基于神经网络的NAO机器人手写数字识别

摘要

NAO机器人是RoboCup的标准化平台，有非常好的应用性和可扩展性，可以完成非常丰富的任务，在各类工作中有非常优异的表现，但是在其中也存在很多的问题。在图像识别中，NAO只可以识别特定的标识或者进行简单的二维图像录入和识别，同时识别率也不能令人满意。为解决NAO机器人识别图标内容的局限性问题，以及识别率等问题，现基于NAO机器人平台，以神经网络为基础，重新设计图像识别模块。 本文首先介绍了NAO机器人的一些自主开发所需要的准备工作，因为NAO的官方API并不是完全开源的，需要以自己的需要重新配置环境，搭建自己的一些数据库以及实验平台，为此做了很多的准备工作。其次在获取到图像后，本文对图像进行了预处理，使其更容易被识别，同时尽可能的降低喂入网络的数据的数据量。在之后就是神经网络的搭建工作。首先搭建的是非常经典但结构相对简单的BP神经网络，BP神经网络可以完成很多相对较为简单的任务，并有着基本令人满意的实验效果，因此，第一个实验选择使用BP神经网络进行识别。其次是卷积神经网络，它是目前最为主流的图像识别网络，有着非常好的识别能力和发展潜力，图像识别领域许多更加复杂的网络都是从简单的卷及网络演化而来的。 本文主要解决了NAO机器人在Linux中环境搭建中的一些问题，BP神经网络、卷积神经网络的实现问题，以及网络参数与NAO机器人实际情况进行适配的问题。

目录

声明

1． 绪论

1．2．国内外发展现状及趋势

1．2．1．国外发展现状

1．2．2．国内发展现状

1．4．本文主要的内容及安排

2． 环境搭建与连接

2．1．1． NAO机器人接入局域网

2．1．2．使用NAOqi连接机器人

2．2．Python语言环境的搭建

2．2．1． Python语言的特点

2．2．2． Linux下搭建Python语言实验环境

2．3．TensorFlow环境搭建

2．4．神经网络

2．5．图像预处理

2．5．1． HSV色彩空间

2．5．2．灰度化处理

2．5．3．归一化处理

3． BP神经网络实现手写数字识别

3．2．BP神经网络反向传递过程

3．3．BP神经网络的MATLAB实现

3．4．BP神经网络在TensorFlow中的实现

4． 卷积神经网络实现手写数字识别

4．1．卷积神经网络

4．1．1．卷积的定义

4．1．2．全零填充

4．1．3．池化

4．1．4．全连接层

4．2．卷积神经网络的反向传播过程

4．2．1．误差值的反向传播

4．2．2．通过误差进行参数迭代

4．3．卷积网络的结构设计

4．4．卷积网络的实现过程

4．4．1．所示完整的前向传播实现过程如下

4．4．2．反向传播过程实现

4．4．3．卷积层的实现

4．4．4．池化层的实现

5． 各类网络效果分析

5．2．损失函数Loss曲线对比

5．3．准确率Accuracy曲线对比

5．4．总结

6． 总结与展望

6．2．展望

参考文献

攻读硕士学位期间发表的论文及所得到的研究成果

致谢