深度學(xué)習(xí)在智能小車(chē)多目標(biāo)識(shí)別中的應(yīng)用★

易禮智

（湖南工程職業(yè)技術(shù)學(xué)院，湖南 長(zhǎng)沙 410151）

引言

深度學(xué)習(xí)是現(xiàn)有拓展智能化裝置設(shè)備效用最為有效的方式，近年來(lái)被目標(biāo)識(shí)別、智能檢測(cè)、全自動(dòng)駕駛等各行各業(yè)所接納。在深度學(xué)習(xí)中，相關(guān)研究人員可以將所要檢測(cè)的事物進(jìn)行全景模擬，在一定程度上促進(jìn)了智能產(chǎn)業(yè)的飛速發(fā)展。此外，在智能化學(xué)習(xí)檢測(cè)中，所要面對(duì)與處理的目標(biāo)數(shù)量龐大，因此不能進(jìn)行逐個(gè)的單獨(dú)分析，應(yīng)當(dāng)在深度學(xué)習(xí)中尋求一種能夠?qū)崿F(xiàn)多目標(biāo)識(shí)別的學(xué)習(xí)方式進(jìn)行智能化裝置的運(yùn)用。場(chǎng)景模擬與場(chǎng)景信息提取是解決多目標(biāo)識(shí)別的難題，因此在后續(xù)研究分析中，必須進(jìn)行單一目標(biāo)與多目標(biāo)的識(shí)別探討。

智能小車(chē)作為近年來(lái)興起的一項(xiàng)高智能產(chǎn)物，十分契合科學(xué)探索與其他無(wú)人作業(yè)形式，但是在作業(yè)過(guò)程中會(huì)遭受許多問(wèn)題，其中較為嚴(yán)重的就是如何進(jìn)行多目標(biāo)的識(shí)別。智能小車(chē)進(jìn)行任務(wù)執(zhí)行，所接收的任務(wù)不止一個(gè)，所要面對(duì)的行動(dòng)目標(biāo)也有不同，因此實(shí)現(xiàn)智能小車(chē)的多目標(biāo)識(shí)別進(jìn)行分析，結(jié)合深度學(xué)習(xí)的方式將其拓展到智能小車(chē)的實(shí)際使用中，能夠快速對(duì)智能小車(chē)指令系統(tǒng)與目標(biāo)物體進(jìn)行精確定位，有助于智能小車(chē)的未來(lái)發(fā)展?jié)摿Φ耐诰颉?/p>

1 基于深度學(xué)習(xí)的識(shí)別算法分析

基于深度學(xué)習(xí)的識(shí)別算法相較于傳統(tǒng)目標(biāo)識(shí)別算法，具備自動(dòng)化規(guī)劃、自動(dòng)化信息特征提取以及精確識(shí)別目標(biāo)等優(yōu)點(diǎn)，是值得相關(guān)科研人員將目光投入其研究過(guò)程中的。當(dāng)前基于深度學(xué)習(xí)的識(shí)別算法主要有兩種，第一種是采用框架篩選的方式進(jìn)行目標(biāo)的收納與識(shí)別；其次是采用線(xiàn)性回歸方程式，使用回歸方式在所收集的信息網(wǎng)絡(luò)結(jié)構(gòu)中進(jìn)行細(xì)度回歸與分類(lèi)，能夠最大程度減少數(shù)據(jù)信息的計(jì)算與采集，這種方式相較于框架篩選所進(jìn)行的計(jì)算更為便捷。

1.1 卷積神經(jīng)網(wǎng)絡(luò)識(shí)別理論

卷積神經(jīng)網(wǎng)絡(luò)是一種特殊的人工網(wǎng)絡(luò)結(jié)構(gòu)，因其內(nèi)部進(jìn)行運(yùn)算時(shí)采用卷積計(jì)算而得名，該項(xiàng)神經(jīng)網(wǎng)絡(luò)運(yùn)行時(shí)能夠?qū)⑺占膱D像直接進(jìn)行后臺(tái)網(wǎng)絡(luò)中進(jìn)行多個(gè)目標(biāo)的信息提取，而且能夠適用于較為復(fù)雜的圖像。在卷積神經(jīng)網(wǎng)絡(luò)的卷積層中，將每一個(gè)神經(jīng)節(jié)點(diǎn)與對(duì)應(yīng)區(qū)域進(jìn)行相互連接，根據(jù)連接區(qū)域的大小進(jìn)行群眾計(jì)算與網(wǎng)絡(luò)內(nèi)部成像。簡(jiǎn)而言之，就是將所有信息數(shù)據(jù)由于卷積核進(jìn)行篩選，將符合的目標(biāo)信息進(jìn)行最優(yōu)處理，以此來(lái)保證有效信息、目標(biāo)的傳輸。圖1中，將右邊的神經(jīng)網(wǎng)絡(luò)與左邊的數(shù)據(jù)庫(kù)進(jìn)行有效連通，在神經(jīng)網(wǎng)絡(luò)接收到外部信息時(shí)，將相關(guān)數(shù)據(jù)由矩陣內(nèi)部進(jìn)行輸入，此時(shí)，存在于該神經(jīng)結(jié)構(gòu)中的所有神經(jīng)節(jié)點(diǎn)權(quán)重不變，從這一點(diǎn)可將該卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)行過(guò)程看做一個(gè)實(shí)現(xiàn)內(nèi)積的途徑，因此可以將上述信息識(shí)別方式成為“卷積”識(shí)別。

