CN108197632A - 基于卷积神经网络的分布式手绘画的识别系统及其方法 - Google Patents

Abstract

一种基于卷积神经网络的分布式手绘画的识别系统及其方法，系统采用分布式架构，基于卷积神经网络，通过深度学习，实现手绘画的智能识别；图像特征提取过程实现了可视化，由于卷积神经网络采用端对端的数据处理方式，能够自动提取输入图像的特征，其内部网络学习到图像的特征提取就像一个黑盒子，所以通过把卷积神经网络学习到特征提取信息可视化出来，根据可视化结果进行相应分析及规律总结，对于调试卷积神经网络结构，优化网络参数是非常有帮助。系统采用独立的手绘画数据对采集输入和独立的识别结果输出，构建和优化卷积神经网络，进行训练、估算和预测，从而有效避免了现有技术中人工提取特征困难、手绘画的识别率较低、通用性较差的缺陷。

Description

基于卷积神经网络的分布式手绘画的识别系统及其方法

技术领域

本发明涉及图像识别和数据处理技术领域，具体涉及一种基于卷积神经网络的分布式手绘画的识别系统及其方法，尤其涉及基于深度学习，采用分布式架构，完成基于卷积神经网络的智能分布式手绘画识别系统及其方法的实现方案，可应用与金融、财务、电子政务、电子商务、物流、建筑、橱窗设计、家居软装设计、空间花艺设计、服饰陈列设计、工业设计美术、园林、环艺、摄影、视觉传达这样的领域。

背景技术

手绘画即是近年来居家装饰的潮流，它不是隔离墙上任人涂抹的图案，是修饰新房，翻新，会所，展厅，酒吧等等许多地方的理想选择。手绘画与民众的现代生活密不可分，其形式分门别类，广泛应用于建筑、金融、财政、橱窗设计、家居软装设计、空间花艺设计、服饰陈列设计、工业设计美术、园林、环艺、摄影、视觉传达等领域，是人类最直观且最原始的沟通工具。

近年来,随着智能可触屏设备的普及,手绘画可方便地从智能手机、平板电脑等移动设备上获取,对手绘图的识别相关研究已引起越来越多国内外专家学者的注意。目前己有的手绘图识别方法通常依赖于手工特征提取，但是由于手绘画中线条的多变性、个人的主观因素的不确定性等原因,特别是在传统的计算机手绘画识别中，是将手绘画以图像的方式录入计算机，建立数据库和识别系统，以此识别手绘画，这样的识别方式要根据手绘画的几何特征进行识别，由于手绘画千差万别，所以手动提取特征比较困难。

总而言之，传统的方式使得人工提取特征变得十分困难,导致了现有的手绘画的识别率较低,且通用性较差。

发明内容

为解决上述问题，本发明提供了一种基于卷积神经网络的分布式手绘画的识别系统及其方法，有效避免了现有技术中人工提取特征困难、手绘画的识别率较低、通用性较差的缺陷。

为了克服现有技术中的不足，本发明提供了一种基于卷积神经网络的分布式手绘画的识别系统及其方法的解决方案，具体如下：

一种基于卷积神经网络的分布式手绘画的识别系统，采用分布式架构，包括数据采集器、管理服务器、工作服务器集群、存储服务器、通讯服务器和输出器；

所述数据采集器、管理服务器、存储服务器、通讯服务器和输出器均与工作服务器集群相通信连接。

进一步的，所述数据采集器用来实现对被识别物体的图像收集以及对该图像进行信息处理。

进一步的，所述用来实现对被识别物体的图像收集的方式为通过EIT方式对被识别物体的图像进行采集；

所述对该图像进行信息处理的方式为对通过EIT方式采集的图像数据集进行预处理，所述预处理就是对该图像进行水平翻转和旋转扩展后，再采用去均值和归一化处理，及先就和求中心值，计算出均值，而后用采集的图像数据减去均值，把各个维度的数据都中性化到0，接着对中性化后的数据进行归一化处理。其中EIT是指EITS收集250类手绘画的方式；所述各个维度的数据的数据结构为包括num、channel、width以及height,其中num代表图像数量，channel代表通道数量，width代表图像宽度，height代表图像高度。

