基于人工智能的自适应电动磨甲器控制方法与流程

本发明涉及智能家居技术领域，具体涉及一种基于人工智能的自适应电动磨甲器控制方法。

背景技术：

指（趾）甲是表皮角质层细胞增厚而形成的板状结构，位于手指、足趾远端的背侧面。露在外面的部分称为甲体。甲体深面部分的称为甲床，

微笑线：甲床和甲面连接处的前端边缘，呈圆弧形线条。

甲尖：又称指甲游离缘，指甲本体超出指头的部分，即微笑线前端。

在剪指甲时，一般预留0.5-1mm的甲尖；在剪指甲时，为了使指甲看起来比较好看同时使指甲长度合适，需要用户反复的尝试剪出自己想要的指甲长度和指甲弧度。

现有技术中，现有的电动磨甲器需要用户反复的调整指甲与磨甲器之间的角度，反复打磨指甲的甲尖以获得自己想要的弧度和长度。在大多数情况下用户不能很好的控制电动磨甲器将指甲的甲尖磨出自己想要的弧度和长度，同时电动磨甲器不能根据用户的指甲形状和特点自适应地将用户多余的指甲磨去。

技术实现要素：

针对现有技术中存在的上述缺陷，本发明首先对影像获取单元获取的预设数量的图像进行光线补偿、灰度变换、直方图均衡化、锐化、平滑、去噪等预处理操作，然后，经过预处理操作后的图像被输入到已经完成训练学习的神经网络并自动匹配隐含层已知的学习结果。若图像中同时存在手指和指甲，通过边缘检测算法对预处理后的图像进行处理获得指甲整体的轮廓、甲尖的轮廓和微笑线轮廓并进行平滑处理，然后，根据指甲的位置建立直角坐标系，确定平移后的微笑线的位置，确定传动装置折返的次数，折返次数=（甲尖最长的长度-预设的甲尖长度）/单程的磨损长度，最终确定砂轮的移动轨迹。传动装置带动砂轮沿着设定的移动轨迹来回移动，以此根据用户的指甲形状和特点自适应地将用户多余的指甲磨去。

本发明是通过采用以下技术方案实现的，按此目的设计的基于人工智能的自适应电动磨甲器控制方法包括以下步骤。

步骤s11：进入神经网络训练学习前的参数采集阶段，采集手指和指甲图像作为训练集样本。将手指和指甲图像信息作为神经网络训练学习前的输入参数，将确定有手指和指甲作为神经网络训练学习前的输出参数。

步骤s12：进入神经网络训练学习阶段，神经网络根据已知的输入参数和输出参数进行训练学习，学习结果作为神经网络使用阶段的隐含层数据。

步骤s13：输入并设置甲尖的长度，这里，输入预设的甲尖长度为需要保留的甲尖长度。

步骤s14：进入神经网络完成训练学习后的使用阶段，影像获取单元实时获取预设数量的连续的图像；图像处理单元首先对影像获取单元获取的预设数量的图像进行光线补偿、灰度变换、直方图均衡化、锐化、平滑、去噪等预处理操作使手指和指甲突出显示，然后，经过预处理操作后的图像被输入到已经完成训练学习的神经网络。

步骤s15：判断图像中是否有手指和指甲；神经网络根据输入层新的信息自动匹配隐含层已知的学习结果，并在输出层输出当前图像信息中是否有手指和指甲。若图像中同时存在手指和指甲，则执行步骤s16；否则返回继续执行步骤s14。

步骤s16：通过边缘检测算法对图像处理单元预处理后的图像信息进行处理获得指甲整体的轮廓、甲尖的轮廓和微笑线轮廓并进行平滑处理。然后，通过指甲左右两侧的轮廓位置计算求得指甲的中线，其中，指甲左右两侧围绕指甲的中线相互对称。

