[發明專利]一種基于機器人仿真與物理采樣結合的深度學習訓練方法

有效

• 申請號: 201710719962.6
• 申請日: 2017-08-21
• 公開（公告）號: CN107622276B
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 王燕波;梁斌焱;楊濤;張科;廖俞;王妍
• 申請（專利權）人: 北京精密機電控制設備研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 中國航天科技專利中心 11009
• 代理人: 龐靜

本發明提供了一種基于機器人仿真與物理采樣結合的深度學習訓練方法，包括三個階段：第一階段采用計算機仿真樣本對預設深度學習訓練模型進行訓練，得到第一階段深度學習訓練模型；第二階段，將第一階段深度學習訓練模型與預設深度學習訓練模型進行模型融合，將物理樣本對融合后深度學習訓練模型進行訓練，得到第二階段深度學習訓練模型；第三階段，將第二階段深度學習訓練模型與預設深度學習訓練模型進行模型融合，采用機器人仿真樣本和物理樣本的混合得到混合樣本，對融合后的深度學習訓練模型進行訓練，得到最終的深度學習訓練模型。

技術領域

本發明涉及一種基于機器人仿真與物理采樣結合的深度學習訓練方法，屬于計算機視覺領域。

背景技術

在視覺識別技術中，深度學習作為新型的識別方法，對高級特征的提取有獨特的優勢，在傳統圖像處理難以實施時，通常利用深度學習的多層網絡結構，提取具有復雜紋理的特征。深度學習在識別目標物之前，需要進行線下的訓練，訓練需要一定的樣本，樣本數量越多、質量越好，訓練的結果就越好。因此樣本的數量與質量，決定了深度學習識別的精度。

深度學習的訓練中，樣本采集通常存在以下問題：1.單純靠人工采集的樣本，數量較少，難以滿足算法需求，常常出現過擬合、訓練不收斂的問題。2.樣本采集慢，采集周期長，某些領域甚至需要兩三個月收集樣本，導致了研發周期加長。3.樣本收集的質量差，由于機器人等工業控制領域的樣本通常在運動中收集，由于環境變化、故障等因素，導致采集的樣本質量不穩定。

另外，現有的深度學習模型在整個訓練過程中形式不發生變化，只是深度學習參數得到調整，當訓練目標物不同的樣本時，現有的深度學習模型只能重新訓練，造成訓練時間加長，模型訓練效果不穩定，模型檢測效果差。

發明內容

本發明的技術解決問題是：克服現有技術的不足，提出一種基于機器人仿真與物理采樣結合的深度學習訓練方法，得到精確的深度學習訓練模型，用于圖像目標物識別。

本發明的技術解決方案是：一種基于機器人仿真與物理采樣結合的深度學習訓練方法，該方法包括第一階段、第二階段、第三階段的步驟：

第一階段，利用機器人仿真軟件仿真得到計算機仿真樣本，采用計算機仿真樣本對預設的深度學習訓練模型進行訓練，得到第一階段深度學習訓練模型；

第二階段，將第一階段深度學習訓練模型與預設深度學習訓練模型進行模型融合，采用物理樣本對融合后的深度學習訓練模型進行訓練，得到第二階段深度學習訓練模型；

第三階段，將第二階段深度學習訓練模型與預設深度學習訓練模型進行模型融合，采用計算機仿真樣本和物理樣本混合得到混合樣本對融合后的深度學習訓練模型進行訓練，得到最終的深度學習訓練模型，訓練過程結束。

每個階段采用樣本對深度學習訓練模型進行訓練，得到深度學習訓練模型的具體過程為：

(1.1)、采用深度學習訓練模型通過前向傳播方法對樣本進行計算，得到深度學習訓練模型中預設的多個類別的置信度，選取置信度最高的類別作為樣本所包含的被識別物所屬的類別信息，根據樣本所包含的被識別物的類別信息和預設訓練參數，采用反向傳播方法調整深度學習訓練模型參數，完成一個訓練回合，之后，重復本步驟，直到訓練回合達到預設的a次，減小預設訓練參數，轉入步驟(1.2)；

(1.2)、采用步驟(1.1)所獲得的深度學習訓練模型通過前向傳播方法對樣本進行計算，得到深度學習訓練模型中預設的多個類別的置信度，選取置信度最高的類別作為樣本所包含的被識別物所屬的類別信息，根據樣本所包含的被識別物的類別信息和調整后的預設訓練參數，采用反向傳播方法調整深度學習訓練模型參數，完成一個訓練回合，之后，重復本步驟，直到訓練回合達到預設的b次，轉入下一階段。