进一步的，所述管理服务器用来完成对智能识别网络集群的管理、梯度评均、参数更新以及配置管理；所述智能网络集群是指进行智能手绘画识别的计算机集群。所述管理具体是对工作服务器的工作，该工作包括对工作服务器的注册，心跳，配置。

智能识别有两个过程，特征提取和分类，管理服务器对两种数据进行包括编辑，修改的操作。用来对工作服务器的特征提取参数、分类参数进行管理，同工作服务器定时相互发送心跳包进行心跳管理，实现工作服务器的注册、自动接入管理，实现管理服务器和工作服务器之间基于通讯服务器提供的RPC和MQ进行信息交换。所述实现工作服务器的注册、自动接入管理的具体方式为：工作服务器首先向管理服务器注册，而后管理服务器定时连接注册的工作服务器，从而实现工作服务器的接入。这里RPC为远程过程调用方式，MQ为消息队列方式。通过RPC和MQ两种方式进行信息交换。

进一步的，所述工作服务器集群包括若干工作服务器，所述工作服务器完成特征提取和分类，进行训练和预测；

所述工作服务器分为卷积层和全链接层；

所述卷积层包括特征提取器，所述特征提取器通过基于卷积的神经网络模型完成对作为识别对象的被识别物体的图像的特征提取，所述特征提取器由卷积器、激励器和池化器组成；

所述卷积器包括用来提取输入数据的特征，所述输入数据的特征包括颜色特征、纹理特征、形状特征和空间关系；所述卷积器的数量为两个以上，每一个卷积器提取输入数据的特征和其他的卷积器有所差异；这是因为不同的卷积器处理不同区域的图像，这些图像特征一般来说是不一样的。所述卷积器对不同的数据窗口数据的图像和带有一组固定的权重的滤波矩阵做内积运算；

所述激励器采用relu函数作为卷积神经网络的激活函数，采用对每个卷积结果都进行relu(x)＝max(0,x)运算；所述卷积神经网络由卷积层、激励层、池化层、全连接层组成；elu(x)为激励函数，MAX(0，X)是指在所选区域内取最大值，均为常用的数据过滤方法。

所述池化器采用最大池化的方式实现在保留有用信息的基础上减少数据处理量，所述最大池化的方式即通过最大值过滤数据的方式，具体为采用最大池化MaxPooIing的方式把输入图像以像素为基本单位分割为互相不重叠的矩形区域，然后取每一个矩形区域所有像素值最大的像素值作为输出值，即对运算结果选取最大值并把该最大值作为输出的值；

每个神经元的输入与前一层的局部相连,并提取该局部的特征；所述局部的特征是卷积神经网络的一个特征，是指局部关联性，是指本卷积层的神经单元同上一层的若干神经单元相关联。

所述全链接层包括分类器，所述全链接层用来将所有特征图展开得到一维向量，然后把一维向量输入到分类器进行分类，其具体的方式为采用dropout的方式进行优化训练和分类；所述特征图包括图像的特征。所述优化训练为卷积神经网络优化训练的一种方式，采用dropout方式可以去掉一些神经元，避免过拟合。

所述分类器采用Fisher分类器，而特征提取的结果作为Fisher向量的表示，再将这种表示作为判别式分类器SVM的输入,得到图像的分类结果；另外所述全链接层还能执行卷积神经网络中的前向传播过程和反向传播过程，并对全链接层网络参数进行管理，以key-value的形式将数据集和训练集存储在存储服务器的内存数据库，而将特征提取和分类过程中的日志信息存储在存储服务器提供的文件系统中。所述全链接层网络参数是指全连接层神经元的维度的长度，分类的参数，对所述全链接层网络参数的管理就是对这些参数的编辑以及更新。所述数据集是预测评估时的数据集合，所述训练集是在神经网络在训练时的数据集合。日志中记录特征提取和分类时的中间结果和状态。

