挤出机螺杆设计本栏目责任编辑：唐一东
人工智能及识别技术基于卷积神经网络和关键词的目标检测系统 施懿，浦昕鑫，沈刘潼，徐也
（无锡职业技术学院物联网技术学院，江苏无锡214121）
聚乙烯摘要：该文以互联网上的图片数据为训练数据，结合使用深度学习技术，实现了一种基于卷积神经网络和检测关键词的目 标检测系统。系统根据用户输入的检测关键词，利用网络爬虫技术搜集图像用于训练。对每张图像，使用预训练的神经网络模型提取图像特征，并采用金字塔池化技术得到图像表达向量。系统基于图像表达向量学习分类器，并利用分类器对用户上传的图片进行目标检测。系统的实现具有实际意义，理想情况下可对任意具体目标实现检测（如行人、车辆、动物等）。关键词：计算机视觉；目标检测；卷积神经网络；网络爬虫；检索关键词中图分类号：TP311 文献标识码：A
文章编号：1009-3044(2021)08-0162-03
开放科学（资源服务）标识码（OSID ）：
An Object Detection System based on Convolutional Neural Network and Keywords SHI Yi ，PU Xin-xin ，SHEN Liu-tong ，XU Ye
(School of IoT Technology Wuxi Institute of Technology,Wuxi 214121,China)Abstract ：This paper proposes a novel object detection system,which utilizes the images stored on the Internet as training images,and adopts the deep learning technology to achieve the object detection tasks.According the keywords typed by users,this system runs the web crawlers to gather the images related to the keywords.For each image,a pre-trained convolutional neural network model is used to extract the features from this image,and then the pyramid pooling technology is applied to generate the image rep⁃resentation vector of this image.This system learns a binary classifier on the image representation vectors,and uses it to detect the objects in the images uploaded by users.Ideally,this system is capable of detecting any object such as pedestrian,car,animal and so on.
Key words ：computer vision;object detection;convolutional neural network;web crawler;keyword
苍雪
目标检测[1]是计算机视觉领域中重要的研究方向之一，是计算机识别图像、理解图像的基础，亦是计算机进行判断、推理和决策的前提。它广泛地存在于安防中的遥感图像敌军目标检测，医疗中的计算机辅助诊断，红外目标跟踪与识别工作，智能视频监控等诸多应用领域。目前已经出现了很多基于深度学习技术的目标检测系统。例如，陈辰[2]等人提出了一种基于FPGA 的深度学习目标检测系统。王俊强[3]等人基于深度学习技术，提出了应用于遥感图像领域的目标检测定位系统。卢虹竹[4]等人提出了基于深度学习算法的人脸识别管理系统。
通过分析发现，现有的系统并没有利用互联网上海量的图片数据作为训练数据来源，并且也不支持对未包括在训练数据种类中的类别进行检测。针对这一情况，本文以互联网上海量的图片数据为训练数据来源，结合使用当前流行的深度学习技术，设计并实现了一种基于卷积神经网络和检测关键词的目标
检测系统。该系统支持用户输入任意检索关键词，对用户上传
的批量图片进行目标检测。例如，当用户输入“熊猫”检测关键词后，系统对用户上传的每张图片进行目标检测，并将检测结果展现给用户。
本系统实现的关键功能包括了：1）根据用户输入的关键词，利用网络爬虫技术搜集训练图片；2）使用预训练网络（如ResNet [5]）提取图像特征，并在卷积层应用金字塔池化技术得到图像表达向量；3）
