李江岱7，段云涛2，胡四平
(1•河南工业职业技术学院，河南南阳473000；2.南阳理工学院软件学院，河南南阳473000；3.湖北科技学院计算机科学与技术学院，湖北咸宁437100；4.武汉理工大学自动化学院，武汉430070)
摘要：随着现代机器人技术的发展，采摘作业机器人也有了很大的进步，自主作业能力有了大幅度提升。各种智能化、自动化的采摘机器人被应用到果实采摘作业过程中，改变了手工采摘作业的生产发生，极大地提高了作业效率。采摘机器人自主作业过程中，由于受到作业环境的影响，还需要对机器人进行实时监测和远程控制，以保证采摘作业的顺利进行。为此，将语音智能识别系统引入到了采摘机器人远程控制系统的设计上，通过语音识别，采摘机器人可以快速执行动作指令，从而避免环境影响造成的采摘作业质量下降，或者发生碰撞事故的突发状况，提高了机器人对环境的适应能力。
关键词：采摘机器人；BP神经网络；语音识别；智能控制；前馈系统
中图分类号：S225；TP183文献标识码：A 0引言
随着现代人工智能技术的不断发展，语音识别被应用在各种智能机器人自动控制系统中。多声学建模和多语言建模是现代化语音识别算法中重要的组成部分，具有代表性的是隐马尔可夫模型。对于语音识别
系统，为了实现语音信号的识别，一般是从语音信号各帧中提取声学特征，再设计参考模板，对每一条语音信息对应的声学特征，设计一条机器人应该执行的指令。在机器人自主化作业时，机器人采集得到声学信号后只需要和模板中的信号进行对比，便可以识别应当执行的动作，从而有效提高了机器人远程控制的效率。
1基于智能化算法的语音识别系统
语音识别系统是智能化控制系统上常用的一种识别方式，特别是在机器人作业时，由于机器人受编程控制而进行自主作业，因此环境对作业效果的影响较大。机器人作业时需要进行实时监测，当机器人作业产生较大的波动时应当及时地校正机器人的错误操作；而远程语音指令能够使机器人迅速地执行相关动
文章编号：1003-188X(2021)09-0215-04
作，也是最简单最有效的控制自动化机器人的一种方式，其控制流程如图1所示。
语音参考模板
设定距离阈值
智能化学习算法
样本语音训练
采集语音信号
计算距离阈值
收稿日期：2015-05-20
基金项目：国家自然科学基金联合基金项目(NU211262)；湖北科技学院博士启动基金项目(202-2XB003)；湖北科技学院
科研发展基金项目(2018-15GZ01)
瓦斯抽放系统作者简介：李江岱(1989-，女，河南南阳人，助教，硕士。
通讯作者：胡四平(280-)，男，湖北咸宁人，讲师，博士，(E-mOl) 。
输出结果
图1基于智能算法的语音识别
Fig.1Speech recognition based on i—elligev-a—o—thms
夜光路面
为了使自主化机器人能够成功识别远程语音指令，需要对机器人设置好内部语音识别指令，在控制系统的设计上可以设计语言参考模板，再采用智能化算法对测试模板和参考模板进行训练，使控制系统能够更加准确地识别语言指令。
•27•
2基于LM-BP 神经网络的智能化语音识别
为了实现采摘机器人的自主化语音识别，在机器 人语音识别系统中设计语音参考模板人。在进行语
音识别测试时，通过计算测试语音信号T 和模版R 的
距离D[T,R ]的大小，判断机器人是否能够准确的识
别语音。假设T 和R 中的任意一帧用n 和机表示，可
以用欧氏距离D[T(n ),R5)]来表示测试模板和参
考模板的相似程度，当其距离小于给定值时，便可以
使机器人执行参考模板的指令。
进行语音识别模板的训练时，为了使识别的准确 度更高，可以引入智能化算法。BP 神经网络是常用
的智能化学习算法，在进行学习时先输入要学习的样 本数据，再设定神经网络的具体结构和前一次神经网
络迭代的权值与阈值，从首层到后层依次计算出神经
元的数值；然后，进行权值和阈值的修改，修改后从最
后层向前一层计算权值和阈值对误差的影响，根据这 个顺序不断地进行循环迭代计算，直到计算收敛。
神经网络凭借自身优势已经被广泛地应用到智能 控制系统上，如系统控制、系统优化和模式识别等，可 以实现系统的自动化控制及故障诊断等。经典的神