进一步的，所述输出器用来进行识别结果的可视化输出，所述输出器包括带有Fisher分类器的全链接层。

进一步的，所述通讯服务器提供可靠的通讯服务。所述通讯服务器提供可靠的通讯服务的方式为通信服务器为神经网络集群中的各服务器提供消息队列和远程过程调用形式的通信服务。

进一步的，所述存储服务器提供内存数据库和文件系统进行信息存储服务。内存数据库采用的是KEY_VALUE reids，用来存放中间结果和状态、训练集和数据集,文件系统采用分布式文件系统MOOSEFS，用来存储日志。

进一步的，管理服务器和工作服务器之间还进行参数的传递和控制信息的传递；该参数是指进行卷积运算时的参数，包括特征提取参数，分类参数，算法函数，该控制信息是指工作服务器的工作状态信息，所述的数据采集器和工作服务器之间传递图像像素信息。

进一步地，所述基于卷积神经网络的分布式手绘画的识别系统的方法，具体方式为：

由数据采集器完成对被识别物体的图像的收集和预处理，数据集和训练集通过EIT方式收集手绘画；然后对采集的图像进行水平翻转和旋转扩展，采用去均值和归一化处理，及先就和求中心值求均值，而后减去均值，把各个维度的数据都中性化到0，接着进行归一化处理；

然后把归一化处理后的图像发送到工作服务器集群中的工作服务器内，然后工作服务器中的每个卷积器与上层的特征图的局部感受野相连，即上层得到的特征图与一个卷积器卷积，然后经过激活函数，加上偏置，形成这一层特征图的局部特征，将卷积器与上层整个特征图卷积，得到这一层的一个特征图，并利用不同的卷积器，得到这一层不同的特征图，并利用图像局部相关性的原理，对图像进行抽样，达到减少数据处理量同时保留有用信息的效果，接着通过激励函数进行运算，具体为采用relu函数作为网络的激活函数，采用对每个卷积结果都进行relu(x)＝max(0,x)运算；所述局部受野是指卷积层中的神经元同上一层的一个区域的神经元关联。

然后所述池化器将得到的激活函数的运算结果，即特征图像进行抽样，即把输入的特征图像划分为多个不重叠的子块，然后对每个子块进行池化，池化的方式采用最大池化MaxPooIing,即把输入图像以像素为基本单位分割为互相不重叠的矩形区域，然后取每一个矩形区域所有像素值最大的像素值作为输出值，然后对运算结果选取最大值并把最大值作为输出的值；

而卷积神经网络通过卷积器、激励器和池化器的循环往复提取到图像由低层次到高层次的特征，接着在全链接层采用dropout方式对最终的图像特征进行优化，dropout方式是在识别过程中将隐含层神经节点的激活输出值，以概率p输出为0，其物理意义相当于该网络连接线断开；dropout是为了降低网络过拟合程度而提出来的，可以有效减少过拟合现象。然后输出器中全链接层将所有特征图展开得到Fisher向量，进行分类输出识别结果。所述隐含层为若干卷积层。激活输出值包括图像特征。

本发明的有益效果为：

本发明的图像特征提取过程实现了可视化，由于卷积神经网络采用端对端的数据处理方式，能够自动提取输入图像的特征，其内部网络学习到图像的特征提取就像一个黑盒子，所以通过把卷积神经网络学习到特征提取信息可视化出来，根据可视化结果进行相应分析及规律总结，对于调试卷积神经网络结构，优化网络参数是非常有帮助。

附图说明

图1是本发明的服务系统的连接示意图。

图2为本发明的服务器机柜的示意图。

图3为本发明的柜体与腔道的结构示意图。

图4为本发明的盒体的结构示意图。

具体实施方式

卷积神经网络可以自动提取特征，并且卷积神经网络能够迭代多次、反复训练直到提取出符合输入图像的一组特征图，使识别结果优于传统的提取特征的识别方法。

卷积神经网络不需要手动设计提取特征，可以直接将图片作为输入，隐式地学习多层次特征，进而实现分类，避免了复杂的特征设计和提取，具有一定的平移、缩放和扭曲不变性。它的权值共享特点使得网络复杂度降低，权值数量减少。卷积神经网络是一种多层的神经网络，包含输入层、隐藏层和输出层，其中隐藏层(包括卷积层和采样层)是卷积神经网络特征提取的重要环节。卷积神经网络使用了针对图像识别的特殊结构，使得采用多层神经网络变得容易，在手绘画识别准确率上有很大优势，同时在本发明中采用分布式架构，采用Eits收集的250类手绘画数据集并进行反转、旋转等作为训练数据集，采用dropout优化训练和分类，Fisher向量作为分类器，特征提取分类可视化等，从而提高识别的速度和准确率。