結(jié)合上述識(shí)別原理機(jī)制，將圖中的原始信息經(jīng)過(guò)過(guò)濾裝置從而生成全新的二階數(shù)據(jù)信息，就可將它當(dāng)做一維卷積和二維卷積流程，上述兩種卷積過(guò)程均滿(mǎn)足線(xiàn)性要求，如下頁(yè)圖2所示。

1.2 卷積神經(jīng)網(wǎng)絡(luò)識(shí)別算法

在卷積神經(jīng)網(wǎng)絡(luò)中的識(shí)別算法主要以YOLO算法為主，該種算法是根據(jù)深度學(xué)習(xí)改進(jìn)下的卷積神經(jīng)網(wǎng)絡(luò)為出發(fā)點(diǎn)，經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)的一次性運(yùn)算，就能得出深度卷積識(shí)別信息的過(guò)程，能夠提高對(duì)目標(biāo)進(jìn)行識(shí)別的功能，并且能夠在多目標(biāo)的條件下確保識(shí)別信息的準(zhǔn)確性。此類(lèi)方式將傳統(tǒng)圖像信息收集進(jìn)行優(yōu)化，采用回歸方程的預(yù)測(cè)模板來(lái)確認(rèn)目標(biāo)信息的明確定位，避免出現(xiàn)大規(guī)模運(yùn)算。

2 深度學(xué)習(xí)在智能小車(chē)多目標(biāo)識(shí)別中的應(yīng)用

結(jié)合1中所展示的YOLO算法為基礎(chǔ)模板，以智能小車(chē)的多目標(biāo)識(shí)別系統(tǒng)設(shè)計(jì)為主題，進(jìn)行識(shí)別系統(tǒng)的開(kāi)發(fā)，其研究基于C/S的軟件系統(tǒng)分析深度學(xué)習(xí)在智能小車(chē)多目標(biāo)識(shí)別中的應(yīng)用。

2.1 智能小車(chē)多目標(biāo)識(shí)別系統(tǒng)設(shè)計(jì)

智能小車(chē)在運(yùn)行過(guò)程容易受到外界環(huán)境因素的干擾，導(dǎo)致在識(shí)別目標(biāo)信息時(shí)出現(xiàn)一定的偏差，并且在后續(xù)傳輸圖像與目標(biāo)信息時(shí)容易出現(xiàn)混亂，需要對(duì)所傳輸?shù)男畔⑦M(jìn)行二次加工，嚴(yán)重影響智能小車(chē)的工作效率。針對(duì)上述情況的發(fā)生，首先要在內(nèi)部設(shè)置專(zhuān)門(mén)的圖像篩查裝置，在智能小車(chē)運(yùn)轉(zhuǎn)時(shí)對(duì)周?chē)梢赡繕?biāo)進(jìn)行定期勘查，并且在記錄信息圖像的過(guò)程中，必須選好角度，以微弱角度觀察整體識(shí)別空間內(nèi)部情況，將處理好的信息與實(shí)際地點(diǎn)相互對(duì)應(yīng)，隨后將所檢測(cè)到的位置信息、圖像以及設(shè)備傳輸?shù)叫畔⑹占瘞?kù)中，向指令發(fā)出者展示所觀察到的全部信息數(shù)據(jù)。

2.2 智能攝像頭多目標(biāo)檢測(cè)

在進(jìn)行智能小車(chē)多目標(biāo)識(shí)別過(guò)程中，可以將智能小車(chē)運(yùn)用于一個(gè)長(zhǎng)度30 m，寬度20 m，總面積為600 m2的空間中，此空間相較于智能小車(chē)顯得尤為空曠，因此采用單一攝像頭不能實(shí)現(xiàn)全景掌控，也不利于實(shí)現(xiàn)多目標(biāo)識(shí)別檢測(cè)，為了保障所收集信息數(shù)據(jù)的完整性，需要根據(jù)實(shí)際需要在智能小車(chē)內(nèi)部安裝至少4個(gè)攝像頭，即在智能小車(chē)的四個(gè)方位上，安裝位置如圖3所示。