步骤s17：根据指甲的位置建立直角坐标系，其中，指甲中线与指甲后缘相交的位置设置为直角坐标系的原点，指甲中线设置为y轴，y轴方向从原点指向甲尖的外侧，经过坐标系原点同时垂直于指甲中线的直线为x轴，x轴方向指向指甲中线的右侧。

步骤s18：确定平移后的微笑线的位置，首先，计算并确定指甲轮廓和微笑线中每一点初始的坐标位置，然后，将微笑线沿着y轴方向平移预设的距离并计算平移后的微笑线中每一点的坐标位置，其中，微笑线沿着y轴方向平移的距离与设置的甲尖的长度相等。

步骤s19：确定传动装置折返的次数，首先，计算并确定甲尖最长的长度，然后，根据甲尖最长的长度、预设的甲尖长度和电动磨甲器单程的磨损长度计算并确定传动装置折返的次数。折返次数=（甲尖最长的长度-预设的甲尖长度）/单程的磨损长度。

步骤s20：确定砂轮的移动轨迹，根据计算得到的折返次数、平移后的微笑线坐标位置和甲尖外边缘坐标位置确定砂轮的移动轨迹。

步骤s21：处理器首先通过驱动单元驱动传动装置将砂轮定位到甲尖的位置，然后，处理器通过驱动单元驱动电动磨甲器中的电动机转轴转动，电动机转轴转动带动砂轮快速转动；传动装置带动砂轮沿着设定的移动轨迹来回移动，以此将甲尖中多余的部分磨去。

所述步骤s12中的神经网络的学习结果为神经网络层与层之间连接的权重。

所述步骤s14中的影像获取单元为摄像装置，摄像装置固定在传动装置靠近前端的位置，摄像装置用于获取预设数量的连续的图像。

所述步骤s14，在预处理的过程中，通过平滑中值滤波去除图像中的椒盐噪声，通过平滑高斯滤波去除图像中的高斯噪声。

所述步骤s14中将摄像装置采集的用户手指图像输入到训练好的神经网络之后经过卷积操作进行特征提取，再经过降采样操作后输出到下一层，经过多次多个卷积、激活、池化层之后将结果输出到全连接层，经过全连接映射到最终结果。

所述步骤s14中的图像处理单元用于对影像获取单元获取的预设数量的图像进行光线补偿、灰度变换、直方图均衡化、锐化、平滑、去噪等预处理操作。

所述步骤s19中的传动装置用于将砂轮移动到预设的位置；所述传动装置为机械臂。

所述步骤s21中的处理器用于数据处理。

所述步骤s21中的驱动单元用于对传动装置、摄像装置、电动机和led灯进行驱动。

所述步骤s21中的电动机用于带动砂轮高速转动。

所述led灯固定传动装置靠近前端的位置，用于对所拍摄的手指和指甲进行补光。

附图说明

图1为本发明的程序流程图。

图2为本发明的场景应用示意图。

图3为本发明的图像处理过程示意图。

图2中的图a，其中，11为传动装置，12为摄像装置，13为电动机，14为砂轮。

图3中的图c，其中，15为初始的微笑线，16为平移后的微笑线，17为甲尖外边缘。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的阐述。

第一实施例。

神经网络的训练过程可以分为如下几步。

第一步：定义神经网络，包含一些可学习参数或者权重。

第二步：将数据输入网络进行训练，并计算损失值。

第三步：将梯度反向传播给网络的参数或者权重，据此更新网络的权重，并再次训练。

第四步：将最终训练好的模型进行保存。

将摄像装置采集的用户手指图像输入到训练好的神经网络之后经过卷积操作进行特征提取，再经过降采样操作后输出到下一层，经过多次多个卷积、激活、池化层之后将结果输出到全连接层，经过全连接映射到最终结果。

载入模型进行手指和指甲识别操作如下。

摄像装置实时采集的用户的手指照片信息被输入到已经完成训练学习的神经网络，该神经网络根据输入层新的信息自动匹配隐含层已知的学习结果，并在输出层输出当前图像中是否存在手指和指甲。