基于图像表达向量和种类标签信息训练分类器；4）利用分类器对用户上传的图片进行目标检测。本系统采用Python 语言开发，利用Scrapy 爬虫框架实现训练图像数据的获取，利用Pytorch 框架实现图像特征的提取和分类器学习，利用Django 框架实现Web 系统。本系统的实现具有实际意义，理想情况下可对任意具体目标实现检测。
收稿日期：2020-11-20基金项目：本文受江苏省高等学校大学生创新创业训练计划资助（项目号：202010848007Y ）作者简介：施懿（2001—），男，江苏无锡人，学生，大专，主要研究方向为计算机视觉；浦昕鑫（2001—），男，江苏苏州人，学生，大
专，主要研究方向为网络爬虫；沈刘潼（2000—），男，江苏苏州人，学生，大专，主要研究方向为Web 系统设计；徐也（1988—），男，安徽安庆人，讲师，博士，主要研究方向为计算机视觉、深度学习。
162
Computer Knowledge and Technology 电脑知识与技术
第17卷第8期(2021年3月)
人工智能及识别技术
本栏目责任编辑：唐一东1系统设计
本系统基于Django 框架按照MVC 模式进行设计。图1显
示了系统的关键功能模块。下面依次介绍各个模块。
图1系统关键功能模块
1.1训练图片爬取模块
训练图片爬取模块基于Scrapy 框架进行实现。该模块在
获得用户输入的检索关键词后，通过程序访问现有的图片搜索网站（如、百度图片搜索、谷歌图片搜索等），爬取这些网站依据关键词检索出的图片。爬取的图片交由训练图片管理模块进行存储。模块在实现过程中，利用了浏览器伪装、代理服务应对反爬虫技术，利用了Selenium 模拟用户操作浏览器。该模块允许用户设置爬取的目标网站、图片张数、图片大小、图片格式等参数。爬虫在爬取过程中依据用户设置的参数对图片进行筛选。
1.2训练图片管理模块
训练图片管理模块使用MySQL 数据库存储图片文件信息，支持用户进行图片的增删查改。该模块支持人工筛选数据，允许用户删除图片质量差、与关键词语义匹配度低的图片。此外，该模块还支持用户上传训练图片以应对训练图片质量差、数量少的情况。1.3神经网络训练模块
神经网络训练模块基于Pytorch 框架进行实现。该模块利用预训练卷积神经网络抽取训练图像的图像特征，然后在卷积层应用金字塔池化技术[6]得到图像表达向量，最后基于图像表达向量和种类标签信息学习分类器。训练所需的数据集由10000张背景图片和爬取的图片构成，其中，爬取的图片作为正例，背景图片作为负例。预训练模型采用当前流行的深度卷积神经网络，如VGG-16[7]、ResNet [5]等。在本系统中，预训练模型作为特征提取器被使用。通过在位于末尾的卷积层上应用金字塔池化技术得到固定长度的图像表达向量。在获得所有正负样本的图像表达向量后，学习一个二类分类器，如SVM 、罗杰斯特回归。训练完成的模型交由神经网络模型管理模块进行保存。
1.4神经网络识别模块
神经网络识别模块利用预训练卷积神经网络和分类器，对
用户上传的图片进行目标检测。该模块采用了SPP-Net [6]的识别方式。具体地，对于每张图片，第一步，利用候选框生成算
法[6]在该图片上生成大量的候选框（如2000个）；第二步，利用卷积神经网络进行特征提取，并计算每个候选框对应的特征图区域；第三步，采用空间金字塔池化技术对每个特征图区域包含的特征分别进行池化，得到每个候选框所在区域的图像表达向量；第四步，利用训练得到的分类器对每个候选框对应的图像表达向量进行分类，并保留判定结果为正例的候选框；第五步，利用非极大值抑制技术对上一步得到的候选框进行进一步的过滤，剩下的候选框作为该图片的识别结果。1.5神经网络模型管理模块
神经网络模型管理模块使用MySQL 数据库对训练完成的模型进行管理，支持用户进行模型的新增（训练新模型）、删除、修改（重新训练模型）和查看操作。该模块支持用户直接使用系统中训练完成的模型进行识别，避免了模型的重复训练。如果系统提供的模型不能满足需要，则用户可以训练新模型。
2工作流程
图2
显示了用户使用本系统进行目标检测的工作流程。
图2目标检测流程图
3系统效果
图3显示了用户上传图像后，进行目标检测后的系统截图。用户在输入“猫”关键字并点击“检测”按钮后，系统将图片中的“猫”用矩形框进行标识。
163两少一宽
Computer Knowledge and Technology 电脑知识与技术第17卷第8期(2021年3月)
本栏目责任编辑：唐一东
人工智能及识别技术图3进行目标检测后的系统界面
4结论
本文以互联网上海量的图片数据为训练数据来源，结合使
用当前流行的深度学习技术，设计并实现了一种基于卷积神经网络和检测关键词的目标检测系统。该系统支持用户输入任意检索关键词，对用户上传的批量图片进行目标检测。在实验中发现，目标检测的检测效果非常依赖于训练图片的质量和数量。对于一些较常见的目标（如猫、狗等），因为容易获得大量高质量的训练图片，检测效果较好，而对于一些不常见的目标，爬取的训练图片质量低，还需要人为补充训练图片来提高检测效果。
参考文献:
[1]袁功霖.基于卷积神经网络的目标识别技术[D].北京：中国电子科技集团公司电子科学研究院,2019.
