基于深度神經網絡的視覺識別分類研究

李金澤

摘要：智能機器人的發(fā)展有賴于數(shù)字算法和圖像識別等技術的支持，視覺作為智能機器人與現(xiàn)實世界相溝通的渠道和基礎，對于數(shù)字算法要求也極為苛刻。而圖像識別技術作為智能機器人視覺的基礎，同樣也需要算法的支持，但是受到當前科技下算法等級的限制，智能機器人圖像識別的識別率想要進一步發(fā)展卻受到了很大的限制。因此為了解決這一難題，我們可以通過深度神經網絡，促進智能機器人深度學習，再配合機器人分揀技術，這樣就有效可以提高機器人的智能性。

關鍵詞：機器人深度學習 圖像識別 卷積神經網絡

引言

智能機器人的出現(xiàn)改變了人們的工業(yè)生產現(xiàn)狀以及日常生活方式，而科學技術的發(fā)展又為智能機器人不斷的增加新的功能，提高了他們的智能性。機器人的視覺識別技術在工業(yè)生產中發(fā)揮了很大的作用，通過對于圖像進行掃描識別，機器人可以利用算法自行解決一些生產問題，因此智能機器人對于改善生產效率發(fā)揮了很大的作用。但是，目前由于受到算法的限制，智能機器人的圖像掃描技術依然不理想，掃描出的圖像會出現(xiàn)模糊、殘缺、準確度差、識別效率低等

不良現(xiàn)象，這些都是當前智能機器人專業(yè)中亟待解決的問題。

1智能機器人深度學習

所謂的智能機器人就是通過算法模擬正常人類的思維方式，再通過機器人的形式復制人類的思維方式并展示出來，思維方式越接近人類，機器人也就越智能。因此，人類想要讓自己變得更聰明就需要不斷學習，對于智能機器人而言也是同樣的道理。

在目前的人工智能領域中深度學習是比較熱門的一個研究課題，他也是目前科學家所發(fā)現(xiàn)的最為接近人類思維方式的一種學習模式。深度學習可以通過高精度的模擬方式，建立一個類似于人類大腦中神經網絡的系統(tǒng)，全方位的模擬人類的大腦機制，并將現(xiàn)實世界分解成類似于圖像、音頻、文本等數(shù)據(jù)，利用算法思考和解決問題，達到高精度擬人的人工智能模式。機器人的深度學習是通過神經網絡將數(shù)據(jù)集合到一起作為輸入源再通過另一層神經網絡激活相應的算法函數(shù)，并將運算完的數(shù)據(jù)再次集合到一起作為輸出源，傳遞向下一層神經網絡。因此，數(shù)據(jù)在神經網絡中逐層遞進，經過精準復雜的處理，最終形成讓機器人產生類人行為的指令，機器人也就因此而表現(xiàn)出了智能化。智能機器人深度圖像與深度學習結合技術基本原理圖如圖一所示：

其實想讓機器人表現(xiàn)出接近人的思維方式和動作行為都不是一個簡單的問題，其過程非常的復雜和精密過程中出現(xiàn)一點微小的差錯.都可能導致機器人的智能系統(tǒng)崩潰。因此為了能夠全面細致的進行智能機器人的深度學習，可以將機器人的深度學習任務細分為幾個子任務進行：

（1）機器人的智能識別是以圖像掃描識別技術為基礎的，因此在進行智能識別調試時，可以結合機器人的分揀識別任務，深入研究智能機器人神經網絡的運作機理，通過深度學習和分析對同一個物體進行多段掃描，并找出最佳的掃描識別方式。

（2）對于智能機器人而言，收集樣本、統(tǒng)計分析和處理數(shù)據(jù)是其最基本的能力，因此想要強化智能機器人的視覺識別技術，就要設計出精密度更大的視覺網絡模型，給機器人的視覺掃描足夠的技術支持。

（3）想要讓智能機器人表現(xiàn)出更精確的視覺識別技術，就要深入探究機器人的掃描識別框架以及機器人進行圖像分類的學習框架，通過對識別框架的改良，從根本上解決機器人圖像掃描識別的問題。

