【技术实现步骤摘要】
一种机器人目标识别方法、系统、装置和存储介质
本专利技术涉及人工智能领域，特别涉及一种机器人目标识别方法、系统、装置和存储介质。
技术介绍
近年来，各种深度卷积网络在目标识别技术上的研究取得了巨大的成功，使得深度卷积网络可以使用大量数据来学习数据中的最佳特征。让基于深度卷积网络的目标识别算法实现了非常高的准确度。由于有先进的网络结构和判别式训练方法，深度卷积网络将目标识别的性能提高到了前所未有的水平。但是目前的研究重点大多在于如何构建层数更深、宽度更广的神经网络，这样会导致神经网络结构庞大。现有的高精度目标识别模型都是建立在各种大型深度卷积网络模型之上的，同时这种模型需要大量的计算资源，使得网络只能在性能高的处理器上运行，这不利于模型移植到机器人。机器人需要在有限的计算资源里实现精准的识别，同时还需要模型精简和迅速。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种一种机器人目标识别方法、系统、装置和存储介质，所述一种机器人目标识别方法、系统、装置和存储介质能够利...
【技术保护点】
1.一种机器人目标识别方法，其特征在于，包括：/n制作图像数据集；/n对所述图像处理集进行预处理；/n构建网络模型，所述网络模型用于识别所述图像数据集的图像数据；/n利用所述图像数据集训练所述网络模型；/n识别目标，从所述图像数据集选取一个测试样本输入到所述网络模型中，输出识别结果。/n
【技术特征摘要】
1.一种机器人目标识别方法，其特征在于，包括：
制作图像数据集；
对所述图像处理集进行预处理；
构建网络模型，所述网络模型用于识别所述图像数据集的图像数据；
利用所述图像数据集训练所述网络模型；
识别目标，从所述图像数据集选取一个测试样本输入到所述网络模型中，输出识别结果。
2.根据权利要求1所述的一种机器人目标识别方法，其特征在于，所述图像数据集包括用于训练网络模型的训练验证集和用于测试网络模型的测试集。
3.根据权利要求1所述的一种机器人目标识别方法，其特征在于，所述对所述图像处理集进行预处理，包括：
调整接收到的图像的大小，得到归一化的格式图像；
对所述归一化的格式图像进行滤波处理，得到滤波图像；
对所述滤波图像进行图像增强处理，得到增强图像。
4.根据权利要求1所述的一种机器人目标识别方法，其特征在于，所述构建网络模型包括：
构建第一标准卷积层，所述第一标准卷积层的卷积核大小为3*3，所述第一标准卷积层的步长为2，所述第一标准卷积层的卷积核的数目为32，所述第一标准卷积层的边缘用0填充；
设置循环变量Times并初始化所述循环变量Times＝1；
执行循环体；
所述循环变量Times自增1，判断Times是否大于13，如果Times不大于13，重复执行所述循环体，如果Times大于13,不执行所述循环体；
构建池化层，将得到的特征图进行平均池化处理，下采样的窗口大小为4，步长为2，经过所述池化层后输出1024张特征图，大小为1*1；
构建Dropout层；
构建全连接层，使用1024个神经元对经过所述池化层下采样处理后的特征图进行全连接，将特征图转换为一维的特征向量；
构建Softmax分类器，输出识别结果。
5.根据权利要求4所述的一种机器人目标识别方法，其特征在于，所述构建循环体包括：
构建第一深度可分离卷积层，所述第一深度可分离卷积层卷积核的大小为3*3，所述第一深度可分离卷积层步长为1，所述第一深度可分离卷积层卷积核的数目为32，所述第一深度可分离卷积层边缘用0填充，所述第一深度可分离卷积层与所述第一标准卷积层连接；
构建第一逐点卷积层，所述第一逐点卷积层的卷积核大小为1*1，所述第一逐点卷积层的步长为1，所述第一逐点卷积层的卷积核数目为64，所述第一逐点卷积层的边缘用0填充，所述第一逐点卷积层与所述第一深度可分离卷积层连接；
构建第一平均池化层，用于聚合空间维度信息，所述第一平均池化层下采样处理后得到第一特征描述，所述第一平均池化层与所述第一逐点卷积层连接；
构建第一最大池化层，用于聚合空间维度信息，所述第一最大池化层下采样处理后得到第二特征描述，所述第一最大池化层与所述第一逐点卷积层连接；
构建多层感知器，所述第一特征描述和所述第二特征描述输入到所述多层感知器，生成特征向量，所述多层感知器与所述第一平均池...
【专利技术属性】
技术研发人员：李鹤喜，李记花，李威龙，
申请(专利权)人：五邑大学，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。