卷積神經(jīng)網(wǎng)絡(luò)概述精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的卷積神經(jīng)網(wǎng)絡(luò)概述主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：卷積神經(jīng)網(wǎng)絡(luò)概述范文

關(guān)鍵詞：機(jī)器學(xué)習(xí)；深度學(xué)習(xí)；推薦算法；遠(yuǎn)程教育

深度學(xué)習(xí)（DeepLearning），也叫階層學(xué)習(xí)，是機(jī)器學(xué)習(xí)領(lǐng)域研究的分支，它是學(xué)習(xí)樣本數(shù)據(jù)的表示層次和內(nèi)在規(guī)律，在學(xué)習(xí)的過(guò)程中獲取某些信息，對(duì)于數(shù)據(jù)的解釋有巨大幫助。比如對(duì)文字?jǐn)?shù)據(jù)的學(xué)習(xí)，在網(wǎng)絡(luò)上獲取關(guān)鍵字，對(duì)圖像數(shù)據(jù)的學(xué)習(xí)，進(jìn)行人臉識(shí)別等等。

一、深度學(xué)習(xí)發(fā)展概述

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域里一種對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法。一句話總結(jié)三者之間的關(guān)系就是：“機(jī)器學(xué)習(xí)，實(shí)現(xiàn)人工智能的方法；深度學(xué)習(xí)，實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)。深度學(xué)習(xí)目前是機(jī)器學(xué)習(xí)和人工智能領(lǐng)域研究的主要方向，為計(jì)算機(jī)圖形學(xué)、計(jì)算機(jī)視覺(jué)等領(lǐng)域帶來(lái)了革命性的進(jìn)步。機(jī)器學(xué)習(xí)最早在1980年被提出，1984年分類與回歸樹(shù)出現(xiàn)，直到1986年，Rumelhart等人反向傳播（BackPropaga-tion，BP）算法的提出，解決了感知模型只能處理線性分類的問(wèn)題，1989年出現(xiàn)的卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNet-works，CNN）也因此得到了一定的發(fā)展。在1990年至2012年，機(jī)器學(xué)習(xí)逐漸成熟并施以應(yīng)用，GeoffreyHinton在2006年設(shè)計(jì)出了深度信念網(wǎng)絡(luò)，解決了反向傳播算法神經(jīng)網(wǎng)絡(luò)中梯度消失的問(wèn)題，正式提出了深度學(xué)習(xí)的概念，逐漸走向深度學(xué)習(xí)飛速發(fā)展的時(shí)期。隨后，各種具有獨(dú)特神經(jīng)處理單元和復(fù)雜層次結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)不斷涌現(xiàn)，深度學(xué)習(xí)技術(shù)不斷提高人工智能領(lǐng)域應(yīng)用方面的極限。