（4）通過反復試驗驗證學習模型的準確率以及圖像模型的掃描識別率，最后進行數(shù)據(jù)的分析和處理，并得出相應的結論。

2國內外研究現(xiàn)狀

目前國內外的實驗室對于智能機器人的圖像識別和分類技術研究已經擁有了一定的成果，最初人們利用人工標注的方式引導機器人進行圖像識別，并將識別的圖像與機器人內部儲存的圖像進行對比，最后才能夠得出結論，進行分類。但這種識別方式應對隨機環(huán)境時表現(xiàn)出的智能性較差，且只能夠分析被標注的、固定的圖像信息，對陌生信息的處理能力幾乎為零。因此研究人員為了改變這種狀況，通過提高計算機數(shù)字算法，企圖讓機器人擺脫人類標注的控制。因此在各種圖像分類技術和算法的相繼提出之后，智能機器人終于可以擁有了自主的圖像掃描和識別能力，這種能力就是由基于智能機器人神經網絡的的深度學習所賦予的。

研究人員通過構建神經網絡模型，配合最先進的算法技術，讓機器人能夠自主觀察識別，并通過算法的分析，得出對物體特征性能等方面數(shù)據(jù)的分析結果，最后通過機器人的中央處理系統(tǒng)進行一系列精密而復雜的數(shù)據(jù)處理，并對機器人發(fā)出相應的行為指令。由于高科技算法的加入，因此這類智能機器人在圖像識別能力上與之前的機器人相比加強了很多，掃描識別的誤差被控制在了一個極小的范圍，圖像分類的錯誤率也達到了可以接受的范圍程度。

3卷積神經網絡

3.1卷積神經網絡概述

卷積神經網絡的發(fā)展歷史并不長，使人工智能領域近幾年才興起的一種新型熱門技術。由于卷積神經網絡具備超強的掃描識別和圖像處理技術，因此它被廣泛應用到人工智能機器人身上，其次研究人員才大體上解決了智能機器人的視覺掃描和圖像分類問題。由此可以說，卷積神經網絡在智能機器人領域發(fā)揮了重大的作用。

卷積神經網絡在圖像識別和圖像掃描方面快創(chuàng)出了一條新的研究途徑，它區(qū)別于以往僅僅通過不同的算法來進行圖像的識別和掃描。卷積神經網絡根據(jù)局部感受野的啟發(fā)，利用權值共享結構，有效的減少了神經網絡運行所需要的參數(shù)，降低了神經網絡結構的復雜性，加快了圖像識別和掃描的速度，并且提高了準確率。卷積神經網絡原理圖如圖二所示：

3.2卷積神經網絡的網絡結構

卷積神經網絡相較于普通的神經網絡，具備了相對簡單的結構，它除了擁有最基本的輸入層和輸出層之外還具有卷積層和全連接層。卷積神經網絡利用權值共享結構可以高效的處理圖像的掃描識別和識別任務，應用的這種技術的機器人在反應速度上已經可以達到一個十分驚人的標準。

4結束語

伴隨世界經濟與科技的發(fā)展，人力資源在未來必將得到充分的解放，一些重復單調、繁瑣復雜的工作完全可以由工作效率更高、精密度更大、準確性更強的智能機器人來代替人工操作。而其余深度神經網絡的視覺識別技術作為智能機器人從真實世界中獲取信息、實現(xiàn)智能的重要途徑之一，也必將在未來研究人員的深入挖掘下，使這項技術更加完善、高端，使智能機器人在未來擁有更廣闊的應用市場，而智能機器人也能夠結合更多的高科技手段為人類提供更便捷、安全的服務。

參考文獻

[1]魏麗冉，岳峻，朱華，牟夢嬡，楊照璐，基于深度神經網絡的人體動作識別方法，濟南大學學報，自然科學版，2019. 03：215—223+228

[2]楊帆，基于卷積神經網絡的肺結節(jié)分類算法的研究[Δ]，太原理工大學

[3]蔣鑫，基于深度學習的∑AP圖像目標識別分類研究[Δ]電子科技大學

[4]張建恒，基于深度學習機制的智能秉性裝卸機器人視覺識別方法[Δ]重慶理工大學，2018