基于卷积神经网络的幼儿守护机器人检测系统设计

幼儿守护机器人的目标检测技术具有广阔的应用检测空间,但传统监测技术多基于手工分类特征数据进行分析,难以保障数据的准确性。研究基于卷积神经网络提出机器人监测系统,充分发挥神经网络对目标图像的深层特征检测效果,并提出深度可分离卷积结构和Focal Loss损失函数改进后的单发多框检测器(Single Shot MultiBox Detector,SSD)目标检测模型,基于软硬件条件设计检测系统。实验结果表明,改进SSD模型的稳定损失值为0.56~2.98,时间损失情况小于SSD模型(5s<6.5 s),且其与原模型的小目标检测精度差值幅度达到了7.63%。改进SSD模型在三种场景下的平均识别率在95%以上,高于其他对比算法,且目标检测速度为48.29 ms,应用效果较好。该方法能极大程度上为幼儿守护机器人系统的实际应用拓展提供借鉴思路,极大程度为幼儿提供了一个安全有效的保障系统。