Fig. 4 The st —ctural sPetch of a —i+cial nesmus
利用该模型可以模拟生物神经细胞的工作原理,
在使用时可以通过对权值和阈值的修改，达到不同的 使用目的，使控制过程具有较高的控制精度。其基本
模型为
” 51% + ①"+ 如1 M 0
+ + &M 2 M 0
、。讪1 + ®yn 2 + °顾鼻 0
其中，输入的训练数据为2 ； 5、,，…，®r 为连接 权值；。为偏置信值。通过神经网络训练，控制点的输
入和输出(2,2)点都在不等式约束的范围之内，因此
可以通过对权值的修改，使训练后的样本向着期望的 样本发展。神经网模型分为前馈网络模型和后馈
网
络模型，为了使神经网络模型具有较高的精度，一般
采用前馈神经网络模型，如图3所示。
图3前馈神经网络模型
Fig. 3 The feedforward nesral network moUet
图3中，反馈工作流用虚线表示。假设第n 次迭 代中，输出端的第/个单元的输出y (n ) ,y (n )表示
预期输出，则该单元的误差信号为
勺(n )二 d (n ) - y (n ) (2)
设其平均误差为，则输出端总的平方误
差瞬态值为
&5)
二+丫 彳5)
(3 )
其中，机为输出单元的个数。假设训练样本总数
为N 个，则平均误差的均值为
- N
- N
% =匚2 “)=22 勺 45)
(4)
扬长机
式(4)为多层前馈网络学习的目标函数。对权值
进行调整，假设旳i 表示单元i 到单元(的连接权值，则 有
二-n6(n )y (n )
(5)
其中，n 为学习步长；y (n )为单元i 向单元/的
输入信号；岔5)为局部梯度，正负表示梯度下降的方 向。
为了加快神经网络的收敛速度，特别是对于中等
大小的神经网络算法，可以采用lm 算法，其公式为
2仏 + 1)二2仏)-(J T J + ul) "； J T e ( 6)
式)6)主要是对近似海瑟矩阵J 进行修正,e 为误
差，/为误差矩阵。进行迭代时，迭代成功则减小u ；
当误差性能增加时，则增加u ，从而使误差在每一步
迭代计算时都保持最小。
如图4所示丄M-BP 神经网络算法在语音识别过 程中主要是起到训练学习的目的，通过不断训练学习
• 44
•
可以降低语音识别过程的误差，使采集信号与参考模 板信号的对比更加接近现实结果，从而得到参考模板
对应的执行指令。参考模板对应的采摘机器人需要
执行的指令是预先设计到机器人控制系统的，每个语
音信号对应相应的动作执行指令，使机器人在识别语
音信号后可以自动完成各种作业任务动作。图4基于LM-BP 神经网络算法的语音识别流程
Fig. 4 Speech recognition low based on LM-BP nepral network
3采摘机器人语音智能化识别测试
近年来，采摘机器人作为自主化作业设备被使用
支撑梁
到了农业作业过程中，在采摘机器人自主化作业过程 中，为了提高作业效率和作业质量，可以通过语音指 令对其自主化作业过程进行干预，使采摘机器人可以
在远程端直接接受人工语音指令。
采摘机器人在进行自主作业时可以预先编好程 序，通过智能化控制算法控制机器人自动化作业。在 采摘机器人自主作业时，因受到作业环境的影响，作
业质量会受到影响，因此还需要对采摘机器人的作业 情况进行实时监测。当采摘机器人的作业质量下降 时，可以采用人工干预的方法提高机器人的作业质
量。人工远程控制采摘机器人最直接简单的方法是
发送语音指令，为了保证采摘机器人可以准确地识别
语音指令，要对采摘机器人对语音的识别的准确性进 行测试。语音的识别算法采用DWT 算法，也可在
DWT 算法上引进LM-BP 神经网络算法。语音识别算
法的测试流程如图5所示。
模拟采摘机器人的作业环境，对采摘机器人的语
音识别流程进行测试，将采集得到的语音信号保持为
woe 格式文件；利用端点检测，计算非线性预测系数 MFCC ，和语音信号参考模板库进行对比，得到相应语
音信号对应的可执行采摘任务指令。对不同信号长
度的语音信号分别进行了测试，得到了如表1所示的
测试结果。
图3语音识别测试流程
