基于機(jī)器學(xué)習(xí)的多類目標(biāo)識(shí)別方法分析

肖思昌，靳經(jīng)，潘敏，柳明

（1.國(guó)網(wǎng)武漢供電公司，湖北 武漢 430013；2.國(guó)網(wǎng)湖北省電力有限公司，湖北 武漢 430000）

目前，目標(biāo)識(shí)別在計(jì)算機(jī)領(lǐng)域中，成為熱點(diǎn)研究話題，并且，目標(biāo)識(shí)別的方法應(yīng)用也較為廣泛，尤其是在電力企業(yè)中，由于其環(huán)境較為復(fù)雜，基于機(jī)器學(xué)習(xí)的多類目標(biāo)識(shí)別，可有效將其運(yùn)用在電力設(shè)備中，識(shí)別到準(zhǔn)確的數(shù)據(jù)信息，不斷提高識(shí)別率，達(dá)到良好的識(shí)別效果。在其應(yīng)用過程中，采用相應(yīng)的方法，對(duì)目標(biāo)進(jìn)行精準(zhǔn)識(shí)別，可有效加快目標(biāo)識(shí)別速度，并在機(jī)器學(xué)習(xí)的基礎(chǔ)上，完善整體框架，以推動(dòng)科技領(lǐng)域的良好發(fā)展。

1 機(jī)器學(xué)習(xí)的基本理論

1.1 統(tǒng)計(jì)學(xué)習(xí)

統(tǒng)計(jì)學(xué)習(xí)理論是一種新型算法，其能夠計(jì)算較為復(fù)雜的數(shù)據(jù)，在該理論應(yīng)用的過程中，通常會(huì)應(yīng)用到計(jì)算機(jī)設(shè)備。在該理論中，支持向量機(jī)是較為常見的機(jī)器學(xué)習(xí)算法，該算法與傳統(tǒng)算法有所不同，在風(fēng)險(xiǎn)最小時(shí)，可對(duì)統(tǒng)計(jì)學(xué)習(xí)方法進(jìn)行有效優(yōu)化。在該模型中，可創(chuàng)建相應(yīng)的空間，并明確各個(gè)維度的目標(biāo)特征，結(jié)合特性之間存在的差異以及明確支撐向量，以此建立模型，利用數(shù)學(xué)公式描述則為：

根據(jù)兩條直線可求得最大值以及最小值，并將其進(jìn)行有效優(yōu)化，如，

式中，ζi代表松弛變量，可對(duì)相關(guān)問題進(jìn)行有效求解。因此，在支持向量機(jī)的應(yīng)用過程中，可有效針對(duì)超平面的向量進(jìn)行求解，并降低其風(fēng)險(xiǎn)，使風(fēng)險(xiǎn)達(dá)到最小化。同時(shí)，在該算法的應(yīng)用過程中，其具有較大的優(yōu)勢(shì)，在實(shí)際的應(yīng)用時(shí)，可將其靈活的應(yīng)用在各個(gè)類型中，能夠快速處理高維數(shù)據(jù)，避免對(duì)計(jì)算資源進(jìn)行大量消耗，以此取得良好的應(yīng)用成果。

此外，在統(tǒng)計(jì)學(xué)習(xí)理論中，還包含Softmax函數(shù)，該函數(shù)也可被稱為指數(shù)函數(shù)，能夠在多個(gè)領(lǐng)域進(jìn)行推廣。該函數(shù)中的任一元素和均為1，機(jī)器學(xué)習(xí)中，通常會(huì)輸入相應(yīng)的向量，并輸出與之相應(yīng)的概率，其數(shù)值在0-1之間，其中Softmax函數(shù)的表達(dá)式為，

該函數(shù)在計(jì)算過程中，其較為穩(wěn)定，不會(huì)出現(xiàn)較多的問題，造成算法過于復(fù)雜。在實(shí)際的應(yīng)用時(shí)，該函數(shù)可有效解決分類問題，其經(jīng)常應(yīng)用在圖像識(shí)別算法中，從而達(dá)到良好的使用效果。