[2]陈辰，严伟，夏珺，等.基于FPGA 的深度学习目标检测系统的设计与实现[J].电子技术应用,2019,45(8):40-43,47.
[3]王俊强，李建胜，程相博，等.基于深度学习的目标检测定位系统设计与实现[J].测绘与空间地理信息,2020,43(1):133-136,144.
[4]卢虹竹.基于深度学习算法的人脸识别管理系统[J].信息技术,2019,43(12):121-124,130.
[5]He K,Zhang X,Ren S,et al.Deep Residual Learning for Im⁃age Recognition[C].IEEE Conference on Computer Vision and Pattern Recognition,IEEE Computer Society,2016.1-12.
[6]He K,Zhang X,Ren S,et al.Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition[J].IEEE Trans⁃actions on Pattern Analysis &Machine Intelligence,2014,37(9):1904-1916.
[7]Simonyan K,Zisserman A.Very Deep Convolutional Networks for Large-Scale Image Recognition[C].IEEE Conference on Computer Vision and Pattern Recognition.IEEE Computer So⁃ciety,2014.1-14.
【通联编辑：唐一东】
贯彻落实会议精神汇报（上接第157页）
接查看有用信息。同时人工智能技术还能保障对来往的邮件进行智能检测，其中检测的内容包括邮件
发送内容以及邮件来往的地址，这样可以检测出邮件中的各种潜藏的垃圾链接，同时也可以根据邮件的内容以及来源对邮件进行分类，可以方便用户的查询，同时也可以筛选出具有不良链接的垃圾邮件。4.7网络管理与系统评价中的应用
聂华苓简介
人工智能技术同时应用在网络管理与系统平台的过程中。在使用计算机技术过程当中，必须对计算机网络性系统进行定时的管理和评价，虽然在人工智能出现之前，这些功能也得到了实现，但是由于网络环境的变化比较快，而且还存在许多变化的因素，所以在管理和评价过程中存在着许多的难题。而人工智能技术的应用，大大提高了网络管理与系统评价的效率，人工智能技术可以对计算机网络系统进行一个全面的评测，并且从专家的角度对各种问题进行科学性分析，并在短时间内就能出相应的解决办法。在计算机运行后，通过综合评价的方式来了解计算机的软硬件运行状况，并结合人工智能提升其网络管理和网络运行质量，这为计算机用户的网络安全奠定了坚实的基础。
5结语
如今是飞速发展的信息化时代，同样也是智能化时代，计
算机技术的应用极大地便利了人民的生活，而人工智能技术的
发展则更是让人民的生活锦上添花。无论是在保障计算机网络安全，还是在网络管理方面，人工智能
技术都发挥着关键的作用。目前计算机网络技术的不断发展进步使人工智能也随之发展进步，因此，我们在应用人工智能的过程中，要学会将其合理应用到计算机网络技术当中。因此，将人工智能技术应用于现代生活中已成为目前的一种发展趋势，而且越来越多的使用者更忠实于人工智能相关技术的使用，这不仅提高了人们的工作效率，同时也大大提高了科技发展水平，有力地推动了计算机行业的发展。
参考文献：
[1]官亚芬.大数据时代计算机网络技术中人工智能的应用[J].中国科技信息,2020(20):53-54.
[2]吴佳豪，张娴静.大数据时代下计算机网络技术中人工智能分析[J].九江学院学报(自然科学版),2020,35(3):77-80.
[3]鲍豫鸿.基于大数据时代计算机网络技术中人工智能的应用解析[J].粘接,2020,43(9):98-101.
[4]张庆荣.探究计算机网络技术中人工智能的应用[J].中小企业管理与科技(中旬刊),2020(9):172-173.
[5]崔娟.计算机网络技术中人工智能的应用探讨[J].电脑编程技巧与维护,2020(8):122-124.
[6]许灿.计算机网络中人工智能技术的应用分析[J].电脑编程技巧与维护,2020(8):136-137,140.
【通联编辑：朱宝贵】
164
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议