下面将结合附图和实施例对本发明做进一步地说明。

采用分布式架构，包括数据采集器、管理服务器、工作服务器集群、存储服务器、通讯服务器和输出器；

所述数据采集器、管理服务器、存储服务器、通讯服务器和输出器均与工作服务器集群相通信连接。

所述数据采集器用来实现对被识别物体的图像收集以及对该图像进行信息处理。

所述用来实现对被识别物体的图像收集的方式为通过EIT方式对被识别物体的图像进行采集；

所述对该图像进行信息处理的方式为对通过EIT方式采集的图像数据集进行预处理，所述预处理就是对该图像进行水平翻转和旋转扩展后，再采用去均值和归一化处理，及先就和求中心值，计算出均值，而后用采集的图像数据减去均值，把各个维度的数据都中性化到0，接着对中性化后的数据进行归一化处理。其中EIT是指EITS收集250类手绘画的方式；所述各个维度的数据的数据结构为包括num、channel、width以及height,其中num代表图像数量，channel代表通道数量，width代表图像宽度，height代表图像高度。

所述管理服务器用来完成对智能识别网络集群的管理、梯度评均、参数更新以及配置管理；所述智能网络集群是指进行智能手绘画识别的计算机集群。所述管理具体是对工作服务器的工作，该工作包括对工作服务器的注册，心跳，配置。

智能识别有两个过程，特征提取和分类，管理服务器对两种数据进行包括编辑，修改的操作。用来对工作服务器的特征提取参数、分类参数进行管理，同工作服务器定时相互发送心跳包进行心跳管理，实现工作服务器的注册、自动接入管理，实现管理服务器和工作服务器之间基于通讯服务器提供的RPC和MQ进行信息交换。所述实现工作服务器的注册、自动接入管理的具体方式为：工作服务器首先向管理服务器注册，而后管理服务器定时连接注册的工作服务器，从而实现工作服务器的接入。这里RPC为远程过程调用方式，MQ为消息队列方式。通过RPC和MQ两种方式进行信息交换。

所述工作服务器集群包括若干工作服务器，所述工作服务器完成特征提取和分类，进行训练和预测；

所述工作服务器分为卷积层和全链接层；

所述卷积层包括特征提取器，所述特征提取器通过基于卷积的神经网络模型完成对作为识别对象的被识别物体的图像的特征提取，所述特征提取器由卷积器、激励器和池化器组成；

所述卷积器包括用来提取输入数据的特征，所述输入数据的特征包括颜色特征、纹理特征、形状特征和空间关系；所述卷积器的数量为两个以上，每一个卷积器提取输入数据的特征和其他的卷积器有所差异；这是因为不同的卷积器处理不同区域的图像，这些图像特征一般来说是不一样的。所述卷积器对不同的数据窗口数据的图像和带有一组固定的权重的滤波矩阵做内积运算；

所述激励器采用relu函数作为卷积神经网络的激活函数，采用对每个卷积结果都进行relu(x)＝max(0,x)运算；所述卷积神经网络由卷积层、激励层、池化层、全连接层组成；elu(x)为激励函数，MAX(0，X)是指在所选区域内取最大值，均为常用的数据过滤方法。

所述池化器采用最大池化的方式实现在保留有用信息的基础上减少数据处理量，所述最大池化的方式即通过最大值过滤数据的方式，具体为采用最大池化MaxPooIing的方式把输入图像以像素为基本单位分割为互相不重叠的矩形区域，然后取每一个矩形区域所有像素值最大的像素值作为输出值，即对运算结果选取最大值并把该最大值作为输出的值；

