基于深度学习的智能小车视觉检测方法分析.pdf

16 集成电路应用 第 40 卷 第 10 期（总第 361 期）2023 年 10 月 Research and Design 研究与设计0 引言 智能小车的视觉检测主要是通过对其内部的特征进行提取、归纳、整理，并且按照不同的等级上传，从而准确地识别出目标物体。通过对卷积神经网络的深入研究，我们发现，通过对每一层的像素值进行乘法运算，可以有效地提取出目标物体的特征；通过将多段卷积神经网络整合在一起，可以有效地收集信息数据，并通过配置大型池化层，将收集的结果进行展示，从而实现对相关设备装置的视觉检测，从而满足智能小车视觉检测的环境差异需求。与传统的帧间差分法相比，可以更好地传输图像和数据，使得视觉检测的连接更加流畅。1 研究背景随着深度学习技术的不断发展与普及，它已经成为智能小车目标检测的重要工具。一张图片或一帧视频所拥有的信息量巨大，其中的模式特征繁多，从直方图、模板、颜色到结构，都能够提供宝贵的数据，而图像检测正是通过分析这些数据，从中提取出有价值的信息，从而实现对物体的准确识别。通过深度学习技术，可以从多个层次的神经网络中提取出图像的特征，并根据这些特征将其分类，从而将其划分为背景信息和目标物体。接着，利用深度学习技术，对图像进行处理，并与数据库中的模型进行比较，以便更准确地识别出所需要的信息。采用这种方法，能够更有效地实现目标检测。当前，智能小车的目标检测有两种类型：（1）基于区域的，（2）不存在区域的。为了实现这一点，区域深度学习技术被广泛应用，它通过选择性搜索来提取候选区域，并从该区域中抽取出一系列具有相同长度的特征向量，然后通过卷积神经网络和全连接神经网络的处理，将其转换为一个更加精确的高维度特征向量，最终实现对该区域的精确识别。通过使用无区域深度学习，我们可以通过回归来估算图像中的目标的位置和类型，并使用深度神经网络来提供目标的轮廓。这样做不仅能够更好地描述特征，还能够精确地捕捉到目标的几何信息。2 基于深度学习的智能小车视觉检测方法传统智能装置检测和帧间差分法均无法满足智能小车在新需求下的视觉检测需求，因此，我们需要采取更先进的技术来实现这一目标。卷积神经网络是一种非常有效的深度学习技术，它可以根据智能小车所处的环境变化，自动调整参数，并且可以提供更加准确的视觉检测结果，为了提高智能小车的视觉识别效果，我们需要扩大它的范围。（1）卷积神经网络。卷积神经网络可以以一种直观的网络结构来进行深度休眠前馈，这种技术的优势在于它的结构比帧间差分法更加紧凑，而且它可以有效地将图像和数据转换成有效的模型。通过引入深度学习技术，我们可以大大提高智能检测的效率。这一神经网络包括卷积层、绩效函数层、信息处理层和全检连接层，它们可以有效地改善视觉检测的效率和准确性。在深度学习中，卷积层的作用不可忽视，它是智能小车视觉检测的关键，它的结合程度决定了智能小车的视觉特征数据信息的提取效果。因此，卷积层的应用可以说是智能小车视觉检测的核心，它的作用不可替代。作者简介：周方，西安交通工程学院机械与电气工程学院，研究生；研究方向：智能控制。收稿日期：2023-04-27；修回日期：2023-09-23。摘要：阐述深度学习中的视觉检测技术，提出一种基于卷积神经网络的信息化检测系统，从而为无人驾驶汽车和避障技术提供有效的解决方案和保障。关键词：智能控制，深度学习，视觉检测技术。中图分类号：TP18，TP391.41 文章编号：1674-2583(2023)10-0016-02DOI：10.19339/j.issn.1674-2583.2023.10.006文献引用格式：周方.基于深度学习的智能小车视觉检测方法分析J.集成电路应用,2023,40(10):16-17.基于深度学习的智能小车视觉检测方法分析周方（西安交通工程学院 机械与电气工程学院，陕西 710300）Abstract This paper describes visual detection technology in deep learning and proposes an information detection system based on convolutional neural networks,providing effective solutions and guarantees for autonomous vehicles and obstacle avoidance technology.Index Terms intelligent control,deep learning,visual detection technology.Analysis of Visual Inspection Methods for Intelligent Cars Based on Deep LearningZHOU Fang(School of Mechanical and Electrical Engineering,Xian Jiaotong University,Shaanxi 710300,China.)