根據(jù)上述安裝位置，可以將該智能小車(chē)攝像頭裝置進(jìn)行啟用，由于攝像頭內(nèi)部安裝目標(biāo)識(shí)別板塊，用過(guò)神經(jīng)節(jié)點(diǎn)、內(nèi)置無(wú)限路由器等，將所識(shí)別的圖像、目標(biāo)以及鎖定位置信息進(jìn)行傳輸，在云服務(wù)器內(nèi)部將收集的信息根據(jù)實(shí)際需要進(jìn)行相關(guān)攝像頭的扭轉(zhuǎn)。此外，在進(jìn)行多目標(biāo)信息識(shí)別時(shí)，首先要將所收集的信息數(shù)據(jù)進(jìn)行指令目標(biāo)檢測(cè)，根據(jù)視覺(jué)鎖定來(lái)精確定位多個(gè)目標(biāo)的具體坐標(biāo)位置，然后按照上述步驟進(jìn)行目標(biāo)信息傳輸。

2.3 目標(biāo)數(shù)據(jù)庫(kù)建立

基于深度學(xué)習(xí)在智能小車(chē)多目標(biāo)識(shí)別中的運(yùn)用，不可或缺的前提條件就是數(shù)據(jù)庫(kù)的建立，數(shù)據(jù)庫(kù)中所包含的信息包括進(jìn)行識(shí)別目標(biāo)的名稱(chēng)、性質(zhì)以及基本方位等，此外，還要建立一個(gè)智能小車(chē)識(shí)別系統(tǒng)在作業(yè)期間所收集的信息數(shù)據(jù)歸納庫(kù)，方便后續(xù)復(fù)盤(pán)工作的查詢(xún)與檢測(cè)。此數(shù)據(jù)庫(kù)采用MYSQL系統(tǒng)為藍(lán)本，在該系統(tǒng)內(nèi)部塑造多個(gè)目標(biāo)的識(shí)別信息，從而實(shí)現(xiàn)目標(biāo)信息的分裂化管理，該系統(tǒng)內(nèi)部主要包含多目標(biāo)排列序號(hào)，權(quán)限定格為自動(dòng)化增長(zhǎng)；名稱(chēng)，將目標(biāo)識(shí)別進(jìn)行確認(rèn)；儲(chǔ)存設(shè)備名稱(chēng)；多目標(biāo)位置信息，包括多目標(biāo)的空間坐標(biāo)；數(shù)量，包含進(jìn)行識(shí)別的目標(biāo)是兩以及總數(shù)量。

2.4 多目標(biāo)識(shí)別實(shí)驗(yàn)分析

針對(duì)智能小車(chē)多目標(biāo)識(shí)別運(yùn)用進(jìn)行實(shí)例分析，將智能小車(chē)的識(shí)別環(huán)境設(shè)置為道路場(chǎng)景模型，主要是對(duì)障礙物、其他車(chē)輛、引導(dǎo)線(xiàn)進(jìn)行識(shí)別，并將其具體坐標(biāo)進(jìn)行傳輸。此次實(shí)驗(yàn)中的目標(biāo)有障礙物、其他車(chē)輛、引導(dǎo)線(xiàn)，并且進(jìn)行坐標(biāo)偵查，因此具備多目標(biāo)識(shí)別的基本特征。

采用YOLO識(shí)別裝置在anchors中的運(yùn)行機(jī)制，將不同道路場(chǎng)景目標(biāo)的anchors與數(shù)據(jù)中的信息進(jìn)行擬合分析，然后對(duì)相關(guān)測(cè)量物質(zhì)進(jìn)行距離計(jì)算，滿(mǎn)足后續(xù)任務(wù)需求。得到本次實(shí)驗(yàn)的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)模型YOLO-FID，如表1所示。

表1 多目標(biāo)識(shí)別信息

根據(jù)上述數(shù)據(jù)信息得知，YOLO-FID的各個(gè)方面的程度有一定上升，證明了在多目標(biāo)識(shí)別中智能小車(chē)依舊能夠保持較高的正確性，能夠?qū)罄m(xù)目標(biāo)的信息提取作出較大的貢獻(xiàn)。

3 結(jié)語(yǔ)

實(shí)現(xiàn)智能小車(chē)的多目標(biāo)識(shí)別進(jìn)行分析，結(jié)合深度學(xué)習(xí)的方式將其拓展到智能小車(chē)的實(shí)際使用中，能夠快速對(duì)智能小車(chē)指令系統(tǒng)與目標(biāo)物體進(jìn)行精確定位，有助于智能小車(chē)的未來(lái)發(fā)展?jié)摿Φ耐诰颍⒛軌蛱嵘褂弥悄苄≤?chē)行業(yè)的市場(chǎng)拓展，對(duì)提高生產(chǎn)積極性、減少其他設(shè)備的繁瑣使用以及走向智能化時(shí)代具有重要意義。