[发明专利]基于深度学习的服务机器人物体识别算法

说明书

技术领域

本发明涉及一种基于深度学习的服务机器人物体识别方法，属于服务机器人物体识别领域。

背景技术

物体识别是机器视觉研究中的重要问题，而室内物体识别是智能服务机器人完成服务任务的必备技能。由于物体种类繁多，特征各不相同，且室内环境因光照、遮挡、角度等问题复杂多变，室内物体识别仍然没有一个高效的通用方法，所以室内物体识别问题受到广泛关注。物体识别是通过特征匹配或模型识别的方法，确定所获取的图像中是否存在待识别物体。传统的基于特征匹配的物体识别方法一般为，首先提取物体的图像特征，然后对提取到的特征进行描述，最后对被描述的物体进行特征匹配。虽然特定的特征在特定的物体识别问题中取得了较好的效果，但这种人工的特征提取方法极大地依赖经验；而且在复杂场景下，特征匹配的复杂度高、鲁棒性差；再加上这种分步进行的方法耗时多，不具有实时性。本发明设计的方法解决了依赖人工提取特征、复杂场景下鲁棒性差以及不具有实时性的问题，建立了整个物体识别系统，对于服务机器人物体识别具有重要的借鉴意义，可以直接应用于家庭、办公室、机场、酒店等多种场合。

发明内容

本发明的目的在于设计一种基于深度学习的实时性好、准确率高的服务机器人物体识别算法，实现服务机器人在复杂室内环境下的物体识别功能。

本发明的目的是这样实现的：包括如下步骤：

步骤一：采集服务机器人待识别物体的图像并制作包含训练集和验证集的图像数据集；

步骤二：设计卷积神经网络结构，在深度学习框架下进行训练得到物体识别模型；

步骤三：利用物体识别模型进行测试，实现室内复杂环境下的物体识别，服务机器人能够根据摄像头捕捉到的图像确定目标物体的类别，完成物体识别。

本发明还包括这样一些结构特征：

1.步骤一包括：

(1)通过下载和相机拍摄采集待识别物体的图像，待识别物体包含杯子、钥匙、笔和U盘四类物体，每类物体的图片共采集150张；

(2)将所采集的图片归一化为统一的尺寸、格式；

(3)将所采集的每类物体的图片按照1:4的比例分为验证集和训练集，并做好对应的标签；

(4)将验证集和训练集分别生成文件路径与标签一一对应的文本文件备用。

2.步骤二具体包括：

(1)设计一个共有八层的原始的网络结构，八层的原始的网络结构包括五个卷积模块、两个全连接层、一个输出分类层，每个卷积模块包括卷积层、激活函数层、池化层、标准化层；

(2)根据卷积核大小、参数设置和网络层数三个方面对原始网络结构进行优化，得到用于训练物体识别模型的、优化后的卷积神经网络结构；

a、卷积核大小：分析第一个卷积层的卷积核大小对识别准确率的影响，将准确率最高时采用的卷积核大小设置为优化后网络的第一层卷积层的卷积核大小；

b、参数设置：分析dropout ratio的取值对识别准确率的影响，调整Dropout层的Dropout ratio的取值情况，将准确率最高时采用的Dropout ratio取值组合作为优化后网络的Dropout ratio值；

c、网络层数：分析网络层数对识别准确率的影响，在原始网络结构基础上进行改变，设计出不同卷积层数的网络结构，将识别准确率最高的网络层数设置为优化后的网络层数；

(3)将优化后的网络结构搭建在CAFFE框架下；

(4)将数据集输入给卷积神经网络结构，在GeForce GTX 1080GPU下训练；

(5)经过20000次训练得到物体识别模型。

与现有技术相比，本发明的有益效果是：本发明通过采集服务机器人待识别的物体图像并制作数据集，设计卷积神经网络结构，在深度学习框架下进行训练得到物体识别模型，并利用物体识别模型进行测试，实现室内复杂环境下的物体识别，服务机器人能够根据摄像头捕捉到的图像确定目标物体的类别，完成物体识别的任务。