1.2 深度學(xué)習(xí)

深度學(xué)習(xí)理論也是機(jī)器學(xué)習(xí)中的領(lǐng)域之一，該理論應(yīng)用的范圍相對(duì)較廣，如，圖像識(shí)別、語音識(shí)別等。在該理論深入的研究下，不斷將其轉(zhuǎn)為網(wǎng)絡(luò)探索，并利用數(shù)學(xué)工具，可有效培養(yǎng)深層神經(jīng)網(wǎng)絡(luò)，并使技術(shù)得到迅速提升。在神經(jīng)網(wǎng)絡(luò)中通常由多項(xiàng)神經(jīng)元構(gòu)成，并進(jìn)行簡(jiǎn)便計(jì)算，在深度學(xué)習(xí)理論中，神經(jīng)網(wǎng)絡(luò)技術(shù)較為常見。該技術(shù)具有良好的模塊結(jié)構(gòu)，在其計(jì)算應(yīng)用過程中，具有較強(qiáng)的適應(yīng)性，避免出現(xiàn)較多的問題，影響計(jì)算效果。在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中包含較多的內(nèi)容，全連接就是其中的一種形式，也是較為基本的計(jì)算方式。在該方式的應(yīng)用下，可應(yīng)對(duì)復(fù)雜的電力設(shè)備進(jìn)行分解，有效利用電力設(shè)備的拍攝結(jié)構(gòu)，通過將各個(gè)節(jié)點(diǎn)進(jìn)行有效連接，致使其參數(shù)量相較大，數(shù)值也相對(duì)較大。在實(shí)際的計(jì)算過程中，需花費(fèi)大量的時(shí)間，影響整體的計(jì)算效果，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中還包括激活函數(shù)。通過對(duì)該函數(shù)的應(yīng)用，可有效將模型帶入到非線性的特征中。在應(yīng)用過程中，具有良好的效果。此外，在神經(jīng)網(wǎng)絡(luò)模型中，還包含代價(jià)函數(shù)，該函數(shù)也是較為常用的函數(shù)之一，其公式如下：

通過對(duì)上述公式的應(yīng)用，可有效通過模型計(jì)算出具體的測(cè)量結(jié)果，并充分判斷結(jié)果的真實(shí)性，從而得出準(zhǔn)確的數(shù)值。

2 基于機(jī)器學(xué)習(xí)的多類目標(biāo)識(shí)別的具體方法

2.1 虛擬數(shù)據(jù)識(shí)別方法

基于機(jī)器學(xué)習(xí)，可有效進(jìn)行目標(biāo)識(shí)別，在實(shí)際的識(shí)別過程中，可采用虛擬數(shù)據(jù)的識(shí)別方法，如Faster R-CNN、DPM、Haar分類器等，通過該三類方法的應(yīng)用，可有效對(duì)目標(biāo)進(jìn)行準(zhǔn)確識(shí)別，以實(shí)現(xiàn)目標(biāo)識(shí)別的效果。

其中，在Faster R-CNN方法的應(yīng)用過程中，可應(yīng)用在深入的目標(biāo)識(shí)別中，該方法是由區(qū)域網(wǎng)絡(luò)以及目標(biāo)識(shí)別網(wǎng)絡(luò)相結(jié)合構(gòu)成的識(shí)別方法，在該方法中還可將其進(jìn)行有效劃分，分成回歸網(wǎng)絡(luò)以及目標(biāo)分值網(wǎng)絡(luò)。為此，在實(shí)際輸出的過程中，會(huì)顯示出被檢測(cè)圖像的相關(guān)區(qū)域位置實(shí)際坐標(biāo)，以及相應(yīng)的分值。其中在電力企業(yè)運(yùn)行過程中，可通過該方法對(duì)制定目標(biāo)進(jìn)行有效識(shí)別，對(duì)電力設(shè)備影像進(jìn)行標(biāo)注，以此提高電力設(shè)備識(shí)別效率。

