基于深度学习和WebSocket的探测机器人

发表时间:2019/1/9   来源:《防护工程》2018年第29期   作者:薛云峰 韩永成
[导读] WebSocket技术更解决了即时通讯中资源消耗大,实时性低等弊端,同时还保证了对下位机操作系统的兼容性和易用性。

南京工程学院  江苏省南京市  210000
        摘要: WebSocket技术更解决了即时通讯中资源消耗大,实时性低等弊端,同时还保证了对下位机操作系统的兼容性和易用性。深度学习已经在图像处理,自然语言处理等领域取得卓越成就,其中VGGNet神经网络算法对训练样本要求较小,训练速度较快,识别正确率较高。二者的结合在互联网和物联网的交融中发挥了重要作用。
        关键词:WebSocket 深度学习 VGGNet
       
       
        0引言
        随着互联网和物联网技术的不断发展,加之终端系统控制设备多种多样,Web实时通信方案在物联网和人工智能领域得到了很大程度的运用。传统的HTTP request模式缺点明显:浏览器需要不断向服务器发出请求, 其中HTTP请求的头部交换占用很多带宽,浪费大量资源,效率低下,实时性底下。相较而言,WebSocket技术解决了这些弊端,同时还保证了对下位机操作系统的兼容性和易用性。
        1深度学习简述
        近些年来,深度学习在某些任务中极佳的表现正在实现以前不可能实现的成果。在深度学习中,计算机模型直接从图像、文本或声音中学习执行分类任务,建立、模拟人脑进行分析学习的神经网络。深度学习模型可以达到最先进的精确度,有时甚至超出人类的表现。
        其中VGGNet是一种经典深度卷积神经网络,曾取得了ILSVRC2014比赛分类项目的第二名和定位项目的第一名的优秀成绩。[1]VGGNet探索了卷积神经网络的深度与其性能之间的关系,成功地构筑了16~19层深的卷积神经网络,被广泛用来提取图像特征进行图像分类。
        
        

        
        图2方案框架图
        2.2B111ottle框架
        Bottle是一个简单快速的轻量级网络应用微框架,它只提供请求映射、页面输出等必要功能。Bottle仅由一个文件构成,并且不依赖于Python的第三方类库,可移植性较高,并且可以接入其它模板引擎,方便部署其它符合WSGI标准的WEB服务器,确保了框架高度可扩展性。[4]
        3开发实例
        本实验使用机器人以智能仿生机器鱼为主体,除了涉及水动力学分析、水下通讯、抗干扰技术等多方面内容,还涉及实时采集数字图像实时输出问题以及图像识别问题,具有一定的挑战性和实用性。分别使用树莓派和STM32进行图像采集和驱动控制。通过WebSocket建立树莓派和网页间的实时通信,将PiCamera采集到的图像实时显示在网页端,并通过网页端界面控制机器鱼行进、拍摄等,进而通过VGGNet深度卷积网络识别出所拍摄物体。
        4结语
        基于深度学习和WebSocket的探测机器人很方便地同时解决了图像传输、图像识别和下位机控制问题,实现无线控制机器人进行移动、拍照和探测等活动,可发挥一定的积极作用,具有一定的实用价值。
        参考文献:
        [1] Simonyan K, Zisserman A.Very deep convolutional Networks for large-scale image recognition[J].Computer Science, 2014:1409-1556.
        [2]陈丽枫,郑力新,王佳斌.基于HTML5 WebSocket的Web实时通信机制的研究与实现[J].微型机与应用. 2016(10)
        [3]陈淏,高守玮,岳金冬.基于WebSocket实时物联网数据传输关键技术的研究[J].工业控制计算机.2016(11)
        [4]余斌.基于Bottle的Python网络应用开发[J].无线互联科技.2014(06)
        基金项目:南京工程学院2018大学生科技创新基金项目(TB201805071、TB201806039)
       

投稿 打印文章 转寄朋友 留言编辑 收藏文章
  期刊推荐
1/1
转寄给朋友
朋友的昵称:
朋友的邮件地址:
您的昵称:
您的邮件地址:
邮件主题:
推荐理由:

写信给编辑
标题:
内容:
您的昵称:
您的邮件地址: