《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 人工智能 > 設(shè)計(jì)應(yīng)用 > 基于改進(jìn)LeNet-5的形狀類似物體識(shí)別方法
基于改進(jìn)LeNet-5的形狀類似物體識(shí)別方法
《信息技術(shù)與網(wǎng)絡(luò)安全》2020年第6期
鄭 睿1，2,，余 童1,，2，程龍閱1
1.安徽師范大學(xué) 物理與電子信息學(xué)院，安徽 蕪湖241002； 2.安徽省智能機(jī)器人信息融合與控制工程實(shí)驗(yàn)室，安徽 蕪湖241000
摘要： 針對(duì)深度學(xué)習(xí)在對(duì)外形類似物體的識(shí)別上存在著識(shí)別精度低,、耗時(shí)長(zhǎng)等問題，提出基于改進(jìn)的LeNet-5的識(shí)別方法,。在傳統(tǒng)LeNet-5網(wǎng)絡(luò)基礎(chǔ)上,，將卷積層變?yōu)殡p層非對(duì)稱卷積使網(wǎng)絡(luò)有更好的特征提取能力；通過批量歸一化提高網(wǎng)絡(luò)泛化能力,；采用全局平均池化替代原Flatten層,，用于克服傳統(tǒng)全連接層參數(shù)多、耗時(shí)長(zhǎng)的缺點(diǎn),；通過對(duì)訓(xùn)練集進(jìn)行增廣增加訓(xùn)練樣本,。實(shí)驗(yàn)結(jié)果表明，改進(jìn)LeNet-5網(wǎng)絡(luò)的訓(xùn)練精度達(dá)到91%,，識(shí)別形狀類似物體的精度為87%,，且能在較少迭代次數(shù)內(nèi)收斂，這些指標(biāo)均顯著優(yōu)于原網(wǎng)絡(luò),。
中圖分類號(hào)： TP183
文獻(xiàn)標(biāo)識(shí)碼： A
DOI： 10.19358/j.issn.2096-5133.2020.06.006
引用格式： 鄭睿,，余童，程龍閱. 基于改進(jìn)LeNet-5的形狀類似物體識(shí)別方法[J].信息技術(shù)與網(wǎng)絡(luò)安全,，2020,，39(6)：31-37,，43.
Recognition method of similar-shaped objects based on improved LeNet-5
Zheng Rui1，2,，Yu Tong1,，2，Cheng Longyue1
1.College of Physics and Electronic Information,，Anhui Normal University,，Wuhu 241002，China,； 2.Anhui Province Engineering Laboratory of Intelligent Robot′s Information Fusion and Control，Wuhu 241000,，China
Abstract： Aiming at the problems of low recognition accuracy and long time-consuming in the recognition of similar shape objects by deep learning, a recognition method based on improved LeNet-5 is proposed. Based on the traditional LeNet-5 network, changing the convolutional layer into a double-layer asymmetric convolution makes the network have better feature extraction capabilities; the generalization ability of the network is improved by batch normalization; the original Flatten layer is replaced by global average pooling,，which is used to overcome the shortcomings of the traditional fully-connected layer with many parameters and long time-consuming; the training sample is increased by augmenting the training set. Experimental results show that the training accuracy of the improved LeNet-5 network reaches 91%, the accuracy of identifying objects with similar shapes is 87%, and it can converge within a small number of iterations. These indicators are significantly better than the original network.
Key words : LeNet-5 network；image recognition,；asymmetric convolution,；batch normalization；maximum average pooling

當(dāng)前,，基于視覺的智能機(jī)器人已經(jīng)應(yīng)用于各領(lǐng)域中,。當(dāng)機(jī)器人面臨需要抓取形狀類似、硬度不同的物體時(shí),，智能機(jī)器人應(yīng)選擇不同的抓取力,。因此，通過視覺識(shí)別出這類物體具有較高實(shí)用價(jià)值,。利用深度學(xué)習(xí)對(duì)圖像進(jìn)行識(shí)別是較為高效的方法,，國(guó)內(nèi)外相關(guān)研究已經(jīng)在車輛及車道線檢測(cè)、人臉識(shí)別,、手寫體識(shí)別等領(lǐng)域取得較多的成果,。

近年來，針對(duì)形狀類似物體的識(shí)別也取得了一定的成果,。張雪芹等人利用深度學(xué)習(xí)AlexNet網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)多種類植物圖片進(jìn)行分類識(shí)別,。林思思等提出融合深度特征和人工特征的花卉圖像特征提取方法，并在此基礎(chǔ)上實(shí)現(xiàn)花卉圖像的分類,。西南交通大學(xué)秦放提出基于深度學(xué)習(xí)的昆蟲圖像識(shí)別研究,，擴(kuò)充了昆蟲樣本集，基于昆蟲圖像識(shí)別的任務(wù)需求和樣本集,，從網(wǎng)絡(luò)和訓(xùn)練兩個(gè)方面進(jìn)行改進(jìn),。張立超等人利用LeNet-5網(wǎng)絡(luò)對(duì)兩種品種的蘋果進(jìn)行分類識(shí)別，在兩種蘋果的分類中取得不錯(cuò)的效果,。但大型的神經(jīng)網(wǎng)絡(luò)一般通過加深網(wǎng)絡(luò)深度獲得高精度的識(shí)別率,，其結(jié)構(gòu)較為復(fù)雜,，運(yùn)算量大，無法滿足快速識(shí)別的要求,。

因此,，本文選擇LeNet-5網(wǎng)絡(luò)作為研究對(duì)象，由于LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)較為簡(jiǎn)單,，運(yùn)算量較小,，對(duì)硬件配置要求低，能夠在滿足網(wǎng)絡(luò)輕量化的前提下對(duì)形狀類似,、硬度不同的物體實(shí)現(xiàn)快速識(shí)別,。傳統(tǒng)LeNet-5網(wǎng)絡(luò)在識(shí)別精度上尚有不足。為了能夠提高識(shí)別精度且盡可能地減少運(yùn)算量,，本文將傳統(tǒng)卷積核拆分為非對(duì)稱卷積核以縮短計(jì)算時(shí)間,；在網(wǎng)絡(luò)中間加入BN層使中間層的數(shù)據(jù)輸出更加穩(wěn)定，提高網(wǎng)絡(luò)的訓(xùn)練精度,；采用全局平均池的方法取代原模型Flatten層以降低運(yùn)算量,。通過這三種方式有效地改進(jìn)了LeNet-5網(wǎng)絡(luò)，使其能夠適用于移動(dòng)機(jī)器人平臺(tái),，實(shí)現(xiàn)對(duì)物體的識(shí)別,。



本文詳細(xì)內(nèi)容請(qǐng)下載:  http://forexkbc.com/resource/share/2000003185

作者信息：

鄭  睿1，2,，余  童1,，2，程龍閱1

(1.安徽師范大學(xué) 物理與電子信息學(xué)院,，安徽 蕪湖241002,；

2.安徽省智能機(jī)器人信息融合與控制工程實(shí)驗(yàn)室，安徽 蕪湖241000)


此內(nèi)容為AET網(wǎng)站原創(chuàng),，未經(jīng)授權(quán)禁止轉(zhuǎn)載,。