(北京物資學院 北京 101149)

一、前言

近些年，我國物流發(fā)展迅速，同時出現(xiàn)現(xiàn)代化、智能化的趨勢?，F(xiàn)在的物流環(huán)節(jié)中主要存在著兩個問題，其一是訂單增長過快，傳統(tǒng)人工模式，響應不夠及時，完成效果有明顯不足，其二是場地，人工等成本的增長，讓物流企業(yè)承擔著較大的壓力。因此機器人已經(jīng)廣泛的應用于工業(yè)與物流的各個環(huán)節(jié)之中，不僅降低了物流企業(yè)的成本，同時提高了物流企業(yè)各個環(huán)節(jié)的效率。隨著各種智能配件與傳感器等應用于物流機器人中，解除了機器人自身的各種限制，使得機器人擁有了感知能力，讓機器人可以識別、處理、收集各種信息，例如RFID技術(shù)，通過電磁波實現(xiàn)電子標簽的讀寫與通信。

識別技術(shù)也廣泛的應用于我們的生活之中，語音識別，圖像識別等，例如解鎖用到的指紋解鎖，人臉解鎖等，用于翻譯的文字識別等。這些技術(shù)的廣泛應用都依靠機器視覺。機器視覺是用機器人與攝像頭的配合實現(xiàn)對人眼功能的模擬，特點是應用方便、速度快、精度高、控制簡單。機器視覺使用攝像機采集場景圖像，并通過圖像處理與分析[1]。機器視覺在工業(yè)生產(chǎn)過程中，應用于識別、檢測、分揀等過程，機器視覺的應用既降低了成本，又提高了效率。

人工智能一直是各種研究的熱點，而機器學習是人工智能的核心，是讓機器擁有智能的重要途徑。而深度學習是近些年研究的新方向與熱點。通過對于人工神經(jīng)的模擬，實現(xiàn)對數(shù)據(jù)的利用，取得知識。深度學習的發(fā)展加強了目標識別與定位技術(shù)的發(fā)展。隨著卷積神經(jīng)網(wǎng)絡的深入研究，被廣泛的應用于圖像識別。在2013年的Image Net大規(guī)模視覺識別挑戰(zhàn)比賽大部分參賽隊伍都用上了深度卷積網(wǎng)絡。

深度學習在信息技術(shù)發(fā)展的現(xiàn)代，在大數(shù)據(jù)背景的下，可以自主的進行學習，無需人工參與的學習方法，無疑會成為研究熱點，并深刻的影響人們的生活。

二、機器學習的發(fā)展

機器學習主要分為兩類研究方向：第一類是傳統(tǒng)機器學習的研究，該類研究主要是研究學習機制，注重探索模擬人的學習機制；第二類是大數(shù)據(jù)環(huán)境下機器學習的研究，該類研究主要是研究如何有效利用信息，注重從巨量數(shù)據(jù)中獲取隱藏的、有效的、可理解的知識。

圖像識別的主要目的是對圖像、圖片、景物、文字等信息經(jīng)過處理和識別，來解決計算機與外部環(huán)境的直接通信過程[2]。圖像識別主要分為三個階段：獲取圖像、處理圖像、圖像分類。圖像獲取，是指在通過攝像頭進行獲取或者在輸入需要識別的圖像后，對其進行轉(zhuǎn)化，使得機器可以識別和處理輸入圖像。圖像處理，包括預處理與特征提取，預處理是指將輸入圖像進行優(yōu)化改善，以便于加快后續(xù)識別與處理的速度與精度。特征提取是將輸入圖像的高層特征轉(zhuǎn)化為底層特征，這些底層特征可以一定程度上表示圖像包含的元素和數(shù)值，同時與設定特征進行比較，進而進行圖像的識別。圖像分類，即根據(jù)圖像處理后的結(jié)果，通過其中的特征、信息等數(shù)據(jù)與設定進行對比，進而進行對輸入圖像的識別、定位、分類。