每个神经元的输入与前一层的局部相连,并提取该局部的特征；所述局部的特征是卷积神经网络的一个特征，是指局部关联性，是指本卷积层的神经单元同上一层的若干神经单元相关联。

所述全链接层包括分类器，所述全链接层用来将所有特征图展开得到一维向量，然后把一维向量输入到分类器进行分类，其具体的方式为采用dropout的方式进行优化训练和分类；所述特征图包括图像的特征。所述优化训练为卷积神经网络优化训练的一种方式，采用dropout方式可以去掉一些神经元，避免过拟合。

所述分类器采用Fisher分类器，而特征提取的结果作为Fisher向量的表示，再将这种表示作为判别式分类器SVM的输入,得到图像的分类结果；另外所述全链接层还能执行卷积神经网络中的前向传播过程和反向传播过程，并对全链接层网络参数进行管理，以key-value的形式将数据集和训练集存储在存储服务器的内存数据库，而将特征提取和分类过程中的日志信息存储在存储服务器提供的文件系统中。所述全链接层网络参数是指全连接层神经元的维度的长度，分类的参数，对所述全链接层网络参数的管理就是对这些参数的编辑以及更新。所述数据集是预测评估时的数据集合，所述训练集是在神经网络在训练时的数据集合。日志中记录特征提取和分类时的中间结果和状态。

所述输出器用来进行识别结果的可视化输出，所述输出器包括带有Fisher分类器的全链接层。

所述通讯服务器提供可靠的通讯服务。所述通讯服务器提供可靠的通讯服务的方式为通信服务器为神经网络集群中的各服务器提供消息队列和远程过程调用形式的通信服务。

所述存储服务器提供内存数据库和文件系统进行信息存储服务。内存数据库采用的是KEY_VALUE reids，用来存放中间结果和状态、训练集和数据集,文件系统采用分布式文件系统MOOSEFS，用来存储日志。

管理服务器和工作服务器之间还进行参数的传递和控制信息的传递；该参数是指进行卷积运算时的参数，包括特征提取参数，分类参数，算法函数，该控制信息是指工作服务器的工作状态信息，所述的数据采集器和工作服务器之间传递图像像素信息。

所述基于卷积神经网络的分布式手绘画的识别系统的方法，具体方式为：

由数据采集器完成对被识别物体的图像的收集和预处理，数据集和训练集通过EIT方式收集手绘画；然后对采集的图像进行水平翻转和旋转扩展，采用去均值和归一化处理，及先就和求中心值求均值，而后减去均值，把各个维度的数据都中性化到0，接着进行归一化处理；

然后把归一化处理后的图像发送到工作服务器集群中的工作服务器内，然后工作服务器中的每个卷积器与上层的特征图的局部感受野相连，即上层得到的特征图与一个卷积器卷积，然后经过激活函数，加上偏置，形成这一层特征图的局部特征，将卷积器与上层整个特征图卷积，得到这一层的一个特征图，并利用不同的卷积器，得到这一层不同的特征图，并利用图像局部相关性的原理，对图像进行抽样，达到减少数据处理量同时保留有用信息的效果，接着通过激励函数进行运算，具体为采用relu函数作为网络的激活函数，采用对每个卷积结果都进行relu(x)＝max(0,x)运算；所述局部受野是指卷积层中的神经元同上一层的一个区域的神经元关联。

然后所述池化器将得到的激活函数的运算结果，即特征图像进行抽样，即把输入的特征图像划分为多个不重叠的子块，然后对每个子块进行池化，池化的方式采用最大池化MaxPooIing,即把输入图像以像素为基本单位分割为互相不重叠的矩形区域，然后取每一个矩形区域所有像素值最大的像素值作为输出值，然后对运算结果选取最大值并把最大值作为输出的值；

而卷积神经网络通过卷积器、激励器和池化器的循环往复提取到图像由低层次到高层次的特征，接着在全链接层采用dropout方式对最终的图像特征进行优化，dropout方式是在识别过程中将隐含层神经节点的激活输出值，以概率p输出为0，其物理意义相当于该网络连接线断开；dropout是为了降低网络过拟合程度而提出来的，可以有效减少过拟合现象。然后输出器中全链接层将所有特征图展开得到Fisher向量，进行分类输出识别结果。所述隐含层为若干卷积层。激活输出值包括图像特征。

