摘要：近年来，深度学习是目前最被看好的新兴学科之一。如今，深度学习的加入，解决了困扰从业者多年的问题。尤其是在计算机视觉领域，而目标检测作为计算机视觉的经典问题，综合了图像处理、模式识别、深度学习的相关知识。复杂环境的物体检测主要分为两个任务，目标定位和目标分类[1]。物体检测的主流检测方式是卷积神经网络（CNN），主要采用的模型有两类，基于候选区的目标检测以及基于回归方式的目标。R-CNN系列模型在检测准确度上取得了优异地成果，但实时性较差。基于回归方式地YOLO则是将实时性发挥到极致，但无法保证准确性。SSD则结合了R-CNN系列的准确性以及YOLO的实时性，达到了准确性和实时性的暂时平衡。现在移动端的处理器性能越来约向桌面级靠近，使得在移动设备上也能完成深度学习的操作。

本实验基于深度学习目标检测模型，将云端训练好的模型接入至机器人，实现在Cozmo机器人上完成对特定物体的检测。在本实验中，以SSD目标检测模型为基础，结合其他技术的优缺点，将SSD原先的VGG网络结构修改为针对移动平台优化的MobileNet网络架构，降低了运算量，提升了运算速度，保证了Cozmo对于物体检测的实时性。实验测测试结果也表明，使用SSD-MobileNet的目标检测模型在移动端平台表现良好，可实时检测出训练过的物体。在完成检测识别地基础上实现了对特定物体的搬运。

本实验的研究内容对其他目标检测技术的研究具有参考意义，并且可应用于多项实际应用中，具有良好的应用前景。

关键词： 深度学习， 目标检测，  TensorFlow， SSD，MobileNet 

目录

摘要

Abstract

1.绪论-1

1.1课题背景和意义-1

1.2目标检测技术的发展-2

1.3文章结构-5

2．深度学习与神经网络-6

2.1深度学习概论-6

2.2神经网络-7

2.3卷积神经网络的结构-8

2.4本章小结-12

3.基于深度学习的目标检测模型-13

3.1基于候选区的目标检测算法-13

3.1.1 R-CNN模型-13

3.1.2 Fast R-CNN-14

3.1.3 Faster R-CNN-15

3.2基于回归方式的目标检测算法-16

3.2.1 YOLO-16

3.2.2 SSD-17

3.3本章小结-18

4.基于SSD网络模型的Cozmo目标检测-19

4.1实验环境搭建-19

4.1.1关于Cozmo-19

4.1.2关于TensorFlow-19

4.1.3实验环境配置-20

4.2实验过程-21

4.3应用-26

4.4本章小结-29

5.总结与展望-30

参考文献-31

附录-32

致谢-36