由于摄像装置获取的原始图像会受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。其预处理过程主要包括手指和指甲图像的光线补偿、灰度变换、直方图均衡化、归一化、滤波以及锐化等，以此使手指和指甲突出显示。

第二实施例，如图1和图2。

步骤s11：进入神经网络训练学习前的参数采集阶段，采集手指和指甲图像作为训练集样本。将手指和指甲图像信息作为神经网络训练学习前的输入参数，将确定有手指和指甲作为神经网络训练学习前的输出参数。

步骤s12：进入神经网络训练学习阶段，神经网络根据已知的输入参数和输出参数进行训练学习，学习结果作为神经网络使用阶段的隐含层数据。

补充说明：训练时分别采用10000张手指和指甲图片对手指和指甲模型进行训练。所述步骤s12中的神经网络的学习结果为神经网络层与层之间连接的权重。

步骤s13：输入并设置甲尖的长度，这里，输入预设的甲尖长度为需要保留的甲尖长度。

补充说明：一般预留0.5-1mm的甲尖。

步骤s14：进入神经网络完成训练学习后的使用阶段，影像获取单元实时获取预设数量的连续的图像；图像处理单元首先对影像获取单元获取的预设数量的图像进行光线补偿、灰度变换、直方图均衡化、锐化、平滑、去噪等预处理操作使手指和指甲突出显示，然后，经过预处理操作后的图像被输入到已经完成训练学习的神经网络。

步骤s15：判断图像中是否有手指和指甲；神经网络根据输入层新的信息自动匹配隐含层已知的学习结果，并在输出层输出当前图像信息中是否有手指和指甲。若图像中同时存在手指和指甲，则执行步骤s16；否则返回继续执行步骤s14。

补充说明：所述影像获取单元为摄像装置，摄像装置固定在传动装置靠近前端的位置，摄像装置用于获取预设数量的连续的图像。在预处理的过程中，通过平滑中值滤波去除图像中的椒盐噪声，通过平滑高斯滤波去除图像中的高斯噪声。所述步骤s14中将摄像装置采集的用户手指图像输入到训练好的神经网络之后经过卷积操作进行特征提取，再经过降采样操作后输出到下一层，经过多次多个卷积、激活、池化层之后将结果输出到全连接层，经过全连接映射到最终结果。

步骤s16：通过边缘检测算法对图像处理单元预处理后的图像信息进行处理获得指甲整体的轮廓、甲尖的轮廓和微笑线轮廓并进行平滑处理。然后，通过指甲左右两侧的轮廓位置计算求得指甲的中线，其中，指甲左右两侧围绕指甲的中线相互对称。

步骤s17：根据指甲的位置建立直角坐标系，其中，指甲中线与指甲后缘相交的位置设置为直角坐标系的原点，指甲中线设置为y轴，y轴方向从原点指向甲尖的外侧，经过坐标系原点同时垂直于指甲中线的直线为x轴，x轴方向指向指甲中线的右侧。

步骤s18：确定平移后的微笑线的位置，首先，计算并确定指甲轮廓和微笑线中每一点初始的坐标位置，然后，将微笑线沿着y轴方向平移预设的距离并计算平移后的微笑线中每一点的坐标位置，其中，微笑线沿着y轴方向平移的距离与设置的甲尖的长度相等。

步骤s19：确定传动装置折返的次数，首先，计算并确定甲尖最长的长度，然后，根据甲尖最长的长度、预设的甲尖长度和电动磨甲器单程的磨损长度计算并确定传动装置折返的次数。折返次数=（甲尖最长的长度-预设的甲尖长度）/单程的磨损长度。

