàn)平臺(tái)中進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，上述方法能夠有效提升工業(yè)儀表數(shù)字識(shí)別的正確率，為四足機(jī)器人在工業(yè)儀表巡檢中的應(yīng)用提供重要的參考。

參考文獻(xiàn)

[1]孟健，劉進(jìn)長(zhǎng)，榮學(xué)文，等.四足機(jī)器人發(fā)展現(xiàn)狀與展望[J].科技導(dǎo)報(bào)，2015，33（21）：59-63.

[2]張偉，譚文浩，李貽斌.基于深度強(qiáng)化學(xué)習(xí)的四足機(jī)器人運(yùn)動(dòng)控制發(fā)展現(xiàn)狀與展望[J].山東大學(xué)學(xué)報(bào)（醫(yī)學(xué)版），2020，58（8）：61-66.

[3]朱秋國(guó).淺談四足機(jī)器人的發(fā)展歷史、現(xiàn)狀與未來(lái)[J].杭州科技，2017，47（2）：47-50.

[4]張帥帥.復(fù)雜地形環(huán)境中四足機(jī)器人行走方法研究[D].濟(jì)南：山東大學(xué)，2016.

[5]唐賢敏，石云輝.電能計(jì)量自動(dòng)抄表技術(shù)的現(xiàn)狀與展望[J].中國(guó)新通信，2018，20（20）：224.

[6]封磊.基于機(jī)器視覺(jué)的工業(yè)儀表自動(dòng)讀數(shù)方法研究[D].太原：太原科技大學(xué)，2021.

[7] YANG X D，HUANG Y Z，LI J G，et al. Research status review of robots applied in substations for equipment inspection [J]. Shandong electric power，2015，42（1）：30-33.

[8]徐明輝.用于儀表位置尋找的自主導(dǎo)航機(jī)器人研究[D].西安：西安理工大學(xué)，2021.

[9]施會(huì)斌.變電站巡檢機(jī)器人自動(dòng)抄表研究[D].成都：西南交通大學(xué)，2021.

[10]何配林.基于深度學(xué)習(xí)的工業(yè)儀表識(shí)別讀數(shù)算法研究及應(yīng)用[D].成都：電子科技大學(xué)，2020.

[11]肖志云，李新科，軒波，等.對(duì)數(shù)域中自動(dòng)色彩均衡化快速算法

[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2013，25（3）：390-396.

[12] SHI B，BAI X，YAO C. An end-to-end trainable neural network for image-based sequence recognition and its application to scene text recognition [J]. IEEE transactions on pattern analysis and machine intelligence，2017，39（11）：2298-2304.

[13]趙開(kāi)開(kāi)，劉兆祥，廉士國(guó).基于級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的指針式儀表遠(yuǎn)程讀數(shù)方法和系統(tǒng)[J].電力大數(shù)據(jù)，2021，24（8）：25-32.

[14] ZHOU X，YAO C，WEN H，et al. EAST：an efficient and accurate scene text detector [C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu，HI，USA：IEEE，2017：5551-5560.

作者簡(jiǎn)介：簡(jiǎn)榮貴（1997—），男，碩士研究生，研究方向?yàn)樗淖銠C(jī)器人。

陳 康（1974—），男，副教授，研究方向?yàn)殡姍C(jī)與IC設(shè)計(jì)。

徐哲壯（1984—），男，教授，研究方向?yàn)楣I(yè)物聯(lián)網(wǎng)與大數(shù)據(jù)。