[发明专利]基于卷积神经网络的日常生活物体图像识别方法

摘要

本发明公开了一种基于卷积神经网络的日常生活物体图像识别方法，其主要包括以下步骤：使用kinect相机对日常生活物体进行拍照，获取图像的颜色和深度信息，建立样本集。然后建立六层的卷积神经网络，得到训练好的模型。最后将此模型用于日常生活物体图片的识别测试。本发明的卷积网络结构用于日常生活物体识别，解决了传统图像识别方法中难以提取到优良特征的难题，同时利用了图片中的深度信息，有效提高了识别率。最终在大量图片上进行测试后的结果证明这种结构具有良好的泛化能力，可以用于家居机器人等众多家居场合的图像处理设备上。

主权项

一种基于卷积神经网络的日常生活物体图像识别方法，其特征在于，具体包括以下步骤：(1)建立数据集，并进行预处理：拍摄日常生活物体图片并建立数据集，所述图片包括颜色图像和深度图像，对得到的图片进行预处理，得到训练数据和测试数据；(2)搭建卷积神经网络模型：卷积神经网络模型包括C个卷积层、F个全连接层和一个softmax分类器，2≤C≤5，1≤F≤3；在每一个卷积层中进行卷积、池化和归一化处理；每个卷积层的卷积核大小是ci*ci，步长为sci*sci，其中1≤ci≤10，1≤sci≤5，1≤i≤C；对图像进行卷积处理得到ki种特征，1≤ki≤256；每个卷积层的池化处理使用最大池化，大小为pi*pi，步长为spi*spi，其中1≤pi≤10，1≤spi≤5，1≤i≤C；对池化处理后的图像进行归一化处理；图像经过上一个卷积层处理后得到的结果输入下一个卷积层。在第C个卷积层之后，将得到的特征展开成一维向量输入到第一个全连接层中，然后将第一个全连接层的结果输入到第二个全连接层中，以此类推，在经过第F个全连接层之后得到logits值，最后将得到的logits值输入到softmax分类器中，得到该图片属于各个类别的概率值，由此概率值与真实的label计算得到交叉熵损失函数，从而完成了卷积神经网络模型的搭建；其中，每一个全连接层中含有的神经元个数为fj，其中1≤fj≤768，1≤j≤F；(3)模型的训练：将步骤(1)得到的训练数据输入到步骤(2)得到的卷积神经网络模型中开始训练；训练使用梯度下降法，学习率使用变动学习率，训练迭代次数在5万‐10万次之间；(4)模型的测试：将步骤(1)得到的测试数据输入到步骤(3)得到的训练完成后的模型中，得到预测的label，将预测的label和真实的label进行对比，可计算出识别率；如果识别率大于85％，则步骤(3)训练得到的训练模型合格；若识别率小于85％，则返回步骤(2)；(5)模型的使用：将待识别的图片进行预处理后输入到合格的训练模型的前C+F层中，得到logits值，然后在logits值中选择最大值所在的下标，即为预测的label，从而完成识别。