[發明專利]一種應用于手眼機械臂系統的輕量的快速目標檢測方法

在審

• 申請號: 201810991738.7
• 申請日: 2018-08-29
• 公開（公告）號: CN109344707A
• 公開（公告）日: 2019-02-15
• 發明（設計）人: 張文翔;胡亮;劉琪;趙亮
• 申請（專利權）人: 博瓦（武漢）科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 南京鼎傲知識產權代理事務所(普通合伙) 32327
• 代理人: 郭元聰

一種應用于手眼機械臂系統的輕量的快速目標檢測方法,它涉及計算機視覺領域，具體涉及一種應用于手眼機械臂系統的輕量的快速目標檢測方法，它包括以下步驟：步驟一：訓練集的采集：針對實際應用場景中的目標在各種情況下的圖片進行采集，充分采集各種光照條件下，各種背景條件下目標的圖片；步驟二：設計深度卷積網絡模型并訓練；步驟三：將訓練好的模型應用于實際環境中的目標檢測，輸出圖片中目標的類別及位置。采用上述技術方案后，本發明有益效果為：它既能保證實際使用精度性能要求，又能滿足實時性要求的目標檢測模型,降低原有的方法在嵌入式平臺上的存儲開銷與計算開銷，提高目標檢測系統服務對象的工作效率。

技術領域

本發明涉及計算機視覺領域，具體涉及一種應用于手眼機械臂系統的輕量的快速目標檢測方法。

背景技術

近年來，隨著計算機技術的發展以及計算機硬件性能的提升，計算機視覺領域的應用性能獲得了重大提升。目標檢測，作為其中的一項重要的、基礎的任務，其識別精度以及定位準確率獲得了顯著提高。

傳統的目標檢測方法，主要使用HOG特征+SVM分類器的方法。但是，HOG特征是人工設計的，其不能滿足自然圖像中的具有任意姿態的目標檢測的性能要求。隨著深度學習技術的發展，其在目標檢測領域取得了巨大的成功，性能完全超越了傳統的檢測方法。

深度學習在目標檢測領域的應用方法主要分為兩類，一類是RCNN系列等twostages的方法；一類是YOLO系列等one stages的方法。RCNN系列雖然map值高，但是其實時性非常差，即使是在titan x顯卡上，faster RCNN也只有4-5fps的速度。與之相比，YOLO系列則有檢測實時性強，map值能滿足實際使用的特點。但是即使是原始版本的YOLO系列，其實時性也只是在頂級顯卡（如titan x）上才能得到保證。如果不加處理就移植到嵌入式平臺上（如TX2），其實時性無法保證。

原有的方法訓練的網絡模型較大，使得模型移植到嵌入式平臺（TX2）上時無法保證實時性的要求，嚴重影響目標檢測系統服務對象（如手眼機械臂系統）的工作效率。

發明內容

本發明的目的在于針對現有技術的缺陷和不足，提供一種應用于手眼機械臂系統的輕量的快速目標檢測方法，它既能保證實際使用精度性能要求，又能滿足實時性要求的目標檢測模型,降低原有的方法在嵌入式平臺上的存儲開銷與計算開銷，提高目標檢測系統服務對象的工作效率。

為實現上述目的，本發明采用以下技術方案是：它包括以下步驟：

步驟一：訓練集的采集：針對實際應用場景中的目標在各種情況下的圖片進行采集，充分采集各種光照條件下，各種背景條件下目標的圖片；

步驟二：設計深度卷積網絡模型并訓練；

步驟三：將訓練好的模型應用于實際環境中的目標檢測，輸出圖片中目標的類別及位置。

所述的步驟二訓練時使用的方法為SGD隨機梯度下降法。

采用上述技術方案后，本發明有益效果為：它既能保證實際使用精度性能要求，又能滿足實時性要求的目標檢測模型,降低原有的方法在嵌入式平臺上的存儲開銷與計算開銷，提高目標檢測系統服務對象的工作效率。

附圖說明

為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。

圖1是本發明的模型網絡數據表格。

具體實施方式

參看圖1所示，本具體實施方式采用的技術方案是：它包括以下步驟：