二、深度學(xué)習(xí)主要模型

1、卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNN）是指有著深度結(jié)構(gòu)又包含著卷積計(jì)算的前饋神經(jīng)網(wǎng)絡(luò)。卷積物理上理解為系統(tǒng)某一時(shí)刻的輸出是有多個(gè)輸入共同疊加的結(jié)果，就是相當(dāng)于對(duì)一個(gè)原圖像的二次轉(zhuǎn)化，提取特點(diǎn)的過(guò)程。卷積神經(jīng)網(wǎng)絡(luò)實(shí)際上就是一個(gè)不斷提取特征，進(jìn)行特征選擇，然后進(jìn)行分類的過(guò)程，卷積在CNN里，首先對(duì)原始圖像進(jìn)行特征提取。所以卷積神經(jīng)網(wǎng)絡(luò)能夠得到數(shù)據(jù)的特征，在模式識(shí)別、圖像處理等方面應(yīng)用廣泛。一個(gè)卷積神經(jīng)網(wǎng)絡(luò)主要由三層組成，即卷積層（convolutionlayer）、池化層（poolinglayer）、全連接層（fullyconnectedlayer）。卷積層是卷積神經(jīng)網(wǎng)絡(luò)的核心部分，通過(guò)一系列對(duì)圖像像素值進(jìn)行的卷積運(yùn)算，得到圖像的特征信息，同時(shí)不斷地加深節(jié)點(diǎn)矩陣的深度，從而獲得圖像的深層特征；池化層的本質(zhì)是對(duì)特征圖像進(jìn)行采樣，除去冗雜信息，增加運(yùn)算效率，不改變特征矩陣的深度；全連接將層間所有神經(jīng)元兩兩連接在一起，對(duì)之前兩層的數(shù)據(jù)進(jìn)行分類處理。CNN的訓(xùn)練過(guò)程是有監(jiān)督的，各種參數(shù)在訓(xùn)練的過(guò)程中不斷優(yōu)化，直到得到最好的結(jié)果。目前，卷積神經(jīng)網(wǎng)絡(luò)的改進(jìn)模型也被廣泛研究，如全卷積神經(jīng)網(wǎng)絡(luò)（FullyConvolutionalNeuralNetworks，F(xiàn)CN）和深度卷積神經(jīng)網(wǎng)絡(luò)（DeepConvolutionalNeuralNetworks，DCNN）等等。2、循環(huán)神經(jīng)網(wǎng)絡(luò)區(qū)別于卷積神經(jīng)網(wǎng)絡(luò)在圖片處理領(lǐng)域的應(yīng)用，循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork，RNN）主要應(yīng)用在自然語(yǔ)言處理領(lǐng)域。RNN最大的特點(diǎn)就是神經(jīng)元的輸出可以繼續(xù)作為輸入，再次利用到神經(jīng)元中循環(huán)使用。RNN是以序列的方式對(duì)數(shù)據(jù)進(jìn)行讀取，這也是RNN最為獨(dú)特的特征。RNN的串聯(lián)式結(jié)構(gòu)適用于時(shí)間序列的數(shù)據(jù)，可以完好保持?jǐn)?shù)據(jù)中的依賴關(guān)系。循環(huán)神經(jīng)網(wǎng)絡(luò)主要有三層結(jié)構(gòu)，輸入層，隱藏層和輸出層。隱藏層的作用是對(duì)輸入層傳遞進(jìn)來(lái)的數(shù)據(jù)進(jìn)行一系列的運(yùn)算，并將結(jié)果傳遞給輸出層進(jìn)行輸出。RNN可用于許多不同的地方。下面是RNN應(yīng)用最多的領(lǐng)域：1.語(yǔ)言建模和文本生成，給出一個(gè)詞語(yǔ)序列，試著預(yù)測(cè)下一個(gè)詞語(yǔ)的可能性。這在翻譯任務(wù)中是很有用的，因?yàn)樽钣锌赡艿木渥訉⑹强赡苄宰罡叩膯卧~組成的句子；2.語(yǔ)音識(shí)別；3.生成圖像描述，RNN一個(gè)非常廣泛的應(yīng)用是理解圖像中發(fā)生了什么，從而做出合理的描述。這是CNN和RNN相結(jié)合的作用。CNN做圖像分割，RNN用分割后的數(shù)據(jù)重建描述。這種應(yīng)用雖然基本，但可能性是無(wú)窮的；4.視頻標(biāo)記，可以通過(guò)一幀一幀地標(biāo)記視頻進(jìn)行視頻搜索。3、深度神經(jīng)網(wǎng)絡(luò)深度神經(jīng)網(wǎng)絡(luò)（deepneuralnetworks，DNN）可以理解為有很多隱藏層的神經(jīng)網(wǎng)絡(luò)。多層神經(jīng)網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)DNN其實(shí)也是指的一個(gè)東西，DNN有時(shí)也叫做多層感知機(jī)（Mul-ti-Layerperceptron,MLP）。DNN內(nèi)部的神經(jīng)網(wǎng)絡(luò)層也是分為三類，輸入層，隱藏層和輸出層，一般來(lái)說(shuō)第一層是輸入層，最后一層是輸出層，而中間的層數(shù)都是隱藏層。深度神經(jīng)網(wǎng)絡(luò)（DNN）目前作為許多人工智能應(yīng)用的基礎(chǔ)，并且在語(yǔ)音識(shí)別和圖像識(shí)別上有突破性應(yīng)用。DNN的發(fā)展也非常迅猛，被應(yīng)用到工業(yè)自動(dòng)駕駛汽車、醫(yī)療癌癥檢測(cè)等領(lǐng)域。在這許多領(lǐng)域中，深度神經(jīng)網(wǎng)絡(luò)技術(shù)能夠超越人類的準(zhǔn)確率，但同時(shí)也存在著計(jì)算復(fù)雜度高的問(wèn)題。因此，那些能夠解決深度神經(jīng)網(wǎng)絡(luò)表現(xiàn)準(zhǔn)確度或不會(huì)增加硬件成本高效處理的同時(shí)，又能提升效率和吞吐量的技術(shù)是現(xiàn)在人工智能領(lǐng)域能夠廣泛應(yīng)用DNN技術(shù)的關(guān)鍵。

三、深度學(xué)習(xí)在教育領(lǐng)域的影響

1、學(xué)生學(xué)習(xí)方面通過(guò)網(wǎng)上學(xué)習(xí)的實(shí)時(shí)反饋數(shù)據(jù)對(duì)學(xué)生的學(xué)習(xí)模式進(jìn)行研究，并修正現(xiàn)有教學(xué)模式存在的不足。分析網(wǎng)絡(luò)大數(shù)據(jù)，相對(duì)于傳統(tǒng)在線學(xué)習(xí)本質(zhì)區(qū)別在于捕捉學(xué)生學(xué)習(xí)過(guò)程，有針對(duì)性，實(shí)現(xiàn)學(xué)生個(gè)性化學(xué)習(xí)。舉個(gè)例子，在學(xué)習(xí)過(guò)程中，可以通過(guò)學(xué)習(xí)平臺(tái)對(duì)學(xué)生學(xué)習(xí)課程所花費(fèi)的時(shí)間，參與的程度，知識(shí)的偏好等等數(shù)據(jù)加以分析。也可以通過(guò)學(xué)生學(xué)習(xí)某門課程的次數(shù)，鼠標(biāo)點(diǎn)擊次數(shù)、停留的時(shí)間等，來(lái)推斷學(xué)生學(xué)習(xí)情況。通過(guò)以上或類似數(shù)據(jù)匯總分析，可以正向引導(dǎo)學(xué)生學(xué)習(xí)，并給予積極的學(xué)習(xí)評(píng)價(jià)。這種利用計(jì)算機(jī)收集分析出來(lái)的客觀數(shù)據(jù)，很好展示了學(xué)生學(xué)習(xí)行為的結(jié)果，總結(jié)學(xué)習(xí)規(guī)律，而不需要教師多年的教學(xué)經(jīng)驗(yàn)來(lái)判斷。對(duì)于教育研究者而言，利用深度學(xué)習(xí)技術(shù)可以更客觀準(zhǔn)確地了解學(xué)生，使教學(xué)工作良好發(fā)展更進(jìn)一步。2、教學(xué)方面學(xué)習(xí)平臺(tái)的數(shù)據(jù)能夠?qū)虒W(xué)模式的適應(yīng)度進(jìn)行預(yù)測(cè)，通過(guò)學(xué)生的考試成績(jī)和對(duì)教師的線上評(píng)價(jià)等加以分析，能夠預(yù)測(cè)出某一階段的教學(xué)方式發(fā)發(fā)是否可行，影響如何。通過(guò)學(xué)生與教師的在線互動(dòng)，學(xué)生測(cè)驗(yàn)時(shí)完成的時(shí)間與完成的結(jié)果，都會(huì)產(chǎn)生大量的有效的數(shù)據(jù)，都可以為教師教學(xué)支持服務(wù)的更好開(kāi)展提供幫助，從而避免低效率的教學(xué)模式造成教學(xué)資源的浪費(fèi)。

