神經(jīng)網(wǎng)絡(luò)是人工智能（AI）領(lǐng)域中使用非常廣泛的一種深度學(xué)習(xí)算法,由于在網(wǎng)絡(luò)訓(xùn)練和推理過程中通常需要大量的運算,故運算通常由具有強大計算性能的GPU服務(wù)器完成。然而,嵌入式設(shè)備通常計算能力有限,這嚴(yán)重影響了AI在嵌入式系統(tǒng)的應(yīng)用,而計算棒的出現(xiàn),為嵌入式設(shè)備中應(yīng)用AI技術(shù)提供了一種實現(xiàn)途徑。本文以智能機器人目標(biāo)檢測需求為背景,圍繞基于深度學(xué)習(xí)的目標(biāo)檢測算法在Intel二代神經(jīng)網(wǎng)絡(luò)計算棒實現(xiàn)為目標(biāo),做了以下三個方面的工作,具體如下:首先,以浙江省創(chuàng)新機器人比賽為背景,完成了比賽場景的目標(biāo)檢測數(shù)據(jù)集IRC3的制作,并利用YOLOv3網(wǎng)絡(luò)進行了訓(xùn)練和測試,實驗表明:YOLOv3網(wǎng)絡(luò)在IRC3數(shù)據(jù)集上的平均測試準(zhǔn)確率為98%,能夠較好地檢測出IRC3數(shù)據(jù)集中的蘋果、木塊和啤酒罐三類物體,滿足預(yù)期需求。其次,完成了卷積神經(jīng)網(wǎng)絡(luò)的卷積層數(shù)和浮點計算量兩個關(guān)鍵因素影響Intel二代神經(jīng)網(wǎng)絡(luò)計算棒性能（推理時間）的實驗測試,結(jié)果表明:卷積網(wǎng)絡(luò)的浮點計算量與計算棒所需推理時間接近于線性正比關(guān)系且增長幅度較大,其影響較大;卷積網(wǎng)絡(luò)層數(shù)與計算棒所需推理時間接近于分段正比關(guān)系且增長幅度較小,其影響較小。最后,根... 

【文章來源】：杭州師范大學(xué)浙江省

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-1兩代計算棒性能比較1如圖2-1所示，NCS2性能比一代神經(jīng)計算棒有很大提升，其中，在分類問題上性能提高約為5倍，檢測問題上提高約為4倍

杭州師范大學(xué)碩士學(xué)位論文相關(guān)理論和研究綜述14圖2-2感知機模型根據(jù)圖2-2，感知機模型可由公式2.1表示。=(11+22+33)(2.1)其中，表示感知機的輸入，表示輸入層到輸出層的連接權(quán)重，神經(jīng)元的每個輸入往往會乘以一個權(quán)重，用來表示每個輸入對神經(jīng)元的重要程度。表示偏置，神經(jīng)元的輸入在乘以權(quán)重之后通常會加上一個偏置項，用來表示線性模型的常數(shù)項。感知機由于神經(jīng)單元少，學(xué)習(xí)能力有限，一般只能解決一些簡單的線性分類問題，對非線性問題的處理效果很差。因此，后來就出現(xiàn)了多層感知機模型，并把這種多層感知機模型叫做神經(jīng)網(wǎng)絡(luò)（NeuralNetwork，NN）。神經(jīng)網(wǎng)絡(luò)是在感知機的基礎(chǔ)上增加了隱藏層，每層網(wǎng)絡(luò)的輸出結(jié)果會經(jīng)過一個激活函數(shù)，通過激活函數(shù)增加網(wǎng)絡(luò)的非線性。如圖2-3為前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)主要包括三層神經(jīng)元，分別為輸入層、隱藏層和輸出層。層與層之間通過權(quán)重矩陣相連接，最終訓(xùn)練結(jié)果通過輸出層輸出。圖2-3傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖

杭州師范大學(xué)碩士學(xué)位論文相關(guān)理論和研究綜述14圖2-2感知機模型根據(jù)圖2-2，感知機模型可由公式2.1表示。=(11+22+33)(2.1)其中，表示感知機的輸入，表示輸入層到輸出層的連接權(quán)重，神經(jīng)元的每個輸入往往會乘以一個權(quán)重，用來表示每個輸入對神經(jīng)元的重要程度。表示偏置，神經(jīng)元的輸入在乘以權(quán)重之后通常會加上一個偏置項，用來表示線性模型的常數(shù)項。感知機由于神經(jīng)單元少，學(xué)習(xí)能力有限，一般只能解決一些簡單的線性分類問題，對非線性問題的處理效果很差。因此，后來就出現(xiàn)了多層感知機模型，并把這種多層感知機模型叫做神經(jīng)網(wǎng)絡(luò)（NeuralNetwork，NN）。神經(jīng)網(wǎng)絡(luò)是在感知機的基礎(chǔ)上增加了隱藏層，每層網(wǎng)絡(luò)的輸出結(jié)果會經(jīng)過一個激活函數(shù)，通過激活函數(shù)增加網(wǎng)絡(luò)的非線性。如圖2-3為前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)主要包括三層神經(jīng)元，分別為輸入層、隱藏層和輸出層。層與層之間通過權(quán)重矩陣相連接，最終訓(xùn)練結(jié)果通過輸出層輸出。圖2-3傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖

【參考文獻】：
期刊論文
[1]基于改進的Faster R-CNN高壓線纜目標(biāo)檢測方法[J]. 劉召,張黎明,耿美曉,么軍,張金祿,胡益菲.  智能系統(tǒng)學(xué)報. 2019(04)
[2]基于Movidius神經(jīng)計算棒的行人檢測方法[J]. 張洋碩,苗壯,王家寶,李陽.  計算機應(yīng)用. 2019(08)
[3]基于改進Mask RCNN和Kinect的服務(wù)機器人物品識別系統(tǒng)[J]. 石杰,周亞麗,張奇志.  儀器儀表學(xué)報. 2019(04)
[4]基于YOLO模型的柔索并聯(lián)機器人移動構(gòu)件快速定位方法[J]. 訾斌,尹澤強,李永昌,趙濤.  機械工程學(xué)報. 2019(03)
[5]基于改進特征金字塔的Mask R-CNN目標(biāo)檢測方法[J]. 任之俊,藺素珍,李大威,王麗芳,左健宏.  激光與光電子學(xué)進展. 2019(04)
[6]英特爾OpenVINO工具包為創(chuàng)新智能視覺提供更多可能[J].   中國信息化. 2018(08)
[7]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學(xué)報. 2017(06)
[8]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機應(yīng)用. 2016(09)

碩士論文
[1]基于雙目視覺及深度學(xué)習(xí)的采摘機器人目標(biāo)檢測及定位技術(shù)研究[D]. 秦雁飛.北京交通大學(xué) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)框架的室內(nèi)物體目標(biāo)檢測和姿態(tài)估計[D]. 方鵬飛.杭州師范大學(xué) 2019



本文編號：3362509