一种传感数据驱动的斯诺克辅助练习方法

技术领域

本发明涉及一种传感数据驱动的斯诺克辅助练习方法。

背景技术

斯诺克台球是一种用球杆在台上击球，根据得分作为比赛胜负的室内体育项目。不管是专业选手还是斯诺克业余训练者，除了自身不断练习之外，如果有一种斯诺克辅助练习系统进行击球训练，就可以帮助斯诺克训练者很好地进行击球练习，从而提高斯诺克训练者的击球水平。

现有技术提供的斯诺克辅助练习方法，主要针对辅助训练装置，提供斯诺克训练者击球的瞄准训练，不能在击球训练前提供具体的击球方案来指导斯诺克训练者击球。

发明内容

本发明的目的是提供一种传感数据驱动的斯诺克辅助练习方法，在击球训练前提供具体的击球方案来指导斯诺克训练者击球。

实现本发明目的的技术方案是：一种传感数据驱动的斯诺克辅助练习方法，包括以下三个阶段：

态势感知阶段，为在桌面上方布置视觉传感模块对斯诺克当前位置桌球态势进行检测与评估；

击打训练阶段，为在球杆上安装激光瞄准模块和微惯性测量模块对击球参数进行采集与反馈；

自主学习阶段，为在传感数据驱动下采用模糊神经网络进行桌球击打角度和力度的有效输出，实现基于数据驱动的斯诺克辅助练习。

所述态势感知阶段具体包括以下步骤：

步骤一，在桌球台面上方部署视觉传感模块对台面上的桌球进行图像采集处理，采用中值滤波法结合闭运算对图像噪声进行处理并对桌球边缘轮廓增强滤波，考虑背景和光照因素采用阈值分割进行图像特征提取，得到台面桌球整体视觉信息；

步骤二，建立以台球桌面长短库边分别为X轴和Y轴的直角坐标系，计算每帧图像中每个台球在台面中几何坐标，计算台球与台球间的几何距离和斜率参数，结合台球桌面固定的长宽度参数确定各台球离库边的几何距离；

步骤三，基于台球击打规则初步筛选出可以击打的目标台球，同时计算母球与目标台球落入不同洞口的碰撞角度，形成基于进球难易排列的台球态势评估并确定母球与目标台球之间的碰撞路线。

所述态势感知阶段的步骤一中的采用中值滤波法结合闭运算对图像噪声进行处理具体为：通过中值滤波去掉噪声，并通过闭运算进行平滑边界。

所述态势感知阶段的步骤一中采用阈值分割进行图像特征提取的方法具体为：根据图像中台球和背景桌面的二值化之后的灰度值不一样的特性，基于灰度级出发选取一个阈值来表示台球，其余表示台面，从而得到台面桌球的整体视觉信息。

所述击打训练阶段具体包括以下步骤：

步骤一，由于球杆击打母球中心、中上、中下以及母球与目标台球碰撞时偏离不同的角度，对母球和目标台球的碰撞到达位置不同，采用激光瞄准模块进行母球与目标台球击打中心的瞄准；

步骤二，采用微惯性传感模块中的三轴加速度和三轴陀螺模块，采集球杆击打时的角加速度和加速度，输入球杆的运行姿态并代入比力方程进行计算，得到球杆击打时的姿态、加速度、速度和位移惯性参量；

步骤三，建立球杆击打加速度与击打力之间的数学模型，基于微惯性传感模块惯性参量计算击球者的击打力，并对每次击打过程中的击打力、台球位移、最终坐标间的对偶映射关系进行记录。

所述自主学习阶段具体包括以下步骤：

步骤一，基于记录的击球者训练数据建立模糊神经网络控制器，定义模糊子集对应的高斯型隶属度函数，结合模糊控制规则对训练数据进行学习推理，构建包含母球坐标、目标台球坐标、击球力量三输入与角度、力度双输出的结构。

步骤二，当击球者开始击球时，模糊神经网络控制器基于当前台球实时态势，为击球者输出对应的角度和力度参数，通过击球者不断练习并将每次训练结果输入到学习网络中，对模糊神经网络控制器不断优化，实现基于数据驱动的斯诺克辅助练习。