四、成人遠(yuǎn)程教育中深度學(xué)習(xí)技術(shù)的可應(yīng)用性

深度學(xué)習(xí)方面的應(yīng)用在眾多領(lǐng)域都取得了成功，比如電商商品推薦、圖像識(shí)別、自然語(yǔ)言處理、棋類博弈等等。在遠(yuǎn)程教育方面，深度學(xué)習(xí)的技術(shù)還有很大的發(fā)揮空間，智能網(wǎng)絡(luò)教育的實(shí)現(xiàn)是人們的眾望所盼。若要將深度學(xué)習(xí)技術(shù)應(yīng)用到遠(yuǎn)程教育平臺(tái)，首先要清楚學(xué)生的需求和教學(xué)資源如何分配。1、針對(duì)學(xué)生的學(xué)習(xí)需求與學(xué)習(xí)特征進(jìn)行分析美國(guó)斯坦福大學(xué)克里斯皮希研究團(tuán)隊(duì)的研究成果顯示，通過(guò)對(duì)學(xué)生知識(shí)學(xué)習(xí)進(jìn)行時(shí)間建模，可以精確預(yù)測(cè)出學(xué)生對(duì)知識(shí)點(diǎn)的掌握情況，以及學(xué)生在下一次學(xué)習(xí)中的表現(xiàn)。深度學(xué)習(xí)的應(yīng)用可以幫助教師推測(cè)出學(xué)生的學(xué)習(xí)能力發(fā)展水平。通過(guò)學(xué)生與教學(xué)環(huán)境的交互行為，分析其學(xué)習(xí)風(fēng)格，避免教師用經(jīng)驗(yàn)進(jìn)行推斷而產(chǎn)生的誤差。2、教學(xué)資源的利用與分配深度學(xué)習(xí)技術(shù)能夠形成智能的分析結(jié)論。計(jì)算機(jī)實(shí)時(shí)采集數(shù)據(jù)集，對(duì)學(xué)生的學(xué)習(xí)情況加以分析，使教師對(duì)學(xué)生的學(xué)習(xí)狀態(tài)、情緒狀態(tài)等有更加清晰、準(zhǔn)確的了解。有了上面良好的教學(xué)模式，教師對(duì)學(xué)生的學(xué)習(xí)狀態(tài)有了更準(zhǔn)確的掌握，對(duì)學(xué)生的學(xué)習(xí)結(jié)果就有了更科學(xué)的教學(xué)評(píng)價(jià)?；谏疃葘W(xué)習(xí)的人工智能技術(shù)，還可以輔助教師實(shí)現(xiàn)智能閱卷，通過(guò)智能閱卷自動(dòng)總結(jié)出學(xué)習(xí)中出現(xiàn)的問(wèn)題，幫助教師減少重復(fù)性勞動(dòng)，減輕教師負(fù)擔(dān)。作為成人高校，遠(yuǎn)程教育是我們的主要教學(xué)手段，也是核心教學(xué)方式，學(xué)校的教學(xué)必定是在學(xué)生方便學(xué)習(xí)的同時(shí)，以學(xué)生的學(xué)習(xí)效果為重。通過(guò)深度學(xué)習(xí)技術(shù)，可以科學(xué)地分析出學(xué)生的學(xué)習(xí)效果，對(duì)后續(xù)教與學(xué)給予科學(xué)、可靠的數(shù)據(jù)支撐。我們可以在平臺(tái)上為每位同學(xué)建立學(xué)習(xí)模型，根據(jù)學(xué)生的學(xué)習(xí)習(xí)慣為其定制個(gè)性化方案，按他們的興趣進(jìn)行培養(yǎng)，發(fā)揮他們專業(yè)的潛能。同時(shí)，可以將學(xué)生正式在線參加學(xué)習(xí)和考試的學(xué)習(xí)行為和非學(xué)習(xí)時(shí)間瀏覽網(wǎng)站的行為結(jié)合到一起，更加科學(xué)地分析出學(xué)生在學(xué)習(xí)網(wǎng)站上感興趣的地方。采用深度學(xué)習(xí)算法，根據(jù)學(xué)生學(xué)習(xí)行為產(chǎn)生的海量數(shù)據(jù)推算出學(xué)生當(dāng)前狀態(tài)與目標(biāo)狀態(tài)之間的差距，做到精準(zhǔn)及時(shí)的學(xué)習(xí)需求反饋。有助于幫助學(xué)生明確學(xué)習(xí)目標(biāo)，教師確立教學(xué)目標(biāo)，真正做好因材施教。基于深度學(xué)習(xí)各種智能識(shí)別技術(shù)，可以為教師的線上教學(xué)活動(dòng)增光添彩，在反饋學(xué)生學(xué)習(xí)狀態(tài)的同時(shí)，采用多種形式的教學(xué)方法吸引學(xué)生的注意力，增強(qiáng)教學(xué)活動(dòng)的互動(dòng)性，達(dá)到良好的教學(xué)效果。

