一种应用于手眼机械臂系统的轻量的快速目标检测方法与流程

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onestages的方法。rcnn系列虽然map值高，但是其实时性非常差，即使是在titanx显卡上，fasterrcnn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titanx）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。

技术实现要素：

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：

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。

模型的网络结构如图1所示，带*号的层为我们使用的1x1卷积核大小的卷积层，其主要目的是对特征进行压缩降维。最后一层卷积层为网络的输出层，其滤波器的个数为n，n由实际应用环境中需要检测的目标的类别数决定。决定公式如下：

考虑到实际应用环境中类别数较少，一般取1-3。若类别数为1，则n等于30。以此类推。

以上所述，仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其它修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

技术特征：

技术总结
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。

技术研发人员：张文翔;胡亮;刘琪;赵亮
受保护的技术使用者：博瓦（武汉）科技有限公司
技术研发日：2018.08.29
技术公布日：2019.02.15