基于深度學(xué)習(xí)的智能檢測路徑

文/姜嘉偉

當(dāng)前，智能檢測系統(tǒng)的核心作用是及時準(zhǔn)確地識別圖像或視頻中的各類信息，進而獲取目標(biāo)的種類和位置信息。近年來，隨著深度學(xué)習(xí)技術(shù)的不斷突破，基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)在智能檢測場景下達到了更快的識別速度和更高的準(zhǔn)確率。基于此，本文結(jié)合深度學(xué)習(xí)，進一步探討了智能檢測手段的理論依據(jù)。

隨著我國綜合實力的不斷提升，人們對生態(tài)文明的重視程度日益提高。作為生態(tài)文明的重要組成部分之一，數(shù)據(jù)資源在促進經(jīng)濟發(fā)展和科學(xué)研究等方面均表現(xiàn)出顯著的應(yīng)用優(yōu)勢。而在數(shù)據(jù)信息實時監(jiān)管過程中，檢測圖像數(shù)據(jù)通常是至關(guān)重要的環(huán)節(jié)。但就當(dāng)前來看，如何快速準(zhǔn)確地識別圖像中的數(shù)據(jù)信息仍是智能監(jiān)管工作的難點之一。在此期間，由于數(shù)據(jù)傳輸過程具備較多不確定性因素，數(shù)據(jù)涵蓋內(nèi)容繁雜，并且涉及多個領(lǐng)域的隨機動態(tài)，智能監(jiān)管人員最終獲取的數(shù)據(jù)質(zhì)量往往會良莠不齊，進而為基于圖像檢測的識別技術(shù)帶來更加嚴(yán)峻的考驗。一方面，檢測數(shù)據(jù)時的環(huán)境背景相對復(fù)雜，平臺信息繁雜交錯且大多呈多點分布狀態(tài)，不確定性因素明顯增多，數(shù)據(jù)識別難度較大。另一方面，數(shù)據(jù)信息種類較多、特征性狀各異，部分?jǐn)?shù)據(jù)信息的行為方式較為隱蔽，活動姿態(tài)也具有隨機性，從而導(dǎo)致圖像檢測數(shù)據(jù)出現(xiàn)目標(biāo)特征不明確、不顯著，目標(biāo)與圖像大小不一致等問題。

近年來，隨著人工智能技術(shù)的不斷突破，基于深度學(xué)習(xí)的圖像識別技術(shù)逐漸深入人們的日常生活，并被廣泛應(yīng)用于各種研究領(lǐng)域。本文在考慮模型應(yīng)用的便利性以及算法檢測的實時性的基礎(chǔ)上，利用深度學(xué)習(xí)目標(biāo)檢測算法實現(xiàn)了對圖像和視頻數(shù)據(jù)信息的快速識別。與傳統(tǒng)的、基于人工獲取目標(biāo)特征的識別技術(shù)不同的是，基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)可以提取出目標(biāo)更加全面的特征信息，并根據(jù)特征信息，準(zhǔn)確提取圖像或視頻的類別、容量等信息。由此可見，對基于深度學(xué)習(xí)的檢測方法進行研究，不僅有利于提高相關(guān)機構(gòu)的工作效率和質(zhì)量，還能有效促進科技與人類社會的和諧發(fā)展。

一、卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是計算機視覺領(lǐng)域深度學(xué)習(xí)的基礎(chǔ)模型之一。常規(guī)的全連接神經(jīng)網(wǎng)絡(luò)在處理較大的圖像時會產(chǎn)生過多參數(shù)，進而導(dǎo)致網(wǎng)絡(luò)計算耗時較長，甚至引發(fā)過擬合等情況，其并不適用于處理圖像。而卷積神經(jīng)網(wǎng)絡(luò)在同一基本結(jié)構(gòu)層中，卷積核的權(quán)重參數(shù)是相同的，這也使得模型的復(fù)雜性和參數(shù)量維持在較低水平。因此，卷積神經(jīng)網(wǎng)絡(luò)更適用于圖像處理等場景。