第2篇：卷積神經(jīng)網(wǎng)絡(luò)概述范文

關(guān)鍵詞：無(wú)人機(jī) 雙目視覺(jué) 機(jī)器學(xué)習(xí) 姿態(tài)識(shí)別

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2016）10-0048-02

無(wú)人機(jī)的姿態(tài)測(cè)量方法可分兩大類：一是在無(wú)人機(jī)上裝載傳感器，如陀螺儀、GPS等，把相關(guān)的數(shù)據(jù)傳回地面處理，即所謂的遙測(cè)法，它的優(yōu)點(diǎn)是可以不受空間的限制，但精準(zhǔn)度會(huì)大大降低。本文采用基于雙目視覺(jué)的無(wú)人機(jī)姿態(tài)測(cè)量方法， 采用全站儀和圖像采集裝置構(gòu)建系統(tǒng)，利用全站儀數(shù)據(jù)進(jìn)行三維標(biāo)定，圖像采集裝置對(duì)無(wú)人機(jī)進(jìn)行三維重建，利用雙目直線原理重構(gòu)機(jī)身、機(jī)翼的空間直線向量，再根據(jù)直線向量算出姿態(tài)參數(shù)，該方法具有精度高、適用范圍高等特點(diǎn)。

1 系統(tǒng)設(shè)計(jì)概述

本設(shè)計(jì)利用四臺(tái)全高清的攝像頭、全站儀、時(shí)間同步器及PC終端組成。系統(tǒng)由四臺(tái)攝像頭分別處于邊長(zhǎng)為5米的矩形場(chǎng)地的（我給你新加的文字）四個(gè)角中，用以（我給你新加的文字）采集視頻數(shù)據(jù)，再由全站儀提供的相關(guān)角度矢量參數(shù)，通過(guò)計(jì)算得出系統(tǒng)所需要測(cè)量的姿態(tài)參數(shù)：偏航角、俯仰角及翻滾角。最后把這些參數(shù)存儲(chǔ)到數(shù)據(jù)庫(kù)中，并進(jìn)行BP神經(jīng)網(wǎng)絡(luò)算法機(jī)器學(xué)習(xí)，讓該系統(tǒng)具有（新加）能夠二次識(shí)別飛行目標(biāo)參數(shù)的能力。該系統(tǒng)能廣泛應(yīng)用于無(wú)人機(jī)的主動(dòng)測(cè)量領(lǐng)域，即不需要在無(wú)人機(jī)上安裝傳感器，也能夠準(zhǔn)確識(shí)別無(wú)人機(jī)的姿態(tài)參數(shù)，應(yīng)用方便、快捷。

2 姿態(tài)參數(shù)計(jì)算分析

步驟一：利用雙目視覺(jué)原理，對(duì)飛行物體進(jìn)行三維姿態(tài)恢復(fù)。

步驟二：分離目標(biāo)和背景。對(duì)飛行物體進(jìn)行數(shù)字信息提取。統(tǒng)計(jì)每幀圖像像素分布直方圖，設(shè)此時(shí)像素分布直方圖的灰度分布為gmin及gmax，在gmin及gmax中選擇較合適的灰度值g作為分割的閾值，去分離目標(biāo)和標(biāo)景。

步驟三：分離機(jī)身及機(jī)翼。在做實(shí)驗(yàn)前，對(duì)飛機(jī)進(jìn)行如下處理：機(jī)翼與機(jī)身處涂上不同的顏色。獲取視頻信息后利用直方圖對(duì)灰度進(jìn)行分析，把兩者分離出來(lái)，并分別對(duì)兩者信息進(jìn)行存儲(chǔ)。

步驟四：對(duì)機(jī)身進(jìn)行邊緣檢測(cè)處理，構(gòu)建直線向量。

（1）選用的是Sobel算子來(lái)對(duì)其圖像進(jìn)行檢測(cè)。Sobel算子模板分為水平模板及垂直模板，利用此模板在每幀上的像素去卷積，那么就可以得到機(jī)身的邊緣輪廓線段。（2）構(gòu)建機(jī)身直線向量。利用雙目攝像頭在空間交匯產(chǎn)生直線，可構(gòu)建直線向量。如圖2所示，對(duì)于任兩個(gè)攝像機(jī)，無(wú)人機(jī)在其攝像頭所投影的圖像平面分別為S1、S2，兩攝像頭在空間所形成的平面相交即會(huì)產(chǎn)生一直線，可以利用這一原理來(lái)計(jì)算機(jī)身直線向量。

本系統(tǒng)采用的是四臺(tái)攝像機(jī)，可以排除更大的干擾，因此，可以利用構(gòu)建一個(gè)關(guān)于的集合，為：

式中指的是攝像機(jī)的臺(tái)數(shù)。

步驟五：對(duì)圖像的機(jī)翼處理。圖像的機(jī)翼部分可看作為梯形。由上述，利用Hough Transform進(jìn)行邊緣檢測(cè)，求飛行目標(biāo)的前后翼邊緣，設(shè)其在圖像坐標(biāo)系下的直線方程為：

