[发明专利]一种应用于手眼机械臂系统的轻量的快速目标检测方法

说明书

一种应用于手眼机械臂系统的轻量的快速目标检测方法,它涉及计算机视觉领域，具体涉及一种应用于手眼机械臂系统的轻量的快速目标检测方法，它包括以下步骤：步骤一：训练集的采集：针对实际应用场景中的目标在各种情况下的图片进行采集，充分采集各种光照条件下，各种背景条件下目标的图片；步骤二：设计深度卷积网络模型并训练；步骤三：将训练好的模型应用于实际环境中的目标检测，输出图片中目标的类别及位置。采用上述技术方案后，本发明有益效果为：它既能保证实际使用精度性能要求，又能满足实时性要求的目标检测模型,降低原有的方法在嵌入式平台上的存储开销与计算开销，提高目标检测系统服务对象的工作效率。

技术领域

本发明涉及计算机视觉领域，具体涉及一种应用于手眼机械臂系统的轻量的快速目标检测方法。

背景技术

近年来，随着计算机技术的发展以及计算机硬件性能的提升，计算机视觉领域的应用性能获得了重大提升。目标检测，作为其中的一项重要的、基础的任务，其识别精度以及定位准确率获得了显著提高。

传统的目标检测方法，主要使用HOG特征+SVM分类器的方法。但是，HOG特征是人工设计的，其不能满足自然图像中的具有任意姿态的目标检测的性能要求。随着深度学习技术的发展，其在目标检测领域取得了巨大的成功，性能完全超越了传统的检测方法。

深度学习在目标检测领域的应用方法主要分为两类，一类是RCNN系列等twostages的方法；一类是YOLO系列等one stages的方法。RCNN系列虽然map值高，但是其实时性非常差，即使是在titan x显卡上，faster RCNN也只有4-5fps的速度。与之相比，YOLO系列则有检测实时性强，map值能满足实际使用的特点。但是即使是原始版本的YOLO系列，其实时性也只是在顶级显卡（如titan x）上才能得到保证。如果不加处理就移植到嵌入式平台上（如TX2），其实时性无法保证。

原有的方法训练的网络模型较大，使得模型移植到嵌入式平台（TX2）上时无法保证实时性的要求，严重影响目标检测系统服务对象（如手眼机械臂系统）的工作效率。

发明内容

本发明的目的在于针对现有技术的缺陷和不足，提供一种应用于手眼机械臂系统的轻量的快速目标检测方法，它既能保证实际使用精度性能要求，又能满足实时性要求的目标检测模型,降低原有的方法在嵌入式平台上的存储开销与计算开销，提高目标检测系统服务对象的工作效率。

为实现上述目的，本发明采用以下技术方案是：它包括以下步骤：

步骤一：训练集的采集：针对实际应用场景中的目标在各种情况下的图片进行采集，充分采集各种光照条件下，各种背景条件下目标的图片；

步骤二：设计深度卷积网络模型并训练；

步骤三：将训练好的模型应用于实际环境中的目标检测，输出图片中目标的类别及位置。

所述的步骤二训练时使用的方法为SGD随机梯度下降法。

采用上述技术方案后，本发明有益效果为：它既能保证实际使用精度性能要求，又能满足实时性要求的目标检测模型,降低原有的方法在嵌入式平台上的存储开销与计算开销，提高目标检测系统服务对象的工作效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的模型网络数据表格。

具体实施方式

参看图1所示，本具体实施方式采用的技术方案是：它包括以下步骤：