深度學習在智能小車多目標識別中的應(yīng)用★

易禮智

（湖南工程職業(yè)技術(shù)學院，湖南 長沙 410151）

引言

深度學習是現(xiàn)有拓展智能化裝置設(shè)備效用最為有效的方式，近年來被目標識別、智能檢測、全自動駕駛等各行各業(yè)所接納。在深度學習中，相關(guān)研究人員可以將所要檢測的事物進行全景模擬，在一定程度上促進了智能產(chǎn)業(yè)的飛速發(fā)展。此外，在智能化學習檢測中，所要面對與處理的目標數(shù)量龐大，因此不能進行逐個的單獨分析，應(yīng)當在深度學習中尋求一種能夠?qū)崿F(xiàn)多目標識別的學習方式進行智能化裝置的運用。場景模擬與場景信息提取是解決多目標識別的難題，因此在后續(xù)研究分析中，必須進行單一目標與多目標的識別探討。

智能小車作為近年來興起的一項高智能產(chǎn)物，十分契合科學探索與其他無人作業(yè)形式，但是在作業(yè)過程中會遭受許多問題，其中較為嚴重的就是如何進行多目標的識別。智能小車進行任務(wù)執(zhí)行，所接收的任務(wù)不止一個，所要面對的行動目標也有不同，因此實現(xiàn)智能小車的多目標識別進行分析，結(jié)合深度學習的方式將其拓展到智能小車的實際使用中，能夠快速對智能小車指令系統(tǒng)與目標物體進行精確定位，有助于智能小車的未來發(fā)展?jié)摿Φ耐诰颉?/p>

1 基于深度學習的識別算法分析

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

1.1 卷積神經(jīng)網(wǎng)絡(luò)識別理論

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)部進行運算時采用卷積計算而得名，該項神經(jīng)網(wǎng)絡(luò)運行時能夠?qū)⑺占膱D像直接進行后臺網(wǎng)絡(luò)中進行多個目標的信息提取，而且能夠適用于較為復雜的圖像。在卷積神經(jīng)網(wǎng)絡(luò)的卷積層中，將每一個神經(jīng)節(jié)點與對應(yīng)區(qū)域進行相互連接，根據(jù)連接區(qū)域的大小進行群眾計算與網(wǎng)絡(luò)內(nèi)部成像。簡而言之，就是將所有信息數(shù)據(jù)由于卷積核進行篩選，將符合的目標信息進行最優(yōu)處理，以此來保證有效信息、目標的傳輸。圖1中，將右邊的神經(jīng)網(wǎng)絡(luò)與左邊的數(shù)據(jù)庫進行有效連通，在神經(jīng)網(wǎng)絡(luò)接收到外部信息時，將相關(guān)數(shù)據(jù)由矩陣內(nèi)部進行輸入，此時，存在于該神經(jīng)結(jié)構(gòu)中的所有神經(jīng)節(jié)點權(quán)重不變，從這一點可將該卷積神經(jīng)網(wǎng)絡(luò)的運行過程看做一個實現(xiàn)內(nèi)積的途徑，因此可以將上述信息識別方式成為“卷積”識別。

結(jié)合上述識別原理機制，將圖中的原始信息經(jīng)過過濾裝置從而生成全新的二階數(shù)據(jù)信息，就可將它當做一維卷積和二維卷積流程，上述兩種卷積過程均滿足線性要求，如下頁圖2所示。

1.2 卷積神經(jīng)網(wǎng)絡(luò)識別算法

在卷積神經(jīng)網(wǎng)絡(luò)中的識別算法主要以YOLO算法為主，該種算法是根據(jù)深度學習改進下的卷積神經(jīng)網(wǎng)絡(luò)為出發(fā)點，經(jīng)過神經(jīng)網(wǎng)絡(luò)的一次性運算，就能得出深度卷積識別信息的過程，能夠提高對目標進行識別的功能，并且能夠在多目標的條件下確保識別信息的準確性。此類方式將傳統(tǒng)圖像信息收集進行優(yōu)化，采用回歸方程的預(yù)測模板來確認目標信息的明確定位，避免出現(xiàn)大規(guī)模運算。