由上式，可以算出點(diǎn)’

由上述求的兩點(diǎn)，就可以算出此機(jī)翼在圖像坐標(biāo)系下的直線方程：

同理，利用雙目系統(tǒng)中兩兩圖像平面相交可求得機(jī)翼向量

步驟六：利用構(gòu)建的空間向量計(jì)算姿態(tài)參數(shù)。參數(shù)推導(dǎo)如下：

由向量得出：

3 實(shí)驗(yàn)

3.1 數(shù)據(jù)準(zhǔn)備

準(zhǔn)備的數(shù)據(jù)為訓(xùn)練集及測(cè)試集，里面的數(shù)據(jù)包括特征數(shù)據(jù)及樣本標(biāo)簽。

訓(xùn)練集便是雙攝像頭采集到的視頻數(shù)據(jù)，通過(guò)數(shù)字圖像處理，提取圖像的特征數(shù)據(jù)存儲(chǔ)。測(cè)試數(shù)據(jù)集表示二次提取圖像信息時(shí)所得到的圖像特征信息，二者都需過(guò)相同的處理，所得的參數(shù)求法是一樣的。

特征數(shù)據(jù)是根據(jù)雙目視覺(jué)分析的圖像的特征數(shù)據(jù)，這里選用了周長(zhǎng)像素點(diǎn)總數(shù)、奇數(shù)鏈碼數(shù)目、高度、寬度、周長(zhǎng)目標(biāo)面積、矩形度、伸長(zhǎng)度、及七個(gè)不變距特征。

3.2 訓(xùn)練結(jié)果與分析

根據(jù)上述算法，對(duì)1241組特征數(shù)據(jù)進(jìn)行訓(xùn)練，為了結(jié)果更為準(zhǔn)確，本文從測(cè)試的的數(shù)據(jù)中拿了一部分?jǐn)?shù)據(jù)作為輸入的訓(xùn)練，這里取訓(xùn)練組的數(shù)據(jù)1000組，測(cè)試的數(shù)據(jù)241組。經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)算法后，對(duì)測(cè)試的數(shù)據(jù)進(jìn)行了測(cè)試，為了結(jié)果的顯示，只從測(cè)試數(shù)據(jù)中隨機(jī)抽出50組數(shù)據(jù)對(duì)訓(xùn)練結(jié)果進(jìn)行測(cè)試。

圖1中黑色空白圈表示測(cè)試的值，星點(diǎn)表示神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)后所得的理想值。可以看出相對(duì)于某點(diǎn)的測(cè)試值與理想值相擬合程度相對(duì)較高，也就是說(shuō)，在一定的范圍內(nèi)，系統(tǒng)可以正常測(cè)量無(wú)人機(jī)的姿態(tài)參數(shù)。但也有部分?jǐn)?shù)據(jù)擬合程度不太好，這和實(shí)驗(yàn)設(shè)備及機(jī)器學(xué)習(xí)的算法都有很大的關(guān)系。

如圖2所示，BP網(wǎng)絡(luò)預(yù)誤差圖中可以看出，把測(cè)試樣本增大到100個(gè)，測(cè)量誤差也控制在30%之內(nèi)，所以，系統(tǒng)具有一定的穩(wěn)定性。

4 結(jié)語(yǔ)

本文論述了基于雙目視覺(jué)的無(wú)人機(jī)姿態(tài)測(cè)量系統(tǒng)，該系統(tǒng)通過(guò)四臺(tái)攝像頭讀取無(wú)人機(jī)數(shù)據(jù)，利用雙目視覺(jué)系統(tǒng)對(duì)無(wú)人機(jī)三維形態(tài)進(jìn)行恢復(fù)，通過(guò)數(shù)字圖像處理技術(shù)提取無(wú)人機(jī)的特征信息并進(jìn)行存儲(chǔ)。首先利用直方圖法分離背景及無(wú)人機(jī)，再分離無(wú)人機(jī)的機(jī)翼及機(jī)身信息，并分別進(jìn)行數(shù)據(jù)存儲(chǔ)。其次利用空間兩圖像平面相交得出了無(wú)人機(jī)的機(jī)身、機(jī)翼向量，然后利用這些向量進(jìn)行了姿態(tài)參數(shù)的計(jì)算。最后把無(wú)人機(jī)的特征參數(shù)及姿態(tài)參數(shù)做上相應(yīng)的標(biāo)簽，讓其進(jìn)行機(jī)器學(xué)習(xí)。由實(shí)驗(yàn)得出，該系統(tǒng)具有二次識(shí)別無(wú)人機(jī)姿態(tài)的能力，且此系統(tǒng)比較穩(wěn)定。但由于實(shí)驗(yàn)設(shè)備及算法原因，該系統(tǒng)還存在一定的誤差，但大部分?jǐn)?shù)據(jù)誤差率保持在30%內(nèi)。

參考文獻(xiàn)

[1]蘇國(guó)中.基于光電經(jīng)緯儀影像的飛機(jī)姿態(tài)測(cè)量方法研究[J].武漢大學(xué)，博士論文，2005.

[2]H.Mostafavi，M.A. Streicker.Rigid body attitude estimation from a single view.[J] SPIE Ultrahigh-and High- speed Phot ography，videography，and Phot oni cs，1992，290-297.