同時(shí)，DPM方法時(shí)利用HOG的主要特點(diǎn)以獲取相應(yīng)的目標(biāo)信息，并構(gòu)建目標(biāo)與部件之間的相應(yīng)關(guān)系，以此有效識(shí)別具體的目標(biāo)物體。在DPM方法應(yīng)用過程中，也可應(yīng)用在為標(biāo)準(zhǔn)具體部件的情形下。針對(duì)該情況，可有效利用分辨率圖像掌握HOG的主要特征，并通過對(duì)模型的有效應(yīng)用，以此充分表示防振錘的各個(gè)角度。并在此過程中，還需利用latentsvm方法形成相關(guān)的防振錘模型，通過對(duì)其有效識(shí)別，可充分了解各個(gè)模型之間存在的關(guān)系，明確各個(gè)模型具體的位置。

在此基礎(chǔ)上，利用虛擬數(shù)據(jù)模仿相應(yīng)的場(chǎng)景時(shí)，能夠準(zhǔn)確的了解目物體的具體位置，并在應(yīng)用haar分類器時(shí)，則針對(duì)不同的器具建立相應(yīng)的分類器。并且，通過adaboost計(jì)算時(shí)，需輸入類似正方形大小的數(shù)據(jù)集，則輸出的結(jié)果均為各個(gè)目標(biāo)物體的外接正方形。但是，在分類器應(yīng)用的過程中，其特征相對(duì)較少，難以得到良好的分類效果，無法高效完成目標(biāo)識(shí)別工作，影響整體的識(shí)別效果。通過對(duì)虛擬數(shù)據(jù)識(shí)別方法，可有效對(duì)電力影像問題進(jìn)行充分模擬，并利用虛擬影像進(jìn)行充分標(biāo)記，以此進(jìn)行科學(xué)的目標(biāo)識(shí)別，取得良好的應(yīng)用成果。

2.2 增強(qiáng)遷移學(xué)習(xí)目標(biāo)識(shí)別

基于機(jī)器學(xué)習(xí)的目標(biāo)識(shí)別方法中，還包括增強(qiáng)遷移學(xué)習(xí)目標(biāo)識(shí)別，其中，在機(jī)器學(xué)習(xí)中，神經(jīng)網(wǎng)絡(luò)需學(xué)習(xí)較多的參數(shù)，并需耗費(fèi)較多的計(jì)算量，在各個(gè)分類任務(wù)中，均需重新獲取搜集相應(yīng)的數(shù)據(jù)，進(jìn)行標(biāo)注，構(gòu)建模型等。該過程較為復(fù)雜，尤其是在模型的前期構(gòu)建過程中，其影響模型的精確率，其中遷移學(xué)習(xí)是機(jī)器學(xué)習(xí)中的領(lǐng)域之一，可有效應(yīng)用在電力設(shè)備的識(shí)別中。

通過遷移學(xué)習(xí)，可有效將無法構(gòu)建出完整模型的相關(guān)參數(shù)，遷移到新的模型中，從而可充分解決有關(guān)問題，遷移學(xué)習(xí)在機(jī)器學(xué)習(xí)中占據(jù)重要的地位，在目標(biāo)識(shí)別過程中，遷移學(xué)習(xí)方法包含兩種形式，對(duì)已出現(xiàn)識(shí)別錯(cuò)誤率偏高的目標(biāo)提高數(shù)據(jù)辨識(shí)度。同時(shí)，在圖像數(shù)據(jù)處理過程中，應(yīng)當(dāng)采用空間幾何以及像素點(diǎn)變換的方式，利用空間幾何變換，則可直接進(jìn)行旋轉(zhuǎn)平移。在放射變換過程中，盡量在信息保留的情形下，最大化的增強(qiáng)神經(jīng)網(wǎng)絡(luò)。通過遷移學(xué)習(xí)，可有效使電力設(shè)備對(duì)實(shí)拍影像進(jìn)行有效檢測(cè)，并且，在電力影像像素點(diǎn)變換時(shí)，應(yīng)當(dāng)采用圖像增強(qiáng)以及去噪的方式進(jìn)行有效變換，以此能夠有效的降低分辨失誤率，減少誤差值，以降低目標(biāo)域出現(xiàn)較大的差值的效果。