2 深度學習在智能小車多目標識別中的應(yīng)用

結(jié)合1中所展示的YOLO算法為基礎(chǔ)模板，以智能小車的多目標識別系統(tǒng)設(shè)計為主題，進行識別系統(tǒng)的開發(fā)，其研究基于C/S的軟件系統(tǒng)分析深度學習在智能小車多目標識別中的應(yīng)用。

2.1 智能小車多目標識別系統(tǒng)設(shè)計

智能小車在運行過程容易受到外界環(huán)境因素的干擾，導致在識別目標信息時出現(xiàn)一定的偏差，并且在后續(xù)傳輸圖像與目標信息時容易出現(xiàn)混亂，需要對所傳輸?shù)男畔⑦M行二次加工，嚴重影響智能小車的工作效率。針對上述情況的發(fā)生，首先要在內(nèi)部設(shè)置專門的圖像篩查裝置，在智能小車運轉(zhuǎn)時對周圍可疑目標進行定期勘查，并且在記錄信息圖像的過程中，必須選好角度，以微弱角度觀察整體識別空間內(nèi)部情況，將處理好的信息與實際地點相互對應(yīng)，隨后將所檢測到的位置信息、圖像以及設(shè)備傳輸?shù)叫畔⑹占瘞熘校蛑噶畎l(fā)出者展示所觀察到的全部信息數(shù)據(jù)。

2.2 智能攝像頭多目標檢測

在進行智能小車多目標識別過程中，可以將智能小車運用于一個長度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顯得尤為空曠，因此采用單一攝像頭不能實現(xiàn)全景掌控，也不利于實現(xiàn)多目標識別檢測，為了保障所收集信息數(shù)據(jù)的完整性，需要根據(jù)實際需要在智能小車內(nèi)部安裝至少4個攝像頭，即在智能小車的四個方位上，安裝位置如圖3所示。

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

2.3 目標數(shù)據(jù)庫建立

基于深度學習在智能小車多目標識別中的運用，不可或缺的前提條件就是數(shù)據(jù)庫的建立，數(shù)據(jù)庫中所包含的信息包括進行識別目標的名稱、性質(zhì)以及基本方位等，此外，還要建立一個智能小車識別系統(tǒng)在作業(yè)期間所收集的信息數(shù)據(jù)歸納庫，方便后續(xù)復盤工作的查詢與檢測。此數(shù)據(jù)庫采用MYSQL系統(tǒng)為藍本，在該系統(tǒng)內(nèi)部塑造多個目標的識別信息，從而實現(xiàn)目標信息的分裂化管理，該系統(tǒng)內(nèi)部主要包含多目標排列序號，權(quán)限定格為自動化增長；名稱，將目標識別進行確認；儲存設(shè)備名稱；多目標位置信息，包括多目標的空間坐標；數(shù)量，包含進行識別的目標是兩以及總數(shù)量。

2.4 多目標識別實驗分析

針對智能小車多目標識別運用進行實例分析，將智能小車的識別環(huán)境設(shè)置為道路場景模型，主要是對障礙物、其他車輛、引導線進行識別，并將其具體坐標進行傳輸。此次實驗中的目標有障礙物、其他車輛、引導線，并且進行坐標偵查，因此具備多目標識別的基本特征。

采用YOLO識別裝置在anchors中的運行機制，將不同道路場景目標的anchors與數(shù)據(jù)中的信息進行擬合分析，然后對相關(guān)測量物質(zhì)進行距離計算，滿足后續(xù)任務(wù)需求。得到本次實驗的深度學習網(wǎng)絡(luò)結(jié)構(gòu)模型YOLO-FID，如表1所示。

表1 多目標識別信息

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

3 結(jié)語

實現(xiàn)智能小車的多目標識別進行分析，結(jié)合深度學習的方式將其拓展到智能小車的實際使用中，能夠快速對智能小車指令系統(tǒng)與目標物體進行精確定位，有助于智能小車的未來發(fā)展?jié)摿Φ耐诰颍⒛軌蛱嵘褂弥悄苄≤囆袠I(yè)的市場拓展，對提高生產(chǎn)積極性、減少其他設(shè)備的繁瑣使用以及走向智能化時代具有重要意義。