（一）卷積層

在卷積網(wǎng)絡(luò)中，絕大多數(shù)計算量和參數(shù)都產(chǎn)生于卷積層。在通常情況下，卷積層通過多個不同的卷積核與圖像矩陣進行卷積運算，進而挖掘出不同圖像的特征。例如，部分較為特殊的卷積核可以對目標(biāo)的邊緣進行檢測，或者對噪點進行平滑處理，抑或?qū)D像進行模糊處理、對圖像邊緣特征進行銳化處理，等等。需要注意的是，在開展卷積運算時，技術(shù)人員應(yīng)合理設(shè)置步長、填充值和深度。其中，步長是指卷積核每次移動的像素間隔，填充值是指通過在圖像的邊緣填充像素數(shù)據(jù)來完成完整的卷積運算，深度則是指圖像通道數(shù)。

（二）池化層

由于在每一次卷積運算后都會生成一個特征圖，且這些特征圖通常包含從對應(yīng)卷積層獲取的圖像特征信息，而隨著卷積運算的增多，模型的參數(shù)量也會逐漸增加。與此同時，這些圖像特征信息中也有可能包含部分無用信息。因此，在卷積網(wǎng)絡(luò)中，技術(shù)人員需要利用池化層壓縮特征圖的大小，以確保在獲取特征圖有效信息的同時不改變圖像的通道數(shù)。該操作可以有效減少后續(xù)卷積計算的參數(shù)量，并增大網(wǎng)絡(luò)的感受野。目前較，為常見的池化操作一般有均值池化和最大值池化兩種，二者的主要區(qū)別在于圖像像素的取值是平均值還是最大值。

（三）全連接層

在卷積神經(jīng)網(wǎng)絡(luò)中，全連接層的主要作用是根據(jù)輸入的特征信息進行分類，它可以將所有局部特征圖整合在一起，并輸出預(yù)測類別信息。因此，為了在卷積神經(jīng)網(wǎng)絡(luò)中實現(xiàn)分類功能，技術(shù)人員通常會在全連接層后加入激活函數(shù)。此時，激活函數(shù)主要起到映射分類的作用。以在全連接層后加入Softmax 激活函數(shù)為例，假設(shè)卷積神經(jīng)網(wǎng)絡(luò)需要將目標(biāo)按照10 種物體類別進行預(yù)測，這時，全連接層的輸出結(jié)果將被Softmax 激活函數(shù)映射為[0,1]范圍內(nèi)的10 維向量，并且每一個向量值均代表目標(biāo)屬于該種物體類別的概率。在通常情況下，這些概率的和為1。

二、基于深度學(xué)習(xí)的智能目標(biāo)檢測路徑

目標(biāo)檢測的作用是，在給定圖像中找出所有感興趣的目標(biāo)，并準(zhǔn)確獲取這些目標(biāo)的類別、定位、大小等信息。由于不同目標(biāo)物體的外形、顏色等特征存在差異，且成像時的背景、角度等外部因素各有不同，目標(biāo)檢測技術(shù)一直存在技術(shù)難點。當(dāng)前，深度學(xué)習(xí)目標(biāo)檢測算法可分為兩階段算法和單階段算法。

（一）兩階段目標(biāo)檢測

首先，兩階段算法能夠檢測出待測目標(biāo)在圖像中的位置，并生成對應(yīng)的候選區(qū)域；其次，該算法將通過卷積神經(jīng)網(wǎng)絡(luò)挖掘候選框內(nèi)的目標(biāo)特征，并根據(jù)具體特征確定目標(biāo)的分類和所在位置。目前，較為經(jīng)典的兩階段模型有R-CNN、Fast R-CNN 以及Faster R-CNN 等。

1.R-CNN

R-CNN 的算法流程如下。（1）采用候選區(qū)域提取算法在原圖上生成一些感興趣的區(qū)域，即可能含有目標(biāo)的區(qū)域。（2）將候選區(qū)域歸一化至固定大小，并輸入CNN 網(wǎng)絡(luò)。隨后，卷積神經(jīng)網(wǎng)絡(luò)將自動識別候選框中的特征信息，并將獲取的特征信息輸入SVM 分類器中，以便借助SVM 分類器對候選區(qū)域中的物體進行分類，同時大致定位目標(biāo)位置。（3）通過坐標(biāo)回歸模型對該位置進行精準(zhǔn)校正。此外，由于R-CNN 需要對每一個候選框進行計算，所以該算法步驟較多，檢測速度相對較慢。