在输出器中有1层全链接层，全链接层的执行方式包括前向传播过程和反向传播过程。然后输出器中全链接层将所有特征图展开得到Fisher向量，进行分类输出识别结果。这样图像特征提取过程实现了可视化，由于卷积神经网络采用端对端的数据处理方式，能够自动提取输入图像的特征，其内部网络学习到图像的特征提取就像一个黑盒子，所以通过把卷积神经网络学习到特征提取信息可视化出来，根据可视化结果进行相应分析及规律总结，对于调试卷积神经网络结构，优化网络参数是非常有帮助。

所述数据采集器与所述工作服务器相通信连而接进行通讯的方式往往通过两种模式来实现：

1.经由一对一的模式实现单对单模式通信。在通信期间，数据采集器的数量往往不少，数据采集器收取工作服务器的信息常常须得按序列等待，信息的及时性传送不能确保。

2.经由群发的模式进行单对多通信。通信期间，工作服务器能够信息传递到若干数据采集器，这样遗失掉信息的概率很大，常常出现信息遗失的问题。工作服务器与数据采集器的通信模式不能达到通信及时与正确的性能。

而所述工作服务器用来接受连接与数据采集器进行通讯的方式如下：

步骤1-1：所述工作服务器与数据采集器通过互联网实现通信连接，工作服务器与设置在互联网中的PC机构建基于握手协议的通信连接，PC机与多个数据采集器构建基于握手协议的通信连接；

步骤1-2：工作服务器从若干数据采集器里挑出作为目的方的数据采集器用作通信目的，将待通信的信息与作为目的方的数据采集器的信息传送至PC机；工作服务器首先从多个数据采集器中选出作为目的方数据采集器作为通信目的方，然后工作服务器向PC机发出通信请求，等接到确定的响应后，构造信息的暂存空间，把信息凭借基于握手协议的通信方式传递至PC机；PC机对工作服务器所传信息执行正确性校验，确定正确后，工作服务器朝PC机传递通信无误的指令信息；

步骤1-3：如果作为目的方数据采集器的个数不小于第一临界数目或信息容量不小于第二临界数目，就转到步骤1-4执行，也就是使用群发模式；如果作为目的方数据采集器数量不大于第一临界数目或信息容量不大于第二临界数目，就转到步骤1-7中执行，也就是使用一对一通信模式；

一对一通信模式实现的是一个工作服务器单独和一个数据采集器的通信，信息正确性佳，于数据采集器个数不多或信息容量量不大期间使用一对一通信模式而暂存等待周期短。群发模式实现的是一个工作服务器和若干数据采集器的通信，同步输送，输送速度快，于数据采集器个数不少或信息容量不小的期间就更佳的实现了及时性，但是广播产生致的信息正确性缺陷在下面的方式中经由再次传递模式来解决。第一临界数目和第二临界数目为测量数目，可依赖测量数据来灵活配置。

步骤1-4：PC机把得到的信息划成若干第一信息帧，把信息帧处理为基于无握手协议的信息帧后群发传输到作为目的方的数据采集器；

信息经由群发基于无握手协议的模式对互联网中的全体作为目的方的数据采集器群发，仅仅群发互联网中的全体作为目的方的数据采集器才可以从网络适配器朝上一级传送信息；

而于传输信息前，数据采集器须获知通信的基本信息，包括信息容量、信息可读可写的权限、信息的名称、信息存储的指针、群发的目的地址、群发的识别码，其能够分成若干次从PC机送出，也能够一次送出；数据采集器接到上述信息后顺序实现信息构建、权限核对、指针核对、名称核对这样的操作，以此实现PC机与数据采集器并发操作；

PC机将全部信息按照暂存空间容量被划分为若干此写进空间,对于各个暂存空间内的信息按照基于无握手协议的信息帧信息部分的容量被顺序封装，针对各个已组装的基于无握手协议信息帧使用群发的模式传递至发已知互联网中的全体作为目的方的数据采集器中；

