【摘要】：準確快速的實現(xiàn)對弈系統(tǒng)中象棋的檢測是本文的核心。傳統(tǒng)圖像處理算法因為處理流程長容易受到環(huán)境的影響,在復雜場景下檢測效果比較差。光照條件、目標尺寸、方位等等都將影響檢測算法的效果。因此傳統(tǒng)算法對環(huán)境要求比較高,需要專業(yè)級設(shè)備來解決環(huán)境帶來的影響。相較于傳統(tǒng)圖像處理方法,深度學習算法對光線、目標方位、圖像質(zhì)量要求比較低,并且能較好地適應各種復雜環(huán)境。本文基于深度學習算法對象棋目標進行檢測。在該任務(wù)中存在目標較小、數(shù)據(jù)差異小、數(shù)據(jù)容易重復等問題。這些問題導致算法結(jié)構(gòu)復雜、計算速度較慢。在實際對弈過程中必須保證能快速、正確的檢測到所有的目標。因為棋子數(shù)據(jù)差異較小需要更多的差異化數(shù)據(jù)幫助神經(jīng)網(wǎng)絡(luò)學習棋子特征。針對上述問題,本文通過使用不同的優(yōu)化方法優(yōu)化神經(jīng)網(wǎng)絡(luò)算法和標注更多差異化數(shù)據(jù)以滿足對弈系統(tǒng)對于精度和速度的要求。本論文搭建了對弈系統(tǒng)的硬件平臺同時標注了目標數(shù)據(jù)集。實現(xiàn)了包括Faster RCNN、SSD、YOLO算法,使用不同的骨干網(wǎng)絡(luò)實現(xiàn)以保證算法有較好的檢測效果和較快的檢測速度。通過使用OpenVINO、TensorRT對CPU和GPU優(yōu)化,實現(xiàn)包括計算圖結(jié)構(gòu)優(yōu)化、硬件設(shè)備優(yōu)化和數(shù)值量化等方法加速模型推理。最終算法克服了傳統(tǒng)視覺處理算法中對多目標識別較差以及容易受光線、目標尺寸影響的缺點,能實現(xiàn)在極端黑暗條件下檢測、移動目標。算法最快能在5ms左右正確的檢測出所有棋子的目標。最后在本平臺下測試了對于常見物品的檢測,通過測試表明該軟硬件平臺能適用于常見物體的抓取,在實際應用中有一定的價值。
【圖文】：

根據(jù)前方目標是否是障礙物從而決定繼續(xù)前進還是停止等待、無人駕駛汽需要識別道路前方行人、紅綠燈等等從而決定停車等待或者加速駛離、無人酒店需要識別住客是否為該酒店客人從而決定提供服務(wù)還是警告、抓手機器人能根據(jù)需求對特定的工件進行自動分揀、無人超市的商品自動上架需要知道哪些商品需要補貨。目標檢測是所有任務(wù)的基礎(chǔ)，，只有實現(xiàn)了目標檢測才能根據(jù)指定的任務(wù)做出對應的動作。本論文主要實現(xiàn)智能對弈系統(tǒng)，該系統(tǒng)需要識別出對弈雙方的棋子然后根據(jù)后臺程序決定如何走棋，然后抓取需要移動的棋子，放置對應的棋子在指定的位置。常見基于圖像特征的目標檢測算法處理通常需要手動設(shè)計特征，對于特定的目標此方法已經(jīng)取得了較好的效果。但是針對通用的目標，傳統(tǒng)的手動設(shè)計特征的方法通常無法適用。另外手動設(shè)計的特征通常無法反映出深層的特征關(guān)系。例如：梯度信息對于檢測目標的邊緣很重要。但是實際中邊緣特征和梯度滿足一定的數(shù)學關(guān)系式而不是直接通過梯度反映邊緣特征。對于深層特征或者特征的深層關(guān)系，手動設(shè)計特征的方法無法獲得較好的結(jié)果。圖像處理與深度學習算法比如下圖 1.1�；谑謩釉O(shè)計的特征還存在處理流程較長（濾波、去噪、變換、特征提�。┤菀资艿絾我徊襟E的影響而出現(xiàn)較差的結(jié)果。

圖 2.1 吸取機器人硬件平臺硬件參數(shù)如下：1. 攝像頭：羅技 C5252. 運動控制卡：Mega 25603. 步進電機：YH42BYGH60-401A4. 訓練服務(wù)器：NVIDIAGTX1080x2 +Intel E5，部署 PC Intel I3。2.2 硬件平臺通信方式為串口通信，實驗在 Linux 環(huán)境下進行，適用于所有硬件平臺。相較于常見抓手本體的網(wǎng)絡(luò)通信，使用串口通信更方便簡單。圖 2.2 實體硬件圖中的棋盤是針對象棋數(shù)據(jù)集而制作，在實際使用的過程中即使沒有棋盤依舊可以使用，棋盤上的每一個網(wǎng)格的坐標位置都被存儲在了軟件代碼中。如果需要檢測抓取更小的目標只需要標定更密集的點即可實現(xiàn)更細膩的抓取。本環(huán)境下每個點的間隔恰好等于棋盤中每個放置棋子位置的點之間的距離。
【學位授予單位】：長春理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TP18