在遷移學(xué)習(xí)的目標(biāo)識(shí)別過程中，可有效處理數(shù)據(jù)過于依賴的問題，并降低出現(xiàn)問題的概率。通過對(duì)該方法的應(yīng)用，能夠及時(shí)處理分類錯(cuò)誤的問題，在目標(biāo)識(shí)別的基礎(chǔ)上，提高目標(biāo)物體的識(shí)別率，以對(duì)分類錯(cuò)誤的樣本進(jìn)行有效改正，并不斷引進(jìn)先進(jìn)的理念，以減小遷移學(xué)習(xí)中帶來的誤差。因此，在該方法的應(yīng)用過程中，可更好地處理參數(shù)初始化的問題，避免目標(biāo)域受到較大的影響，難以完成分類任務(wù)。從而在增強(qiáng)遷移學(xué)習(xí)的目標(biāo)識(shí)別方法中，可對(duì)相應(yīng)的分類器進(jìn)行充分利用，并對(duì)其讀取的數(shù)值進(jìn)行有效的融合，以此利用平均值的方式，以獲取目標(biāo)物體的實(shí)際情況，以及各個(gè)物體間的方差，了解相關(guān)類別中共有特性，從而增強(qiáng)目標(biāo)識(shí)別的準(zhǔn)確率。

2.3 復(fù)用特征目標(biāo)識(shí)別

基于機(jī)器學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，在計(jì)算機(jī)領(lǐng)域起到了顯著的作用，通常應(yīng)用在目標(biāo)識(shí)別過程中，其具有較大的優(yōu)勢(shì)。在卷積計(jì)算過程中，可將其融入到神經(jīng)網(wǎng)絡(luò)中，以此達(dá)到優(yōu)化數(shù)據(jù)的效果，得出較小的計(jì)算量，以此不斷推動(dòng)機(jī)器學(xué)習(xí)的有效發(fā)展，提高其學(xué)習(xí)高度。在電力設(shè)備的運(yùn)行中，不斷采用復(fù)用特征的方法以完成目標(biāo)識(shí)別的工作，從而提高識(shí)別設(shè)備的使用性能。

在對(duì)該方法應(yīng)用的過程中，需合理選擇復(fù)用特征，選擇時(shí)，需結(jié)合人腦的控制機(jī)制，若大腦接收到外界信息時(shí)，無法對(duì)其進(jìn)行全面處理。但對(duì)針對(duì)該目標(biāo)集中注意力，可有效忽視相關(guān)不重要信息，以此提高整體的處理效率，通過注意力集中處理，使計(jì)算維度逐漸下降。并以不同的形式展現(xiàn)，在電力企業(yè)發(fā)展過程中，可將該方法應(yīng)用在圖像識(shí)別過程中。利用該方法能夠有效降低計(jì)算維度，并對(duì)無效信息進(jìn)行全面過濾，以此提高目標(biāo)識(shí)別率，可達(dá)到良好的識(shí)別效果。

3 結(jié)語

總之，基于機(jī)器學(xué)習(xí)的多類目標(biāo)識(shí)別使我國(guó)研究的主要方向之一，在目標(biāo)識(shí)別過程中，需以圖像分類任務(wù)為基本原理，明確具體的識(shí)別過程，對(duì)機(jī)器學(xué)習(xí)展開有效分析，了解其各個(gè)理論的實(shí)際應(yīng)用以及其計(jì)算公式。并在實(shí)際的目標(biāo)識(shí)別過程中，選用相適宜的方法，對(duì)數(shù)據(jù)參數(shù)進(jìn)行不斷優(yōu)化，從而能夠加快計(jì)算速度，進(jìn)一步發(fā)揮目標(biāo)識(shí)別的自身優(yōu)勢(shì)，使其得到廣泛應(yīng)用。