第3篇：卷積神經(jīng)網(wǎng)絡(luò)概述范文

關(guān)鍵詞：鐵路物資；物資管理；無(wú)人倉(cāng)庫(kù)；WMS；WCS

鐵路企業(yè)通過(guò)融合物聯(lián)網(wǎng)技術(shù)形成新型無(wú)人倉(cāng)庫(kù)模式，在物資入庫(kù)、出庫(kù)、盤點(diǎn)等作業(yè)環(huán)節(jié)，依托智慧物流技術(shù)，替代傳統(tǒng)管庫(kù)員工作，使鐵路倉(cāng)儲(chǔ)管理模式進(jìn)一步科學(xué)化、簡(jiǎn)約化、智能化，符合鐵路物資工作智能化發(fā)展方向和鐵路高質(zhì)量發(fā)展方向，符合建設(shè)現(xiàn)代化物流體系運(yùn)營(yíng)模式的要求。

1無(wú)人倉(cāng)庫(kù)技術(shù)的概述及特點(diǎn)

1.1無(wú)人倉(cāng)庫(kù)技術(shù)概述

在“互聯(lián)網(wǎng)+”時(shí)代，物聯(lián)網(wǎng)技術(shù)促進(jìn)倉(cāng)儲(chǔ)管理向智慧化、無(wú)人化發(fā)展，創(chuàng)新發(fā)展倉(cāng)儲(chǔ)管理是物流業(yè)的研究重點(diǎn)，無(wú)人倉(cāng)庫(kù)是倉(cāng)儲(chǔ)管理智能化應(yīng)用的一個(gè)研究方向。無(wú)人倉(cāng)庫(kù)的核心就是倉(cāng)庫(kù)管理系統(tǒng)、倉(cāng)庫(kù)控制系統(tǒng)與智能物流設(shè)備集成。鐵路企業(yè)根據(jù)物資管理實(shí)際，在不同場(chǎng)景下，合理使用智能設(shè)備，推進(jìn)無(wú)人倉(cāng)庫(kù)技術(shù)深度應(yīng)用，實(shí)現(xiàn)鐵路倉(cāng)庫(kù)的智能化、無(wú)人化管理，可大幅提高物資的周轉(zhuǎn)效率，減少人力成本，提高資產(chǎn)利用率，快速提升鐵路物資的管理水平和物資供應(yīng)鏈的整體效率，提高鐵路企業(yè)整體運(yùn)營(yíng)效率。

1.2無(wú)人倉(cāng)庫(kù)技術(shù)的特點(diǎn)

無(wú)人倉(cāng)庫(kù)是一種基于管理系統(tǒng)、控制系統(tǒng)的綜合物流系統(tǒng)，建設(shè)無(wú)人倉(cāng)庫(kù)雖然在倉(cāng)庫(kù)內(nèi)達(dá)不到完全無(wú)人的情況，但可以通過(guò)人機(jī)高效協(xié)作創(chuàng)建智能倉(cāng)庫(kù)，最大程度地減少人員數(shù)量，降低人工成本。

1.2.1WMS系統(tǒng)的延伸。WMS是倉(cāng)庫(kù)管理系統(tǒng)（WarehouseManagementSystem）的縮寫，倉(cāng)庫(kù)管理系統(tǒng)主要包括出入庫(kù)管理、庫(kù)存管理、盤點(diǎn)管理、貨位管理等。目前全路使用的鐵路物資管理信息系統(tǒng)屬于MIS類型信息系統(tǒng)，包含WMS功能。無(wú)人倉(cāng)庫(kù)屬于存儲(chǔ)倉(cāng)庫(kù)的一種新類型，在普通倉(cāng)庫(kù)管理的基礎(chǔ)上延伸應(yīng)用范圍，通過(guò)引進(jìn)先進(jìn)的物聯(lián)網(wǎng)技術(shù)，實(shí)現(xiàn)減少倉(cāng)庫(kù)現(xiàn)場(chǎng)管理人員，甚至實(shí)現(xiàn)現(xiàn)場(chǎng)無(wú)人管理。

1.2.2WCS系統(tǒng)的發(fā)展。WCS是倉(cāng)儲(chǔ)控制系統(tǒng)（WarehouseControlSystem）的縮寫，倉(cāng)儲(chǔ)控制系統(tǒng)的主要功能是在存儲(chǔ)倉(cāng)庫(kù)中協(xié)調(diào)智能物流設(shè)備的運(yùn)轉(zhuǎn)，如機(jī)器臂、機(jī)器人、無(wú)人機(jī)、堆垛機(jī)、穿梭車、智能叉車等物流設(shè)備運(yùn)轉(zhuǎn)。目前鐵路物資倉(cāng)庫(kù)管理技術(shù)發(fā)展尚需完善，特別是在WCS方面，建設(shè)或購(gòu)買物流設(shè)備時(shí)沒(méi)有考慮如何控制運(yùn)轉(zhuǎn)，基本沒(méi)有發(fā)揮出現(xiàn)代物流設(shè)備的先進(jìn)性功能。無(wú)人倉(cāng)庫(kù)是WCS技術(shù)的一個(gè)發(fā)展方向，集成倉(cāng)庫(kù)內(nèi)物流設(shè)備，建立統(tǒng)一的數(shù)據(jù)接口，通過(guò)任務(wù)引擎分解任務(wù)指揮和監(jiān)控各物流設(shè)備運(yùn)轉(zhuǎn)。無(wú)人倉(cāng)庫(kù)的特點(diǎn)是物流設(shè)備無(wú)需管理人員控制，通過(guò)信息系統(tǒng)指揮即可運(yùn)轉(zhuǎn)一個(gè)倉(cāng)庫(kù)，并且在控制物流設(shè)備的基礎(chǔ)上，對(duì)倉(cāng)庫(kù)的其他設(shè)備進(jìn)行集成控制，如智能門禁、燈光、空調(diào)、加濕器、除濕器等。