【相似文獻】

相關(guān)期刊論文 前10條

1 黃逸;;算法結(jié)構(gòu)與設(shè)計教學中的若干思考[J];中學數(shù)學雜志;2008年05期

2 何永生;;算法結(jié)構(gòu)考查“三角度”[J];中學生數(shù)理化(高一);2017年01期

3 丁忒;;“算法的概念”教學設(shè)計[J];中國數(shù)學教育;2017年Z2期

4 王靖亞;;算法結(jié)構(gòu)對其性能的影響研究[J];計算機教育;2005年10期

5 裴承鳴;黎中偉;;ARMA過程的遞推線性估計及其應用[J];西北工業(yè)大學學報;1987年02期

6 胡平;;試論濾波器的算法結(jié)構(gòu)[J];河北機電學院學報;1987年01期

7 黃繼進;;快速DFT計算——基于遞歸割圓因式分解的新算法[J];計算機應用與軟件;1988年05期

8 鄭容;;時域加權(quán)FFT算法(WTTA)[J];信號處理;1988年04期

9 乞敬換;王秀峰;;具有阻塞的串行生產(chǎn)線“線性”狀態(tài)方程描述及擾動分析新算法[J];系統(tǒng)工程學報;1989年02期

10 王靖亞;;算法結(jié)構(gòu)對其性能的影響研究[J];中國人民公安大學學報(自然科學版);2005年04期

相關(guān)會議論文 前5條

1 王春厚;許都;孫健;;一種降低誤判率的BF快速匹配算法結(jié)構(gòu)[A];2010年全國通信安全學術(shù)會議論文集[C];2010年

2 張偉;顧幸生;蔣慰孫;;一類FLOWSHOP有限中間儲罐過程完成時間的確定[A];1995中國控制與決策學術(shù)年會論文集[C];1995年

3 李師億;黃淵;;FFT在TS201上的高效實現(xiàn)[A];全國第五屆信號和智能信息處理與應用學術(shù)會議�？�(第一冊)[C];2011年

4 王志宏;王斌;;基于遺傳算法的非確定性目標優(yōu)化[A];中國自動化學會全國第九屆自動化新技術(shù)學術(shù)交流會論文集[C];2004年

5 姚任之;呂中榮;劉濟科;;基于改進人工蜂群算法的功能梯度梁結(jié)構(gòu)損傷識別研究[A];第十二屆全國振動理論及應用學術(shù)會議論文集[C];2017年

相關(guān)重要報紙文章 前2條

1 張陽;5G時代，AI能走多遠？[N];人民郵電;2019年

2 ;戴爾用實惠價促HPC普及[N];中國計算機報;2006年

相關(guān)博士學位論文 前6條

1 石人剛;位置靈敏γ成像定位算法技術(shù)研究[D];中國工程物理研究院;2019年

2 鐘軼君;分片稀疏恢復理論及算法[D];大連理工大學;2018年

3 張慧君;三元M/B/Si功能化合物的第一性原理計算方法研究[D];燕山大學;2017年

4 熊丙章;高中生的算法理解水平及其教學策略研究[D];西南大學;2013年

5 楊樂嬋;基于GEP算法和高光譜數(shù)據(jù)的植物主要理化參數(shù)估算研究[D];南京大學;2017年

6 張超;混合群智能優(yōu)化算法研究及應用[D];北京科技大學;2018年

相關(guān)碩士學位論文 前10條

1 劉帥;基于深度學習算法的物體快速檢測定位與擇優(yōu)拾取[D];長春理工大學;2019年

2 何姣姣;多尺度并行通道級聯(lián)網(wǎng)絡(luò)的行人檢測算法研究[D];長安大學;2019年

3 葉偉;Massive MIMO系統(tǒng)中上行信號的檢測算法研究[D];重慶郵電大學;2018年

4 趙書鋒;大規(guī)模MIMO系統(tǒng)上行鏈路低復雜度信號檢測算法研究[D];重慶郵電大學;2018年

5 王登云;海樽優(yōu)化算法及應用研究[D];廣西民族大學;2019年

6 張楚濱;混合條件穩(wěn)定FDTD算法研究[D];華南理工大學;2019年

7 陳奇華;針對小目標的深度學習行人檢測算法研究[D];華南理工大學;2019年

8 楊忠保;復雜網(wǎng)絡(luò)中社區(qū)發(fā)現(xiàn)算法研究與應用[D];武漢理工大學;2018年

9 崔利娟;基于深度森林的交通標志識別算法研究[D];北方工業(yè)大學;2019年

10 王一捷;柔性直流輸電技術(shù)數(shù)模混合仿真功率接口算法研究[D];東北電力大學;2019年

本文編號：2591570