基于機器學習的多類目標識別方法分析

肖思昌，靳經，潘敏，柳明

（1.國網武漢供電公司，湖北 武漢 430013；2.國網湖北省電力有限公司，湖北 武漢 430000）

目前，目標識別在計算機領域中，成為熱點研究話題，并且，目標識別的方法應用也較為廣泛，尤其是在電力企業中，由于其環境較為復雜，基于機器學習的多類目標識別，可有效將其運用在電力設備中，識別到準確的數據信息，不斷提高識別率，達到良好的識別效果。在其應用過程中，采用相應的方法，對目標進行精準識別，可有效加快目標識別速度，并在機器學習的基礎上，完善整體框架，以推動科技領域的良好發展。

1 機器學習的基本理論

1.1 統計學習

統計學習理論是一種新型算法，其能夠計算較為復雜的數據，在該理論應用的過程中，通常會應用到計算機設備。在該理論中，支持向量機是較為常見的機器學習算法，該算法與傳統算法有所不同，在風險最小時，可對統計學習方法進行有效優化。在該模型中，可創建相應的空間，并明確各個維度的目標特征，結合特性之間存在的差異以及明確支撐向量，以此建立模型，利用數學公式描述則為：

根據兩條直線可求得最大值以及最小值，并將其進行有效優化，如，

式中，ζi代表松弛變量，可對相關問題進行有效求解。因此，在支持向量機的應用過程中，可有效針對超平面的向量進行求解，并降低其風險，使風險達到最小化。同時，在該算法的應用過程中，其具有較大的優勢，在實際的應用時，可將其靈活的應用在各個類型中，能夠快速處理高維數據，避免對計算資源進行大量消耗，以此取得良好的應用成果。

此外，在統計學習理論中，還包含Softmax函數，該函數也可被稱為指數函數，能夠在多個領域進行推廣。該函數中的任一元素和均為1，機器學習中，通常會輸入相應的向量，并輸出與之相應的概率，其數值在0-1之間，其中Softmax函數的表達式為，

該函數在計算過程中，其較為穩定，不會出現較多的問題，造成算法過于復雜。在實際的應用時，該函數可有效解決分類問題，其經常應用在圖像識別算法中，從而達到良好的使用效果。

1.2 深度學習

深度學習理論也是機器學習中的領域之一，該理論應用的范圍相對較廣，如，圖像識別、語音識別等。在該理論深入的研究下，不斷將其轉為網絡探索，并利用數學工具，可有效培養深層神經網絡，并使技術得到迅速提升。在神經網絡中通常由多項神經元構成，并進行簡便計算，在深度學習理論中，神經網絡技術較為常見。該技術具有良好的模塊結構，在其計算應用過程中，具有較強的適應性，避免出現較多的問題，影響計算效果。在神經網絡結構中包含較多的內容，全連接就是其中的一種形式，也是較為基本的計算方式。在該方式的應用下，可應對復雜的電力設備進行分解，有效利用電力設備的拍攝結構，通過將各個節點進行有效連接，致使其參數量相較大，數值也相對較大。在實際的計算過程中，需花費大量的時間，影響整體的計算效果，神經網絡結構中還包括激活函數。通過對該函數的應用，可有效將模型帶入到非線性的特征中。在應用過程中，具有良好的效果。此外，在神經網絡模型中，還包含代價函數，該函數也是較為常用的函數之一，其公式如下：

通過對上述公式的應用，可有效通過模型計算出具體的測量結果，并充分判斷結果的真實性，從而得出準確的數值。

2 基于機器學習的多類目標識別的具體方法

2.1 虛擬數據識別方法

基于機器學習，可有效進行目標識別，在實際的識別過程中，可采用虛擬數據的識別方法，如Faster R-CNN、DPM、Haar分類器等，通過該三類方法的應用，可有效對目標進行準確識別，以實現目標識別的效果。

其中，在Faster R-CNN方法的應用過程中，可應用在深入的目標識別中，該方法是由區域網絡以及目標識別網絡相結合構成的識別方法，在該方法中還可將其進行有效劃分，分成回歸網絡以及目標分值網絡。為此，在實際輸出的過程中，會顯示出被檢測圖像的相關區域位置實際坐標，以及相應的分值。其中在電力企業運行過程中，可通過該方法對制定目標進行有效識別，對電力設備影像進行標注，以此提高電力設備識別效率。