2.Fast R-CNN

Fast R-CNN基于R-CNN 做出一定改進，其不需要像R-CNN一樣，在初始階段就生成多個候選框進行計算，而是通過卷積神經(jīng)網(wǎng)絡(luò)直接獲取整個圖像的特征圖。該算法還在卷積層的最后加入了ROI 池化層，目的是將輸入的特征圖池化為相同尺寸的特征圖。在具體操作時，該算法將采用多任務(wù)模式共享ROI池化層提取出的特征：一邊使用Softmax 激活函數(shù)替代原R-CNN中的SVM 分類器對特征圖進行分類；一邊使用同樣的特征圖進行邊框回歸，以確定目標(biāo)坐標(biāo)。雖然該算法可以充分利用卷積層產(chǎn)生的特征圖來提高檢測效率，但其檢測速度距離工業(yè)要求仍有一定差距。

3.Faster R-CNN

Faster R-CNN 對 Fast R-CNN 做出了進一步改進。該算法的主干網(wǎng)絡(luò)為VGG16，并采用比選擇性搜索效率更高的RPN 模塊來生成檢測框，極大地縮減了檢測時間。

Faster R-CNN 同樣是將整張圖像輸入預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)VGG16 中以提取特征圖。該算法通過區(qū)域建議網(wǎng)絡(luò)對特征圖進行處理，并獲得候選框。區(qū)域建議網(wǎng)絡(luò)主要根據(jù)錨點的偏移量來獲取候選框，即以固定尺寸的參考框在原始圖像中進行定位。隨后，區(qū)域建議網(wǎng)絡(luò)將對這些候選框進行邊框回歸和目標(biāo)估計處理。邊框回歸的主要作用是調(diào)整錨點位置，使邊框更好地貼近目標(biāo)物體；目標(biāo)估計的作用則是判斷候選框中的是背景還是目標(biāo)，并產(chǎn)生一個目標(biāo)性得分。此外，通過該目標(biāo)性得分，RPN 可以過濾掉不屬于目標(biāo)的候選框，然后再進行第二階段的具體類別和具體位置的計算。在第二階段，該算法首先使用ROI 池化將生成的所有候選框統(tǒng)一調(diào)整至相同尺寸，之后的操作步驟與R-CNN 算法相同，即使用全連接層對目標(biāo)完成分類，并根據(jù)預(yù)測類別調(diào)整邊框坐標(biāo)。由于RPN 模塊僅使用卷積層，該算法的訓(xùn)練和測試速度相對較快，整體檢測時間快于選擇性搜索算法的檢測時間。

（二）單階段目標(biāo)檢測

單階段目標(biāo)檢測算法只需要提取一次目標(biāo)特征就能完成目標(biāo)檢測，其檢測速度高于多階段算法，但精度略低。當(dāng)前，最受工業(yè)領(lǐng)域青睞的單階段目標(biāo)檢測算法是YOLO 系列算法。YOLO 算法實現(xiàn)了“端到端”的目標(biāo)檢測。首先，YOLO算法將輸入圖片的尺寸縮放至448×448，然后將縮放后的圖片傳輸至卷積神經(jīng)網(wǎng)絡(luò)。在YOLO算法的支持下，卷積神經(jīng)網(wǎng)絡(luò)會將圖片劃分成7×7 的網(wǎng)格，并逐個檢測網(wǎng)格單元內(nèi)的目標(biāo)特征。在通常情況下，每一個網(wǎng)格單元會關(guān)聯(lián)兩個先驗框，且每一個先驗框都會對應(yīng)一組參數(shù)輸出。這組參數(shù)主要包含關(guān)聯(lián)先驗框的大小、位置和置信度等信息。

三、結(jié)語

綜上所述，本文首先介紹并分析了卷積神經(jīng)網(wǎng)絡(luò)中各網(wǎng)絡(luò)層的作用和計算方法；其次介紹了幾種主流的深度學(xué)習(xí)目標(biāo)檢測算法，并分析其創(chuàng)新點和工作原理；最后著重概述了YOLO 算法的檢測流程等內(nèi)容，以期為相關(guān)領(lǐng)域的研究人員提供借鑒。