丙烷脱氢制丙烯Fig. 5 The tes — low of speech recognition
表1语音识别结果汇总表
Tafle 1 The results summap of speech recognition
语音信号
测试序号
测试信号长度
/s
测试准确率
s%
1296.5
2
477.0
3657.3
4893.0
51096.3
61297. 9
由表1可以看出：采摘机器人可以对不同长度的
语音信号分别进行识别，且在不同语音信号长度时，采 摘机器人语音识别都具有较高的识别精度。为了验证
神经网络算法的效果，将使用和不使用神经网络算法
• 27
•
的语音识别算法分别进行了测试，得到了如图6所示的结果。
0.02
0.01
t;
;*
-0.01
-0.02神经网络算法
非神经网络算法
-0.03
05101520
时间/s
Fig.0
图6语音识别测试结果
The test results of speech recoynition
由图6可知：采用LM-BP神经网络算法后，语音识别的误差有了明显的减小，且识别结果的误差稳定性较好，没有出现较大的波动，从而验证了算法的可靠性。
4结论
为了提高采摘机器人对环境的适应能力，将智能化语音识别系统引入到了采摘机器人控制系统的设计上，并采用智能化算法对机器人的识别系统进行了优化设计，利用LM-BP算法对参考模板进行了训练，使语音识别系统可以更加准确的识别语音指令。为了验证方法的可靠性，以采摘机器人语音识别为例，模拟采摘机器人的作业环境，对语音识别效果进行了测试。测试结果表明：采用智能化识别系统对语音指令识别的准确率较高，且采用LM-BP神经网络算法后，系统的误差更小、更稳定。
参考文献：
［］倪茹，张亦琼，任忠意，等•可嵌入式多方言语音识别的智能家电控制系统研制［J］.仪表技术，2017(8)：17-
20.
［2］刘恒鹏•基于语音识别的遥控小车设计［］•信息技术与信息化,2019(7)：37-40.
［3］纪超，冯青春，袁挺，等•温室黄瓜采摘机器人系统研制及性能分析［］•机器人2011,33(5)：726-730.
［4］刘继展，李萍萍，倪齐，等.番茄采摘机器人真空吸盘装置设计与试验［J］・农业机械学报，2010,41(10)：170-
173,384.
［5］陆化珠，蔡健荣，孙力，等•基于超声测距的柑橘收获机
器人应急避障系统［/农机化研究2011,33(12):151-
153.
正交编码器［6］陈秀华.基于SPCE051A单片机的语音控制机器人的设计［J］・中国水运，2007(8)：163-164.
［7］车爱静.基于凌阳SPEC051A单片机的语音控制系统［/电脑开发与应用，2006,19(10)：49-51.
［8］魏泽鼎，贾俊国，王占永•基于视觉传感器的棉花果实定位方法［J］・农机化研究2012,34(6)：65-63,312.［9］顾宝兴，姬长英，王海青，等•智能移动水果采摘机器人设计与试验［J］•农业机械学报2012,43(6):153-S60•［10］李文凤，彭智勇，李德毅，等•不确定性Top-k查询处理［J］.软件学报,201223(6):1542-1560.
［11］赵淑芳，董小雨•基于改进的LSTM深度神经网络语音识别研究［J］・郑州大学学报(工学版)，202,39(5)：
63-67.
［2］刘继展，李萍萍，倪齐，等•番茄采摘机器人真空吸盘装置设计与试验［/农业机械学报，202,41(2)：20
23,24.
［3］刘兆祥，刘刚，乔军•苹果采摘机器人三维视觉传感器设计［/农业机械学报,202,41(2)：21-25.
［2］蔡健荣，孙海波，李永平，等•基于双目立体视觉的果树三维信息获取与重构［J］.农业机械学报202,43(3)：
152-156.
［5］蔡健荣，赵杰文，Rch T，等.水果收获机器人避障路径规划［/农业机械学报,2007•33(3)：102-105.
［2］吕继东，赵德安，姬伟，等•开放分布式苹果采摘机器人控制系统研究及实现［/小型微型计算机系统,202,
33(2)：289-292.
［7］杨晶东，洪炳熔，朴松昊•基于模糊行为融合的移动机器人避障算法［/华中科技大学学报(自然科学版),
2008(S1):32-313,320.
