易礼智

（湖南工程职业技术学院，湖南 长沙 410151）

引言

深度学习是现有拓展智能化装置设备效用最为有效的方式，近年来被目标识别、智能检测、全自动驾驶等各行各业所接纳。在深度学习中，相关研究人员可以将所要检测的事物进行全景模拟，在一定程度上促进了智能产业的飞速发展。此外，在智能化学习检测中，所要面对与处理的目标数量庞大，因此不能进行逐个的单独分析，应当在深度学习中寻求一种能够实现多目标识别的学习方式进行智能化装置的运用。场景模拟与场景信息提取是解决多目标识别的难题，因此在后续研究分析中，必须进行单一目标与多目标的识别探讨。

智能小车作为近年来兴起的一项高智能产物，十分契合科学探索与其他无人作业形式，但是在作业过程中会遭受许多问题，其中较为严重的就是如何进行多目标的识别。智能小车进行任务执行，所接收的任务不止一个，所要面对的行动目标也有不同，因此实现智能小车的多目标识别进行分析，结合深度学习的方式将其拓展到智能小车的实际使用中，能够快速对智能小车指令系统与目标物体进行精确定位，有助于智能小车的未来发展潜力的挖掘。

1 基于深度学习的识别算法分析

基于深度学习的识别算法相较于传统目标识别算法，具备自动化规划、自动化信息特征提取以及精确识别目标等优点，是值得相关科研人员将目光投入其研究过程中的。当前基于深度学习的识别算法主要有两种，第一种是采用框架筛选的方式进行目标的收纳与识别；其次是采用线性回归方程式，使用回归方式在所收集的信息网络结构中进行细度回归与分类，能够最大程度减少数据信息的计算与采集，这种方式相较于框架筛选所进行的计算更为便捷。

1.1 卷积神经网络识别理论

卷积神经网络是一种特殊的人工网络结构，因其内部进行运算时采用卷积计算而得名，该项神经网络运行时能够将所收集的图像直接进行后台网络中进行多个目标的信息提取，而且能够适用于较为复杂的图像。在卷积神经网络的卷积层中，将每一个神经节点与对应区域进行相互连接，根据连接区域的大小进行群众计算与网络内部成像。简而言之，就是将所有信息数据由于卷积核进行筛选，将符合的目标信息进行最优处理，以此来保证有效信息、目标的传输。图1中，将右边的神经网络与左边的数据库进行有效连通，在神经网络接收到外部信息时，将相关数据由矩阵内部进行输入，此时，存在于该神经结构中的所有神经节点权重不变，从这一点可将该卷积神经网络的运行过程看做一个实现内积的途径，因此可以将上述信息识别方式成为“卷积”识别。

结合上述识别原理机制，将图中的原始信息经过过滤装置从而生成全新的二阶数据信息，就可将它当做一维卷积和二维卷积流程，上述两种卷积过程均满足线性要求，如下页图2所示。

1.2 卷积神经网络识别算法

在卷积神经网络中的识别算法主要以YOLO算法为主，该种算法是根据深度学习改进下的卷积神经网络为出发点，经过神经网络的一次性运算，就能得出深度卷积识别信息的过程，能够提高对目标进行识别的功能，并且能够在多目标的条件下确保识别信息的准确性。此类方式将传统图像信息收集进行优化，采用回归方程的预测模板来确认目标信息的明确定位，避免出现大规模运算。

2 深度学习在智能小车多目标识别中的应用

结合1中所展示的YOLO算法为基础模板，以智能小车的多目标识别系统设计为主题，进行识别系统的开发，其研究基于C/S的软件系统分析深度学习在智能小车多目标识别中的应用。

2.1 智能小车多目标识别系统设计

智能小车在运行过程容易受到外界环境因素的干扰，导致在识别目标信息时出现一定的偏差，并且在后续传输图像与目标信息时容易出现混乱，需要对所传输的信息进行二次加工，严重影响智能小车的工作效率。针对上述情况的发生，首先要在内部设置专门的图像筛查装置，在智能小车运转时对周围可疑目标进行定期勘查，并且在记录信息图像的过程中，必须选好角度，以微弱角度观察整体识别空间内部情况，将处理好的信息与实际地点相互对应，随后将所检测到的位置信息、图像以及设备传输到信息收集库中，向指令发出者展示所观察到的全部信息数据。

2.2 智能摄像头多目标检测

在进行智能小车多目标识别过程中，可以将智能小车运用于一个长度30 m，宽度20 m，总面积为600 m2的空间中，此空间相较于智能小车显得尤为空旷，因此采用单一摄像头不能实现全景掌控，也不利于实现多目标识别检测，为了保障所收集信息数据的完整性，需要根据实际需要在智能小车内部安装至少4个摄像头，即在智能小车的四个方位上，安装位置如图3所示。

根据上述安装位置，可以将该智能小车摄像头装置进行启用，由于摄像头内部安装目标识别板块，用过神经节点、内置无限路由器等，将所识别的图像、目标以及锁定位置信息进行传输，在云服务器内部将收集的信息根据实际需要进行相关摄像头的扭转。此外，在进行多目标信息识别时，首先要将所收集的信息数据进行指令目标检测，根据视觉锁定来精确定位多个目标的具体坐标位置，然后按照上述步骤进行目标信息传输。

2.3 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，数据库中所包含的信息包括进行识别目标的名称、性质以及基本方位等，此外，还要建立一个智能小车识别系统在作业期间所收集的信息数据归纳库，方便后续复盘工作的查询与检测。此数据库采用MYSQL系统为蓝本，在该系统内部塑造多个目标的识别信息，从而实现目标信息的分裂化管理，该系统内部主要包含多目标排列序号，权限定格为自动化增长；名称，将目标识别进行确认；储存设备名称；多目标位置信息，包括多目标的空间坐标；数量，包含进行识别的目标是两以及总数量。

2.4 多目标识别实验分析

针对智能小车多目标识别运用进行实例分析，将智能小车的识别环境设置为道路场景模型，主要是对障碍物、其他车辆、引导线进行识别，并将其具体坐标进行传输。此次实验中的目标有障碍物、其他车辆、引导线，并且进行坐标侦查，因此具备多目标识别的基本特征。

采用YOLO识别装置在anchors中的运行机制，将不同道路场景目标的anchors与数据中的信息进行拟合分析，然后对相关测量物质进行距离计算，满足后续任务需求。得到本次实验的深度学习网络结构模型YOLO-FID，如表1所示。

表1 多目标识别信息

根据上述数据信息得知，YOLO-FID的各个方面的程度有一定上升，证明了在多目标识别中智能小车依旧能够保持较高的正确性，能够对后续目标的信息提取作出较大的贡献。

3 结语

实现智能小车的多目标识别进行分析，结合深度学习的方式将其拓展到智能小车的实际使用中，能够快速对智能小车指令系统与目标物体进行精确定位，有助于智能小车的未来发展潜力的挖掘，并能够提升使用智能小车行业的市场拓展，对提高生产积极性、减少其他设备的繁琐使用以及走向智能化时代具有重要意义。