圖像的特征提取，主要分為兩部分，高層特征與底層特征。相對來說，底層特征較為簡單，是通過簡單處理就可以得到的，就像是一眼可以看出來的特征，例如形狀特征，顏色特征。而高層特征就像是人的思考模式，人的思維所確定的特征。傳統(tǒng)的機器學習工作時，用于描述圖像的特征一般是由人為設定，這稱為特征工程，所以設定的特征好壞很大程度影響到識別效果。即使采用的人為設定特征的方法，高層特征也會面臨諸多問題，特征相近卻錯誤，特征不全導致識別錯誤等。所以普通的發(fā)展很難提取合適的高層特征，即使提取了高層特征，也無法很好的體現(xiàn)輸入圖像的高層特征，也就造成了圖像識別的發(fā)展的瓶頸。但是大數(shù)據(jù)環(huán)境下的機器學習的研究一定程度上解決了高層特征的問題。

深度學習是機器學習在大數(shù)據(jù)環(huán)境下熱門的研究領域。深度學習始于神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡的初衷是想通過像人一樣的神經(jīng)網(wǎng)絡，賦予機器人像人一樣的思維模式與思考方式，進而可以像人一樣識別和處理圖像、文字、語音等。深度學習通過神經(jīng)網(wǎng)絡的配合用于從底層特征中提取更加深層的高層特征，可以更好的表現(xiàn)圖像的分布式特征，更豐富的表達圖像的內(nèi)在信息。深度學習的發(fā)展有三個主要的原因，首先，計算機計算能力的提升，即GPU性能足夠進行深度學習的計算；其次，是訓練數(shù)據(jù)增加與共享，使得學習的成本降低；最后，是深度學習模型規(guī)模的改變。

深度學習算法在高層特征的提取中，有兩個方面的重點，第一個是多層次的非線性信息處理，第二個是學習過程中是否有監(jiān)督學習。深度學習的高層特征由底層特征綜合學習得到，這種過程因為是自主學習，減少了人為因素的影響，同時可以更全面、更抽象的表達特征。而有監(jiān)督的深度學習，可以讓訓練結(jié)果更加接近設計目標。深度學習可以使用一種更加簡單的方式完成較大的函數(shù)集合的嵌套，一個復雜函數(shù)，一般的單層結(jié)構(gòu)神經(jīng)網(wǎng)絡很難表達，而多層神經(jīng)網(wǎng)絡，可以看成函數(shù)的嵌套，就可以使用簡單的方式表達復雜函數(shù)，在表達的同時還可以不破壞原有函數(shù)的線性表達。

三、深度學習的常用方法

深度學習的常用方法主要包括兩種，分別是深度信念網(wǎng)絡(DBN)和卷積神經(jīng)網(wǎng)絡(CNN)。

深度信念網(wǎng)絡由多層學習模型所組成，以深度神經(jīng)網(wǎng)絡為基礎，使用其訓練結(jié)果作為初始權(quán)值，再使用其他算法對權(quán)值調(diào)整，以達到目標。深度信念網(wǎng)絡由多層限制性玻爾茲曼機構(gòu)成，可以通過有效的無監(jiān)督貪婪訓練方法進行訓練。深度信念網(wǎng)絡適用于缺少訓練數(shù)據(jù)的情況。通過合適的算法進行對初始權(quán)值的確定，有益于模型的性能，提高模型速度。

卷積神經(jīng)網(wǎng)絡由多個卷積層、池化層和全連接層組成。卷積神經(jīng)網(wǎng)絡具有表征學習(representation learning)能力，能夠按其階層結(jié)構(gòu)對輸入信息進行平移不變分類(shift-invariant classification)，因此也被稱為“平移不變?nèi)斯ど窠?jīng)網(wǎng)絡(Shift-Invariant Artificial Neural Networks,SIANN)”[3]。

四、總結(jié)

深度學習作為人工智能重要的研究方向，通過對圖像數(shù)據(jù)的學習，自主的發(fā)現(xiàn)圖像的特征。卷積神經(jīng)網(wǎng)絡的出現(xiàn)，極大的提高了特征提取的處理速度和識別精度。將深度學習用于目標識別，可以減少物流企業(yè)中的成本與工作效率。