基于服务机器人云平台的图像处理方法及系统技术方案

本发明专利技术属于服务机器人图像处理领域，提供了一种基于服务机器人云平台的图像处理方法及系统。其中，该方法包括获取待分类图像；将待分类图像经所述服务机器人云平台内优化完成的图像分类网络模型处理后，得到图像分类结果；所述图像分类网络模型的优化过程为：基于图像样本集合计算图像分类网络模型梯度，并将梯度归一化；归一化梯度经元优化器系统处理得到设定数量的候选更新；利用Look

【技术实现步骤摘要】
基于服务机器人云平台的图像处理方法及系统


[0001]本专利技术属于服务机器人图像处理领域，尤其涉及一种基于服务机器人云平台的图像处理方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]深度学习已经在图像处理等领域取得了巨大的成功，应用也越来越广泛，成为当前最热门的技术之一。但是，深度神经网络的训练仍面临诸多挑战。目前，广泛使用的优化器都是手工设计的，例如，SGD，RMSprop，AdaGrad，和Adam。视觉是服务机器人的主要信息来源，用于图像处理的神经网络在服务机器人中有广泛应用，因此，图像处理精度对服务机器人的性能和使用体验至关重要，
[0004]专利技术人发现，当使用这些手工设计的优化器训练神经网络的时候，经常会面临收敛速度慢、收敛精度低等问题，而且需要花费大量的时间和精力来调节学习率等超参数，需要大量的模型训练经验并且耗时耗力，最终影响图像处理网络训练时的收敛速度及处理结果的精度。

技术实现思路

[0005]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种基于服务机器人云平台的图像处理方法及系统，其能够提高图像处理网络训练时的收敛速度，以及图像处理网络的最终精度，提高服务机器人的图像处理能力。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]本专利技术的第一个方面提供一种基于服务机器人云平台的图像处理方法。
[0008]一种基于云计算平台的服务机器人的图像处理方法，其包括：
[0009]服务机器人获取待分类图像；
[0010]将待分类图像经所述服务机器人云平台内优化完成的深度图像分类网络模型处理后，得到图像分类结果；
[0011]所述图像分类网络模型的优化过程为：
[0012]基于图像样本集合计算图像分类网络模型梯度，并将梯度归一化；
[0013]归一化梯度经元优化器系统处理得到设定数量的候选更新；
[0014]利用Look
‑
Ahead算法将设定数量的候选更新融合为最终更新；
[0015]利用最终更新优化图像分类网络模型的参数，并存储至服务机器人云平台内。
[0016]进一步地，元优化器系统是预先经元学习方式训练得到的。
[0017]进一步地，元优化器系统由若干个元优化器构成。
[0018]进一步地，所述元优化器为双层LSTM网络。
[0019]进一步地，使用Adam来训练元优化器系统中的优化器。
[0020]本专利技术的第二个方面提供一种基于服务机器人云平台的图像处理系统。
[0021]一种基于服务机器人云平台的图像处理系统，其包括：
[0022]图像获取模块，其用于获取待分类图像；
[0023]图像分类模块，其用于将待分类图像经所服务机器人云平台内优化完成的图像分类网络模型处理后，得到图像分类结果；
[0024]所述图像分类网络模型的优化过程为：
[0025]基于图像样本集合计算图像分类网络模型梯度，并将梯度归一化；
[0026]归一化梯度经元优化器系统处理得到设定数量的候选更新；
[0027]利用Look
‑
Ahead算法将设定数量的候选更新融合为最终更新；
[0028]利用最终更新来优化图像分类网络模型的参数，并存储至服务机器人云平台内。
[0029]本专利技术的第三个方面提供一种计算机可读存储介质。
[0030]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于服务机器人云平台的图像处理方法中的步骤。
[0031]本专利技术的第四个方面提供一种基于云计算平台的服务机器人。
[0032]一种基于云计算平台的服务机器人，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于服务机器人云平台的图像处理方法中的步骤。
[0033]与现有技术相比，本专利技术的有益效果是：
[0034]本专利技术基于图像样本集合计算图像分类网络模型梯度，并将梯度归一化；归一化梯度经元优化器系统处理得到设定数量的候选更新；利用Look
‑
Ahead算法将设定数量的候选更新融合为最终更新；利用最终更新来优化图像分类网络模型的参数，并存储至服务机器人云平台内，有效加快了图像分类网络模型训练时的收敛速度，降低最终损失，还提高了图像分类网络模型对图像处理结果的精度，提高了服务机器人的图像处理能力。
[0035]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0036]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0037]图1是本专利技术实施例的基于服务机器人云平台的图像处理方法流程图；
[0038]图2是本专利技术实施例的元优化器结构图；
[0039]图3是本专利技术实施例的元优化器计算图；
[0040]图4是本专利技术实施例的周期余弦退火策略下的学习率变化曲线；
[0041]图5是本专利技术实施例的元优化器使用流程图。
具体实施方式
[0042]下面结合附图与实施例对本专利技术作进一步说明。
[0043]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常
理解的相同含义。
[0044]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0045]实施例一
[0046]如图1所示，本实施例提供了一种基于服务机器人云平台的图像处理方法，其具体包括如下步骤：
[0047]步骤S101：获取待分类图像。
[0048]步骤S102：将待分类图像经所述服务机器人云平台内优化完成的图像分类网络模型处理后，得到图像分类结果。
[0049]在本步骤S102中，所述图像分类网络模型的优化过程为：
[0050]基于图像样本集合计算图像分类网络模型梯度，并将梯度归一化；
[0051]归一化梯度经元优化器系统处理得到设定数量的候选更新；
[0052]利用Look
‑
Ahead算法将设定数量的候选更新融合为最终更新；
[0053]利用最终更来优化练图像分类网络模型的参数，并存储至服务机器人云平台内。
[0054]用元优化器系统来优化神经网络的框架图如图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于服务机器人云平台的图像处理方法，其特征在于，包括：获取待分类图像；将待分类图像经所述服务机器人云平台内优化完成的图像分类网络模型处理后，得到图像分类结果；所述图像分类网络模型的优化过程为：基于图像样本集合计算图像分类网络模型梯度，并将梯度归一化；归一化梯度经元优化器系统处理得到设定数量的候选更新；利用Look
‑
Ahead算法将设定数量的候选更新融合为最终更新；利用最终更新来优化图像分类网络模型的参数，并存储至服务机器人云平台内。2.如权利要求1所述的基于服务机器人云平台的图像处理方法，其特征在于，元优化器系统是预先经元学习方式训练得到的。3.如权利要求1所述的基于服务机器人云平台的图像处理方法，其特征在于，元优化器系统由若干个元优化器构成。4.如权利要求3所述的基于服务机器人云平台的图像处理方法，其特征在于，所述元优化器为双层LSTM网络。5.如权利要求1所述的基于服务机器人云平台的图像处理方法，其特征在于，训练元优化器系统中的元优化器的优化器为Adam。6.一种基于服务机器人云平台的图像处理系统，其特征在于，包括：图像获取模块，其用于获取待分类图像；图像分类模块，其用于将待分类图...

【专利技术属性】
技术研发人员：周风余，郝涛，尹磊，
申请(专利权)人：山东大学，
类型：发明
国别省市：