［8］李寒，王库，曹倩，等•基于机器视觉的番茄多目标提取与匹配［/农业工程学报，20228(5)：28-22.［7］唐美丽，胡琼，马廷淮•基于循环神经网络的语音识别研究［/现代电子技术,202,42(2)：152-156.［20］陈心灵，钱宁博，胡佳辉，等•基于STM32单片机的嵌入式语音识别系统设计［/机电工程技术242,43(5)：
185-187.
［21］侯一民，李永平•基于卷积神经网络的孤立词语音识别［/计算机工程与设计,20220(6)：251-256.［22］冀瑞国•神经网络在语音识别中的应用［J］.电子技术与软件工程202(3)：249.
［23］冯诗影，韩文廷，金旭，等•循环神经网络在语音识别模型中的训练加速方法［J］・小型微型计算机系统,202,
39(12)：2561-2565.
［24］屈家丽，贺光辉，王国兴•语音识别中卷积神经网络的FPGA实现［J］.微电子学与计算机，202,35(9)：37-
41,46.(下转第223页)
•218•
Wireless Sensor Network Positioning System Based on
Autonomous Agriculturel Unmanned Agriculteral Machinery
Xiao Yang1,Guan Xiujun1,Yu Yougzhuo4,Liu Nau4
(1.Ji—n Communications Polytechnic E—ctmuic InfownaUon Branch,ChangcUud—6010,China;2.Ji—n Project Deqa—-mest of Beijing Huatec Info—latiou Technolopy Co.Lth.,ChangcUud—6012,China)
Abstract:In order to realiee the a-tonomous and unmanned operation of dg/cuOu—-moh—cry,—intmUnced the wire —ss sensor network posi+onis system in the desipn of antonomous navipaUon of dg/cuOu—1machinem,used the ant colony PIN algorithm to optimize the posi—ouing system and impmvv the posi—ouing accu—cy of the position—g system.1n order to yvify the feasidi—ty of the application of wireless sensor posiUouino system in the navipation system of antonomous unmanned dg—cu—u—-machinem,—const—cted a wireless sensor network with diOerest covvrage range in the fielU envi-mnmest,and tested the position—g accu—cy of the wire—ss sensor network.The test results show that it can oStained the wire—ss sensor network Cased on ant co—uy PID algorithm to a high positiouing accu—cy,which can meet the accu—cy desipn requirements of a-tonomous unmanned dg/cuOu—-machinem navipation•
Key works:unmanned dg/cuOu—-machinery；ant colony PID algorithm；wire—ss sensor network；positiouing system；dg/cuOu—-machinem navipaUon
(上接第2—页)
Abstract ID:1003-188X(2021)09-0215-EA
Intellioeni Speech Rechgnition System foe Picking Roboi Based on
LM-BP Neural Network
Li Jiangdai1,Duan Yuntao4,Hu Sipis3，
(1.Henan Polytechnic Institute,Nanyang473009,Chis;2.School of Software,Nanyang Institute of Tvhnompy,Nan-yang273000,China;3.School of Computer Science and Techno—py,HuUei University of Science and Techno—py,Xian-ning437100,China; 2.School of Automation,WuPan University of Tvhsmgy,WuPan430074,China)
Abstract:With the deVopmvl of mofe—mfotics tvhnompy,°/—-u—-mUols havv made great progress,and it has gmy—improved in the a-i+ty of a-tonomous ogeraUog•Va/ous intellipest and automated pOU—g mfols havv Ces applied to f——piching operation, which has changed the pmUuctiou of manual piching operation and gmy—improved—a operation VUc—scy.1n the process of a-tonomous operation of pich—g mUol,duy to the inPuesce of—a working envimn-mv——is wcvso—to monitor and ceutml—a mUol in real time and mmot—y to ensure the smooth operaUon of
piching. N intmUuced intel—pest speech recopni-on system into—e desipn of remote cout—1system of pOU—g mUol.Thmuad speech recognition ,the piching mUol can quich—execule action inst—ctious,—us avoiding—e decline of piching quality cansV Cy esvimumestal impact or the udepv—d situation of col—sOu accidvW,and improving the yPp—di——of the mUol to the envimumes/
Key woras:pOU—g—Sol;BP nesral network；speech recognition;int——pent coutml;feedfor—a—system
•253•
