[发明专利]基于深度学习的服务机器人物体识别算法

权利要求书

1.基于深度学习的服务机器人物体识别算法，其特征在于：包括如下步骤：

步骤一：采集服务机器人待识别物体的图像并制作包含训练集和验证集的图像数据集；

步骤二：设计卷积神经网络结构，在深度学习框架下进行训练得到物体识别模型；

步骤三：利用物体识别模型进行测试，实现室内复杂环境下的物体识别，服务机器人能够根据摄像头捕捉到的图像确定目标物体的类别，完成物体识别。

2.根据权利要求1所述的基于深度学习的服务机器人物体识别算法，其特征在于：步骤一包括：

(1)通过下载和相机拍摄采集待识别物体的图像，待识别物体包含杯子、钥匙、笔和U盘四类物体，每类物体的图片共采集150张；

(2)将所采集的图片归一化为统一的尺寸、格式；

(3)将所采集的每类物体的图片按照1:4的比例分为验证集和训练集，并做好对应的标签；

(4)将验证集和训练集分别生成文件路径与标签一一对应的文本文件备用。

3.根据权利要求2所述的基于深度学习的服务机器人物体识别算法，其特征在于：步骤二具体包括：

(1)设计一个共有八层的原始的网络结构，八层的原始的网络结构包括五个卷积模块、两个全连接层、一个输出分类层，每个卷积模块包括卷积层、激活函数层、池化层、标准化层；

(2)根据卷积核大小、参数设置和网络层数三个方面对原始网络结构进行优化，得到用于训练物体识别模型的、优化后的卷积神经网络结构；

a、卷积核大小：分析第一个卷积层的卷积核大小对识别准确率的影响，将准确率最高时采用的卷积核大小设置为优化后网络的第一层卷积层的卷积核大小；

b、参数设置：分析dropout ratio的取值对识别准确率的影响，调整Dropout层的Dropout ratio的取值情况，将准确率最高时采用的Dropout ratio取值组合作为优化后网络的Dropout ratio值；

c、网络层数：分析网络层数对识别准确率的影响，在原始网络结构基础上进行改变，设计出不同卷积层数的网络结构，将识别准确率最高的网络层数设置为优化后的网络层数；

(3)将优化后的网络结构搭建在CAFFE框架下；

(4)将数据集输入给卷积神经网络结构，在GeForce GTX 1080 GPU下训练；

(5)经过20000次训练得到物体识别模型。