补充说明：所述步骤s18中的传动装置用于将砂轮移动到预设的位置；所述传动装置为机械臂。

步骤s20：确定砂轮的移动轨迹，根据计算得到的折返次数、平移后的微笑线坐标位置和甲尖外边缘坐标位置确定砂轮的移动轨迹。

步骤s21：处理器首先通过驱动单元驱动传动装置将砂轮定位到甲尖的位置，然后，处理器通过驱动单元驱动电动磨甲器中的电动机转轴转动，电动机转轴转动带动砂轮快速转动；传动装置带动砂轮沿着设定的移动轨迹来回移动，以此将甲尖中多余的部分磨去。

补充说明：所述处理器用于数据处理。所述驱动单元用于对传动装置、摄像装置、电动机和led灯进行驱动。所述电动机用于带动砂轮高速转动。所述led灯固定传动装置靠近前端的位置，用于对所拍摄的手指和指甲进行补光。

第三实施例，如图1、图2和图3。

假设输入并设置甲尖的长度为1mm。

当将手指放入摄像装置所拍摄的区域时，位于传动装置前端的摄像装置实时获取预设数量的连续的手指图像；图像处理单元首先对摄像装置获取的预设数量的图像进行光线补偿、灰度变换、直方图均衡化、锐化、平滑、去噪等预处理操作使手指和指甲突出显示，然后，经过预处理操作后的图像被输入到已经完成训练学习的神经网络。神经网络根据输入层新的信息自动匹配隐含层已知的学习结果，此时，输出层输出当前图像信息中含有手指和指甲。

然后，通过边缘检测算法对图像处理单元预处理后的图像信息进行处理获得指甲整体的轮廓、甲尖的轮廓和微笑线轮廓并进行平滑处理。然后，通过指甲左右两侧的轮廓位置计算求得指甲的中线，其中，指甲整体轮廓左右两侧的点到达指甲中线的距离相等。

如图3中的图c，根据指甲的位置建立直角坐标系，其中，指甲中线与指甲后缘相交的位置设置为直角坐标系的原点，指甲中线设置为y轴，y轴方向从原点指向甲尖的外侧，经过坐标系原点同时垂直于指甲中线的直线为x轴，x轴方向指向指甲中线的右侧。

如图3中的图c，其中，15为初始的微笑线，16为平移后的微笑线，17为甲尖外边缘。

如图3中的图c，确定平移后的微笑线16的位置，首先，计算并确定指甲轮廓和微笑线中每一点初始的坐标位置，然后，将初始的微笑线15沿着y轴方向平移预设的距离1mm并计算平移后的微笑线中每一点的坐标位置。

确定传动装置折返的次数，首先，在甲尖外边缘17上找到相距初始的微笑线15最长距离的坐标点并计算该坐标点到达初始的微笑线的距离，此距离为甲尖最长的长度；然后，根据甲尖最长的长度、预设的甲尖长度1mm和电动磨甲器单程的磨损长度计算并确定传动装置折返的次数。折返次数=（甲尖最长的长度-预设的甲尖长度1mm）/单程的磨损长度。

假设用户食指的甲尖最长长度为3mm，预设的甲尖长度1mm，电动磨甲器单程的磨损长度为0.4mm，则传动装置需要折返的次数为：（3mm-1mm）/0.4mm=5次。

确定砂轮的移动轨迹，根据计算得到的折返次数、平移后的微笑线16的坐标位置和甲尖外边缘17的坐标位置确定砂轮的移动轨迹。如图3中的图c，在平移后的微笑线16和甲尖外边缘17中间划4条弧线，其中，每条弧线与平移后的微笑线16相平行，各个平移后的微笑线为砂轮的移动轨迹中的一部分。

处理器首先通过驱动单元驱动传动装置将砂轮定位到甲尖的位置，然后，处理器通过驱动单元驱动电动磨甲器中的电动机转轴转动，电动机转轴转动带动砂轮快速转动；传动装置带动砂轮沿着设定的移动轨迹来回折返移动，以此根据用户的指甲形状和特点自适应地将用户多余的指甲磨去。

以上所述仅为本发明的较佳实施例，并非用来限定本发明的实施范围；凡是依本发明所作的等效变化与修改，都被本发明权利要求书的范围所覆盖。