基于深度神经网络的视觉识别分类研究

李金泽

摘要：智能机器人的发展有赖于数字算法和图像识别等技术的支持，视觉作为智能机器人与现实世界相沟通的渠道和基础，对于数字算法要求也极为苛刻。而图像识别技术作为智能机器人视觉的基础，同样也需要算法的支持，但是受到当前科技下算法等级的限制，智能机器人图像识别的识别率想要进一步发展却受到了很大的限制。因此为了解决这一难题，我们可以通过深度神经网络，促进智能机器人深度学习，再配合机器人分拣技术，这样就有效可以提高机器人的智能性。

关键词：机器人深度学习 图像识别 卷积神经网络

引言

智能机器人的出现改变了人们的工业生产现状以及日常生活方式，而科学技术的发展又为智能机器人不断的增加新的功能，提高了他们的智能性。机器人的视觉识别技术在工业生产中发挥了很大的作用，通过对于图像进行扫描识别，机器人可以利用算法自行解决一些生产问题，因此智能机器人对于改善生产效率发挥了很大的作用。但是，目前由于受到算法的限制，智能机器人的图像扫描技术依然不理想，扫描出的图像会出现模糊、残缺、准确度差、识别效率低等

不良现象，这些都是当前智能机器人专业中亟待解决的问题。

1智能机器人深度学习

所谓的智能机器人就是通过算法模拟正常人类的思维方式，再通过机器人的形式复制人类的思维方式并展示出来，思维方式越接近人类，机器人也就越智能。因此，人类想要让自己变得更聪明就需要不断学习，对于智能機器人而言也是同样的道理。

在目前的人工智能领域中深度学习是比较热门的一个研究课题，他也是目前科学家所发现的最为接近人类思维方式的一种学习模式。深度学习可以通过高精度的模拟方式，建立一个类似于人类大脑中神经网络的系统，全方位的模拟人类的大脑机制，并将现实世界分解成类似于图像、音频、文本等数据，利用算法思考和解决问题，达到高精度拟人的人工智能模式。机器人的深度学习是通过神经网络将数据集合到一起作为输入源再通过另一层神经网络激活相应的算法函数，并将运算完的数据再次集合到一起作为输出源，传递向下一层神经网络。因此，数据在神经网络中逐层递进，经过精准复杂的处理，最终形成让机器人产生类人行为的指令，机器人也就因此而表现出了智能化。智能机器人深度图像与深度学习结合技术基本原理图如图一所示：

其实想让机器人表现出接近人的思维方式和动作行为都不是一个简单的问题，其过程非常的复杂和精密过程中出现一点微小的差错.都可能导致机器人的智能系统崩溃。因此为了能够全面细致的进行智能机器人的深度学习，可以将机器人的深度学习任务细分为几个子任务进行：

（1）机器人的智能识别是以图像扫描识别技术为基础的，因此在进行智能识别调试时，可以结合机器人的分拣识别任务，深入研究智能机器人神经网络的运作机理，通过深度学习和分析对同一个物体进行多段扫描，并找出最佳的扫描识别方式。

（2）对于智能机器人而言，收集样本、统计分析和处理数据是其最基本的能力，因此想要强化智能机器人的视觉识别技术，就要设计出精密度更大的视觉网络模型，给机器人的视觉扫描足够的技术支持。

（3）想要让智能机器人表现出更精确的视觉识别技术，就要深入探究机器人的扫描识别框架以及机器人进行图像分类的学习框架，通过对识别框架的改良，从根本上解决机器人图像扫描识别的问题。

（4）通过反复试验验证学习模型的准确率以及图像模型的扫描识别率，最后进行数据的分析和处理，并得出相应的结论。

2国内外研究现状

目前国内外的实验室对于智能机器人的图像识别和分类技术研究已经拥有了一定的成果，最初人们利用人工标注的方式引导机器人进行图像识别，并将识别的图像与机器人内部储存的图像进行对比，最后才能够得出结论，进行分类。但这种识别方式应对随机环境时表现出的智能性较差，且只能够分析被标注的、固定的图像信息，对陌生信息的处理能力几乎为零。因此研究人员为了改变这种状况，通过提高计算机数字算法，企图让机器人摆脱人类标注的控制。因此在各种图像分类技术和算法的相继提出之后，智能机器人终于可以拥有了自主的图像扫描和识别能力，这种能力就是由基于智能机器人神经网络的的深度学习所赋予的。

研究人员通过构建神经网络模型，配合最先进的算法技术，让机器人能够自主观察识别，并通过算法的分析，得出对物体特征性能等方面数据的分析结果，最后通过机器人的中央处理系统进行一系列精密而复杂的数据处理，并对机器人发出相应的行为指令。由于高科技算法的加入，因此这类智能机器人在图像识别能力上与之前的机器人相比加强了很多，扫描识别的误差被控制在了一个极小的范围，图像分类的错误率也达到了可以接受的范围程度。

3卷积神经网络

3.1卷积神经网络概述

卷积神经网络的发展历史并不长，使人工智能领域近几年才兴起的一种新型热门技术。由于卷积神经网络具备超强的扫描识别和图像处理技术，因此它被广泛应用到人工智能机器人身上，其次研究人员才大体上解决了智能机器人的视觉扫描和图像分类问题。由此可以说，卷积神经网络在智能机器人领域发挥了重大的作用。

卷积神经网络在图像识别和图像扫描方面快创出了一条新的研究途径，它区别于以往仅仅通过不同的算法来进行图像的识别和扫描。卷积神经网络根据局部感受野的启发，利用权值共享结构，有效的减少了神经网络运行所需要的参数，降低了神经网络结构的复杂性，加快了图像识别和扫描的速度，并且提高了准确率。卷积神经网络原理图如图二所示：

3.2卷积神经网络的网络结构

卷积神经网络相较于普通的神经网络，具备了相对简单的结构，它除了拥有最基本的输入层和输出层之外还具有卷积层和全连接层。卷积神经网络利用权值共享结构可以高效的处理图像的扫描识别和识别任务，应用的这种技术的机器人在反应速度上已经可以达到一个十分惊人的标准。

4结束语

伴随世界经济与科技的发展，人力资源在未来必将得到充分的解放，一些重复单调、繁琐复杂的工作完全可以由工作效率更高、精密度更大、准确性更强的智能机器人来代替人工操作。而其余深度神经网络的视觉识别技术作为智能机器人从真实世界中获取信息、实现智能的重要途径之一，也必将在未来研究人员的深入挖掘下，使这项技术更加完善、高端，使智能机器人在未来拥有更广阔的应用市场，而智能机器人也能够结合更多的高科技手段为人类提供更便捷、安全的服务。

参考文献

[1]魏丽冉，岳峻，朱华，牟梦嫒，杨照璐，基于深度神经网络的人体动作识别方法，济南大学学报，自然科学版，2019. 03：215—223+228

[2]杨帆，基于卷积神经网络的肺结节分类算法的研究[Δ]，太原理工大学

[3]蒋鑫，基于深度学习的∑AP图像目标识别分类研究[Δ]电子科技大学

[4]张建恒，基于深度学习机制的智能秉性装卸机器人视觉识别方法[Δ]重庆理工大学，2018