同時，DPM方法時利用HOG的主要特點以獲取相應的目標信息，并構建目標與部件之間的相應關系，以此有效識別具體的目標物體。在DPM方法應用過程中，也可應用在為標準具體部件的情形下。針對該情況，可有效利用分辨率圖像掌握HOG的主要特征，并通過對模型的有效應用，以此充分表示防振錘的各個角度。并在此過程中，還需利用latentsvm方法形成相關的防振錘模型，通過對其有效識別，可充分了解各個模型之間存在的關系，明確各個模型具體的位置。

在此基礎上，利用虛擬數據模仿相應的場景時，能夠準確的了解目物體的具體位置，并在應用haar分類器時，則針對不同的器具建立相應的分類器。并且，通過adaboost計算時，需輸入類似正方形大小的數據集，則輸出的結果均為各個目標物體的外接正方形。但是，在分類器應用的過程中，其特征相對較少，難以得到良好的分類效果，無法高效完成目標識別工作，影響整體的識別效果。通過對虛擬數據識別方法，可有效對電力影像問題進行充分模擬，并利用虛擬影像進行充分標記，以此進行科學的目標識別，取得良好的應用成果。

2.2 增強遷移學習目標識別

基于機器學習的目標識別方法中，還包括增強遷移學習目標識別，其中，在機器學習中，神經網絡需學習較多的參數，并需耗費較多的計算量，在各個分類任務中，均需重新獲取搜集相應的數據，進行標注，構建模型等。該過程較為復雜，尤其是在模型的前期構建過程中，其影響模型的精確率，其中遷移學習是機器學習中的領域之一，可有效應用在電力設備的識別中。

通過遷移學習，可有效將無法構建出完整模型的相關參數，遷移到新的模型中，從而可充分解決有關問題，遷移學習在機器學習中占據重要的地位，在目標識別過程中，遷移學習方法包含兩種形式，對已出現識別錯誤率偏高的目標提高數據辨識度。同時，在圖像數據處理過程中，應當采用空間幾何以及像素點變換的方式，利用空間幾何變換，則可直接進行旋轉平移。在放射變換過程中，盡量在信息保留的情形下，最大化的增強神經網絡。通過遷移學習，可有效使電力設備對實拍影像進行有效檢測，并且，在電力影像像素點變換時，應當采用圖像增強以及去噪的方式進行有效變換，以此能夠有效的降低分辨失誤率，減少誤差值，以降低目標域出現較大的差值的效果。

在遷移學習的目標識別過程中，可有效處理數據過于依賴的問題，并降低出現問題的概率。通過對該方法的應用，能夠及時處理分類錯誤的問題，在目標識別的基礎上，提高目標物體的識別率，以對分類錯誤的樣本進行有效改正，并不斷引進先進的理念，以減小遷移學習中帶來的誤差。因此，在該方法的應用過程中，可更好地處理參數初始化的問題，避免目標域受到較大的影響，難以完成分類任務。從而在增強遷移學習的目標識別方法中，可對相應的分類器進行充分利用，并對其讀取的數值進行有效的融合，以此利用平均值的方式，以獲取目標物體的實際情況，以及各個物體間的方差，了解相關類別中共有特性，從而增強目標識別的準確率。

2.3 復用特征目標識別

基于機器學習的神經網絡，在計算機領域起到了顯著的作用，通常應用在目標識別過程中，其具有較大的優勢。在卷積計算過程中，可將其融入到神經網絡中，以此達到優化數據的效果，得出較小的計算量，以此不斷推動機器學習的有效發展，提高其學習高度。在電力設備的運行中，不斷采用復用特征的方法以完成目標識別的工作，從而提高識別設備的使用性能。

在對該方法應用的過程中，需合理選擇復用特征，選擇時，需結合人腦的控制機制，若大腦接收到外界信息時，無法對其進行全面處理。但對針對該目標集中注意力，可有效忽視相關不重要信息，以此提高整體的處理效率，通過注意力集中處理，使計算維度逐漸下降。并以不同的形式展現，在電力企業發展過程中，可將該方法應用在圖像識別過程中。利用該方法能夠有效降低計算維度，并對無效信息進行全面過濾，以此提高目標識別率，可達到良好的識別效果。

3 結語

總之，基于機器學習的多類目標識別使我國研究的主要方向之一，在目標識別過程中，需以圖像分類任務為基本原理，明確具體的識別過程，對機器學習展開有效分析，了解其各個理論的實際應用以及其計算公式。并在實際的目標識別過程中，選用相適宜的方法，對數據參數進行不斷優化，從而能夠加快計算速度，進一步發揮目標識別的自身優勢，使其得到廣泛應用。