采用了上述技术方案，本发明具有以下的有益效果：(1)本发明利用视觉传感模块检测当前位置桌球态势，结合激光瞄准模块和微惯性测量模块完成击球参数的采集与反馈，建立模糊控制规则对训练数据进行学习推理，构建包含母球坐标、目标台球坐标、击球力量三输入与角度、力度双输出的结构，实现在击球训练前为斯诺克训练者提供最佳角度和力度的指导。

(2)本发明通过击球者不断练习并将每次训练结果输入到学习网络中，对模糊神经网络控制器进行不断优化，实现基于数据驱动的斯诺克辅助练习系统。本发明对球面、台球和球杆进行智能感知，通过模糊神经网络控制器为击球者输出对应的角度和力度参数，能够有效指导斯诺克训练者进行击球训练，从而提高击球技能，本发明实用性强、安全可靠，安装和操作都非常方便。

具体实施方式

(实施例1)

本实施例的传感数据驱动的斯诺克辅助练习方法，包括以下三个阶段：

态势感知阶段，为在桌面上方布置视觉传感模块对斯诺克当前位置桌球态势进行检测与评估，具体包括以下步骤：

步骤一，在桌球台面上方部署视觉传感模块对台面上的桌球进行图像采集处理，采用中值滤波法结合闭运算对图像噪声进行处理并对桌球边缘轮廓增强滤波，考虑背景和光照因素采用阈值分割进行图像特征提取，得到台面桌球整体视觉信息。其中，采用中值滤波法结合闭运算对图像噪声进行处理具体为：通过中值滤波去掉噪声，并通过闭运算进行平滑边界。采用阈值分割进行图像特征提取的方法具体为：根据图像中台球和背景桌面的二值化之后的灰度值不一样的特性，基于灰度级出发选取一个阈值来表示台球，其余表示台面，从而得到台面桌球的整体视觉信息。

步骤二，建立以台球桌面长短库边分别为X轴和Y轴的直角坐标系，计算每帧图像中每个台球在台面中几何坐标，计算台球与台球间的几何距离和斜率参数，结合台球桌面固定的长宽度参数确定各台球离库边的几何距离。

步骤三，基于台球击打规则初步筛选出可以击打的目标台球，同时计算母球与目标台球落入不同洞口的碰撞角度，形成基于进球难易排列的台球态势评估并确定母球与目标台球之间的碰撞路线。

击打训练阶段，为在球杆上安装激光瞄准模块和微惯性测量模块对击球参数进行采集与反馈，具体包括以下步骤：

步骤一，由于球杆击打母球中心、中上、中下以及母球与目标台球碰撞时偏离不同的角度，对母球和目标台球的碰撞到达位置不同，采用激光瞄准模块进行母球与目标台球击打中心的瞄准。

步骤二，采用微惯性传感模块中的三轴加速度和三轴陀螺模块，采集球杆击打时的角加速度和加速度，输入球杆的运行姿态并代入比力方程进行计算，得到球杆击打时的姿态、加速度、速度和位移惯性参量。

步骤三，建立球杆击打加速度与击打力之间的数学模型，基于微惯性传感模块惯性参量计算击球者的击打力，并对每次击打过程中的击打力、台球位移、最终坐标间的对偶映射关系进行记录。

自主学习阶段，为在传感数据驱动下采用模糊神经网络进行桌球击打角度和力度的有效输出，实现基于数据驱动的斯诺克辅助练习，具体包括以下步骤：

步骤一，基于记录的击球者训练数据建立模糊神经网络控制器，定义模糊子集对应的高斯型隶属度函数，结合模糊控制规则对训练数据进行学习推理，构建包含母球坐标、目标台球坐标、击球力量三输入与角度、力度双输出的结构。

高斯型隶属度函数由两个参数c和σ确定，具体为：

其中：x代表变量，包括坐标和力量参数；c和σ分别代表变量的期望和方差。

步骤二，当击球者开始击球时，模糊神经网络控制器基于当前台球实时态势，为击球者输出对应的角度和力度参数，通过击球者不断练习并将每次训练结果输入到学习网络中，对模糊神经网络控制器不断优化，实现基于数据驱动的斯诺克辅助练习。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。