1.2.3WMS與WCS結(jié)合。無(wú)人倉(cāng)庫(kù)技術(shù)是智能倉(cāng)儲(chǔ)管理系統(tǒng)（IWMS）的一種關(guān)鍵技術(shù)，以WMS和WCS為基礎(chǔ)，集成管理人員與倉(cāng)庫(kù)設(shè)備，集成管理系統(tǒng)與控制系統(tǒng)，減少倉(cāng)庫(kù)中管理人員的操作，最終實(shí)現(xiàn)建設(shè)無(wú)人倉(cāng)庫(kù)的目標(biāo)。WMS與WCS集成模式見(jiàn)圖1。

2無(wú)人倉(cāng)庫(kù)在鐵路物資管理中的應(yīng)用

通過(guò)對(duì)國(guó)內(nèi)外大型生產(chǎn)、銷售、物流企業(yè)的調(diào)查和研究，參考國(guó)內(nèi)外其他大型企業(yè)各種無(wú)人倉(cāng)庫(kù)或者無(wú)人超市、無(wú)人店鋪等的實(shí)踐應(yīng)用情況，在鐵路企業(yè)物資管理中無(wú)人倉(cāng)庫(kù)可以應(yīng)用以下3種模式。

2.1智能微庫(kù)方式

智能微庫(kù)是智能儲(chǔ)物柜的一種方式，與智能售貨機(jī)類似，通過(guò)集成生物識(shí)別、計(jì)重計(jì)件、計(jì)費(fèi)收費(fèi)等物聯(lián)網(wǎng)技術(shù)，實(shí)現(xiàn)領(lǐng)料人或取貨人自行完成物資或貨物的出庫(kù)作業(yè)，可以脫離倉(cāng)庫(kù)管理人員自動(dòng)進(jìn)行出庫(kù)作業(yè)。智能微庫(kù)技術(shù)在鐵路行業(yè)應(yīng)用較早，與倉(cāng)庫(kù)管理信息系統(tǒng)沒(méi)有對(duì)接，并且在檢修車間應(yīng)用具有一定的局限性，在鐵路企業(yè)應(yīng)用不夠理想。智能微庫(kù)與無(wú)人售貨機(jī)、豐巢快遞柜類似，具有投資少、見(jiàn)效快的特點(diǎn)。智能微庫(kù)技術(shù)成熟，其中WCS與鐵路物資管理信息系統(tǒng)（RMMIS）對(duì)接后，與人員信息、物資信息、領(lǐng)料計(jì)劃、預(yù)算數(shù)據(jù)等WMS數(shù)據(jù)相結(jié)合，共同完成出庫(kù)管理作業(yè)，信息流與指令流相輔相成可發(fā)揮智能微庫(kù)的最大作用。

2.2自助取料方式

自助取料方式是指領(lǐng)料人進(jìn)入無(wú)人倉(cāng)庫(kù)進(jìn)行自助取料，不需要倉(cāng)庫(kù)管理人員參與出庫(kù)作業(yè)。自助取料方式的無(wú)人倉(cāng)庫(kù)技術(shù)與顧客在超市中選購(gòu)商品后自助結(jié)賬類似，不同之處是倉(cāng)庫(kù)屬于集體或個(gè)人資產(chǎn)的存放地，不允許其他人員隨便出入。自助取料方式通過(guò)集成智能門禁系統(tǒng)、RFID技術(shù)、電子料簽、智能指示燈、電子計(jì)重等物聯(lián)網(wǎng)技術(shù)，實(shí)現(xiàn)倉(cāng)庫(kù)管理無(wú)人的目標(biāo)。

2.2.1領(lǐng)料人進(jìn)門。目前人物識(shí)別技術(shù)已經(jīng)非常成熟，人像識(shí)別、指紋識(shí)別、指靜脈識(shí)別、虹膜識(shí)別、聲音識(shí)別等，但識(shí)別技術(shù)需要單獨(dú)購(gòu)買，識(shí)別精度越高費(fèi)用越貴，而且需要配備圖像處理的專用服務(wù)器，會(huì)加大無(wú)人倉(cāng)庫(kù)的建設(shè)成本。在鐵路企業(yè)，一般由內(nèi)部員工領(lǐng)料，可通過(guò)移動(dòng)端APP展示二維碼進(jìn)行身份認(rèn)證。

2.2.2貨位指引。無(wú)人倉(cāng)庫(kù)中可以通過(guò)設(shè)置地面指示標(biāo)志、料架指示燈、電子料簽進(jìn)行物料位置的識(shí)別。如果領(lǐng)料人事先提報(bào)過(guò)領(lǐng)料計(jì)劃，倉(cāng)庫(kù)工作指示屏上將顯示領(lǐng)料人的領(lǐng)料信息，并且對(duì)應(yīng)物資道路指引、貨架及料簽指示燈亮起，領(lǐng)料人拿取物資后在電子料簽上確認(rèn)，系統(tǒng)自動(dòng)指示物資的下一路徑。

