《電子技術應用》
您所在的位置：首頁 > 人工智能 > 設計應用 > 基于改進LeNet-5的形狀類似物體識別方法
基于改進LeNet-5的形狀類似物體識別方法
《信息技術與網絡安全》2020年第6期
鄭 睿1，2，余 童1，2，程龍閱1
1.安徽師范大學 物理與電子信息學院，安徽 蕪湖241002； 2.安徽省智能機器人信息融合與控制工程實驗室，安徽 蕪湖241000
摘要： 針對深度學習在對外形類似物體的識別上存在著識別精度低、耗時長等問題，提出基于改進的LeNet-5的識別方法。在傳統LeNet-5網絡基礎上，將卷積層變?yōu)殡p層非對稱卷積使網絡有更好的特征提取能力；通過批量歸一化提高網絡泛化能力；采用全局平均池化替代原Flatten層，用于克服傳統全連接層參數多、耗時長的缺點；通過對訓練集進行增廣增加訓練樣本。實驗結果表明，改進LeNet-5網絡的訓練精度達到91%，識別形狀類似物體的精度為87%，且能在較少迭代次數內收斂，這些指標均顯著優(yōu)于原網絡。
中圖分類號： TP183
文獻標識碼： 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LeNet-5的形狀類似物體識別方法[J].信息技術與網絡安全，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

當前，基于視覺的智能機器人已經應用于各領域中。當機器人面臨需要抓取形狀類似、硬度不同的物體時，智能機器人應選擇不同的抓取力。因此，通過視覺識別出這類物體具有較高實用價值。利用深度學習對圖像進行識別是較為高效的方法，國內外相關研究已經在車輛及車道線檢測、人臉識別、手寫體識別等領域取得較多的成果。

近年來，針對形狀類似物體的識別也取得了一定的成果。張雪芹等人利用深度學習AlexNet網絡實現了對多種類植物圖片進行分類識別。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，并在此基礎上實現花卉圖像的分類。西南交通大學秦放提出基于深度學習的昆蟲圖像識別研究，擴充了昆蟲樣本集，基于昆蟲圖像識別的任務需求和樣本集，從網絡和訓練兩個方面進行改進。張立超等人利用LeNet-5網絡對兩種品種的蘋果進行分類識別，在兩種蘋果的分類中取得不錯的效果。但大型的神經網絡一般通過加深網絡深度獲得高精度的識別率，其結構較為復雜，運算量大，無法滿足快速識別的要求。

因此，本文選擇LeNet-5網絡作為研究對象，由于LeNet-5網絡結構較為簡單，運算量較小，對硬件配置要求低，能夠在滿足網絡輕量化的前提下對形狀類似、硬度不同的物體實現快速識別。傳統LeNet-5網絡在識別精度上尚有不足。為了能夠提高識別精度且盡可能地減少運算量，本文將傳統卷積核拆分為非對稱卷積核以縮短計算時間；在網絡中間加入BN層使中間層的數據輸出更加穩(wěn)定，提高網絡的訓練精度；采用全局平均池的方法取代原模型Flatten層以降低運算量。通過這三種方式有效地改進了LeNet-5網絡，使其能夠適用于移動機器人平臺，實現對物體的識別。



本文詳細內容請下載:  http://ihrv.cn/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 物理與電子信息學院，安徽 蕪湖241002；

2.安徽省智能機器人信息融合與控制工程實驗室，安徽 蕪湖241000)


此內容為AET網站原創(chuàng)，未經授權禁止轉載。