集成电路应用 第 40 卷 第 10 期（总第 361 期）2023 年 10 月 17Research and Design 研究与设计（2）基于深度学习的智能小车视觉检测方式。利用卷积神经网络技术，我们可以创造多种多样的模型，这些模型既可以用于智能小车在复杂的环境下的检测，也可以用于横向扩展，使其能够更加高效、准确地完成日常任务。VGGNet是最受欢迎的检测技术之一，它的检测构层由7个层组成，每个层都由许多不同等级的神经网络组成，可以实现高效的目标识别，从而大大提高了设备的可靠性和可用性。通过采用1118层的划分方式，利用多段卷积神经网络（33）连接各个层次，可以有效地收集和处理各种信息，而且还可以通过建立一个大型池化层，来展示所获得的结果，从而实现对各种设备装置的有效视觉检测。（3）视觉检测的经典框架。当使用视觉检测设备时，通常可以把它们的框架模型划分为2种：两阶段和阶梯式。前者能够提供更准确的检测结果，但检测速度相对较慢；而后者则具有更快的检测速度，但两者之间的差距也很明显。采用双重检测框架，我们能够更加高效地搜索、分析、识别潜在的信息，并运用SS卷积神经网络，将其转换为一个个独立的区域，从而更加准确地识别图像，最终生成准确的目标视觉图像。3 深度学习在智能小车多目标识别中的应用智能小车多目标识别系统设计。由于外界环境因素的影响，智能小车在识别目标信息时可能会出现偏差.而且，在传输图像与目标信息时，由于信息混乱，需要进行二次加工，这会严重降低智能小车的工作效率。为了有效地防止上述情况的发生，首先应在智能小车内部安装专门的图像筛查装置，定期检测周围可疑目标，并且在记录图像信息的过程中，要选择合适的角度，以微弱的视角观察整个识别空间的情况，将处理后的信息与实际地点进行对应，然后将检测到的位置信息、图像以及设备传输到信息收集库中，以便向指令发出者展示所观察到的所有信息数据。智能摄像头多目标检测。在智能小车多目标识别过程中，为了更好地实现全景掌控和多目标识别检测，在一个尺寸为30m、20m宽、总面积为600m的空间中，智能小车的内部需要安装至少4个摄像头，以便在四个方位上收集信息数据，以保证识别精度，同时也可以有效地提高识别效率，从而更好地满足实际需求。按照图1指示的位置安装。通过安装在指定位置的智能小车摄像头，可以实现自动化操作。该摄像头内置有目标识别板块，通过神经节点和无线路由器等技术，可以将捕获的图像、目标和锁定位置信息传输到云服务器，并且根据实际情况对摄像头进行调整。在多目标信息识别过程中，首先需要对收集到的数据进行指令检测，以便通过视觉锁定技术准确定位多个目标的位置，并且按照预先设定的流程，将相关信息传输给操作人员。目标数据库建立。基于深度学习在智能小车多目标识别中的运用，不可或缺的前提条件就是数据库的建立,在数据库中，我们收集了识别目标的名称、性质和基本方位等信息，并建立了一个智能小车识别系统的数据库，以便于后续的查询和检测。采用MYSQL系统作为基础，本数据库可以实现多目标信息的分类管理，其中包括多目标排序序号、权限定格自动化增长、目标名称、多目标位置信息、数量以及总数量，这些信息可以帮助系统更好地识别多个目标，可以更有效地管理多个目标的信息。多目标识别实验分析。在多目标识别实验中，将智能小车的识别环境设置为道路场景模型，以多目标识别为主要目标，包括障碍物、其他车辆和引导线，并且通过坐标侦查，实现对这些目标的准确识别，从而实现智能小车的多目标运用。通过使用YOL0识别装置在anchors中的运行机制，我们可以将不同道路场景中的目标与数据进行拟合分析，从而计算出相关测量物质之间的距离，从而满足后续任务的需求，并且获得了一种新的深度学习网络结构模型YOLO-FID，如表1所示。4 结语未来，人工智能和智能小车的发展趋势可能会有所改变。通过利用人工智能技术的泛化学习能力，以及对高分辨率、高频度的背景信息的有效处理，可以有效地抑制过度拟合，提升目标检测的精确性，并且使得检测结果更加丰富。参考文献1 徐梦楚.基于深度学习的智能教室视觉检测系统D.北京:北京邮电大学,2019.2 赵振兵,齐鸿雨,聂礼强.基于深度学习的输电线路视觉检测研究综述J.广东电力,2019,32(09):11-23.3 徐弘升,陆继翔,杨志宏等.基于深度强化学习的激励型需求响应决策优化模型J.电力系统自动化,2021,45(14):97-103.4 尹宝才,王文通,王立春.深度学习研究综述J.北京工业大学学报,2015,41(01):48-59.图1 智能小车摄像头安装位置表1 深度学习网络结构模型