2.2.3計(jì)件計(jì)重。無(wú)人倉(cāng)庫(kù)中領(lǐng)料人拿取的個(gè)數(shù)或重量是無(wú)人倉(cāng)庫(kù)解決方案的難點(diǎn)。重要物資的拿取可以通過(guò)RFID技術(shù)解決；一般非重要物資可以通過(guò)計(jì)重方式，在料架上安裝電子計(jì)重裝置，通過(guò)領(lǐng)料人拿取物資的重量與單重計(jì)算個(gè)數(shù)。

2.2.4出庫(kù)核算。領(lǐng)料人拿取物資后，倉(cāng)庫(kù)工作指示屏上將自動(dòng)顯示拿取物資的品種及數(shù)量，領(lǐng)料人點(diǎn)擊觸屏確認(rèn)后自動(dòng)在WMS系統(tǒng)中形成出庫(kù)單進(jìn)行財(cái)務(wù)核算。

2.2.5庫(kù)存盤點(diǎn)。無(wú)人倉(cāng)庫(kù)可以通過(guò)料架上的電子計(jì)重裝置與RFID技術(shù)自動(dòng)進(jìn)行庫(kù)存盤點(diǎn)，同時(shí)也可以使用盤點(diǎn)機(jī)器人或無(wú)人機(jī)通過(guò)高清攝像頭和卷積神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行物資實(shí)物盤點(diǎn)。

2.3自動(dòng)出貨方式

自動(dòng)出貨方式與自助取料方式不同，自助取料方式是“人到貨”，自動(dòng)出貨方式是“貨到人”。自動(dòng)出貨方式是指領(lǐng)料人無(wú)需進(jìn)入倉(cāng)庫(kù)內(nèi)部進(jìn)行取料，同時(shí)也無(wú)需倉(cāng)庫(kù)管理人員出庫(kù)作業(yè)，是通過(guò)機(jī)器臂、機(jī)器人將物資配送到領(lǐng)料人處。自動(dòng)出貨方式識(shí)別領(lǐng)料人后按照領(lǐng)料計(jì)劃潛伏式機(jī)器人將物資對(duì)應(yīng)的料架運(yùn)送到領(lǐng)料區(qū)，領(lǐng)料人可以直接拿取，也可以配備機(jī)器臂將物資拿取到領(lǐng)料臺(tái)上。

3無(wú)人倉(cāng)庫(kù)在鐵路物資管理應(yīng)用前景

中國(guó)鐵道科學(xué)研究院集團(tuán)有限公司電子所物資課題組利用2020年課題《無(wú)人倉(cāng)庫(kù)在鐵路物資管理中應(yīng)用研究》（合同編號(hào)DZYF20-10）的研究經(jīng)驗(yàn)，開(kāi)展無(wú)人倉(cāng)庫(kù)技術(shù)在鐵路企業(yè)實(shí)際應(yīng)用的研究，認(rèn)為無(wú)人倉(cāng)庫(kù)技術(shù)可在鐵路企業(yè)的一些場(chǎng)景廣泛應(yīng)用。

3.1車間庫(kù)存管理

車間庫(kù)存是鐵路企業(yè)物資管理中的一個(gè)重要管理環(huán)節(jié)，在2018年鐵路物資管理信息系統(tǒng)V3.0版本中首次引用車間倉(cāng)庫(kù)的概念，在系統(tǒng)中增加對(duì)車間倉(cāng)庫(kù)的庫(kù)存管理。車間倉(cāng)庫(kù)的特點(diǎn)是倉(cāng)庫(kù)所在位置在生產(chǎn)檢修車間內(nèi)，不是在鐵路企業(yè)物資部門的倉(cāng)庫(kù)內(nèi)，而且車間沒(méi)有專職的倉(cāng)庫(kù)管理人員，一般情況下由車間工作人員兼職倉(cāng)庫(kù)管理工作。車間倉(cāng)庫(kù)具備應(yīng)用無(wú)人倉(cāng)庫(kù)技術(shù)的有利場(chǎng)景，特別是智能微庫(kù)模式。智能微庫(kù)設(shè)在車間工作區(qū)域，一般情況靠墻放置，既方便車間工作人員隨時(shí)取料，又節(jié)約場(chǎng)地節(jié)約建設(shè)成本，同時(shí)也可以提高車間倉(cāng)庫(kù)管理效能，解決車間易形成賬外料的難題。

3.2異地倉(cāng)庫(kù)庫(kù)存管理

由于中國(guó)鐵路線路長(zhǎng)且分布廣，一般情況下鐵路企業(yè)負(fù)責(zé)管理的地區(qū)較大，特別是鐵路工務(wù)段、電務(wù)段、供電段，異地倉(cāng)庫(kù)普遍存在。由于一些異地倉(cāng)庫(kù)地處偏遠(yuǎn)，地區(qū)用料少，工作量較小，達(dá)不到一個(gè)倉(cāng)庫(kù)管理人員的工作量。異地倉(cāng)庫(kù)具備應(yīng)用無(wú)人倉(cāng)庫(kù)技術(shù)的有利場(chǎng)景。異地?zé)o人倉(cāng)庫(kù)采取自助取料方式，領(lǐng)料人按照車間領(lǐng)料計(jì)劃進(jìn)入無(wú)人倉(cāng)庫(kù)取料，自助取料、自動(dòng)核算，可保證異地倉(cāng)庫(kù)物資發(fā)放的準(zhǔn)確性和核算的及時(shí)性，極大釋放異地倉(cāng)庫(kù)管理的效能。