步骤1-5：作为目的方的数据采集器对接到的基于无握手协议的信息帧实行是否遗失信息的校验，且把遗失的信息传输至PC机；PC机由此获得遗失信息的个数，如果遗失信息的个数不小于第三临界数目，就转到步骤1-4中继续群发基于无握手协议的信息帧；如果遗失信息的个数不大于第三临界数目，这样PC机各自面对带有遗失信息的作为目的方的数据采集器，把遗失信息相应的信息重新按照基于握手协议的一对一模式传输到相应的作为目的方的数据采集器；

数据采集器可持续地接到基于无握手协议的信息帧并对信息帧实行遗失信息的校验遗失信息检测处理。数据采集器时刻检测接收到的基于无握手协议的信息帧状态，把基于无握手协议信息帧中包含的信息内容写入用于接收的暂存空间，且刷新用于接收的暂存空间；伴着用于传输的暂存的信息传输结束，接收端需要实时检查到暂存空间的哪些信息未刷新，也就是哪个基于无握手协议的信息帧在该轮暂存空间对暂存空间的传送期间内遗失了，由此构建己身的信息遗失暂存空间。

第三临界数目为测量数目，可依赖测量数据来灵活配置。

PC机会在一个暂存空间内的信息通信完成后依次查询各个第三智能终端的接收状况并依据须再次传输的重发遗失信息。数据采集器把遗失的信息传递至PC机。PC机把遗失信息相应的信息帧再次依赖一对一通信模式传递至数据采集器。对于遗失的信息，就使用用一对一通信模式，以此防止群发产生的信息不正确的缺陷。

步骤1-6：数据采集器校验基于无握手协议的信息帧，如果校验没问题，就终止，如果校验存在问题，这样数据采集器就响应PC机的出错的信息帧的信息，PC机将出错的基于无握手协议的信息帧再次依赖基于握手协议的一对一通信模式传递至该数据采集器；

在确定全部数据采集器均没有无遗失信息的条件下，传递方传输检验码请求每个目的方检验暂存空间内的信息；检验没有问题的条件下传递方获取且传送其它的残余信息，直到信息全部传送，检验有问题期间，就把出错信息相应的信息帧再次依照基于握手协议的一对一通信模式传递至作为目的方的数据采集器；

步骤1-7：PC机把得到的信息依照基于握手协议的一对一通信模式传递至各个数据采集器，由此终止操作。

本实施例的有益效果为：

一对一通信模式实现的是一个工作服务器单独和一个数据采集器的通信，信息正确性佳，于数据采集器个数不多或信息容量量不大期间使用一对一通信模式而暂存等待周期短。群发模式实现的是一个工作服务器和若干数据采集器的通信，同步输送，输送速度快，于数据采集器个数不少或信息容量不小的期间就更佳的实现了及时性，但是广播产生致的信息正确性缺陷在下面的方式中经由再次传递模式来解决。第一临界数目和第二临界数目为测量数目，可依赖测量数据来灵活配置。数据采集器可持续地接到基于无握手协议的信息帧并对信息帧实行遗失信息的校验遗失信息检测处理。数据采集器时刻检测接收到的基于无握手协议的信息帧状态，把基于无握手协议信息帧中包含的信息内容写入用于接收的暂存空间，且刷新用于接收的暂存空间；伴着用于传输的暂存的信息传输结束，接收端需要实时检查到暂存空间的哪些信息未刷新，也就是哪个基于无握手协议的信息帧在该轮暂存空间对暂存空间的传送期间内遗失了，由此构建己身的信息遗失暂存空间PC机会在一个暂存空间内的信息通信完成后依次查询各个第三智能终端的接收状况并依据须再次传输的重发遗失信息。数据采集器把遗失的信息传递至PC机。PC机把遗失信息相应的信息帧再次依赖一对一通信模式传递至数据采集器。对于遗失的信息，就使用用一对一通信模式，以此防止群发产生的信息不正确的缺陷。

而所述管理服务器设置在服务器机柜中，服务器机柜为长方体结构，然而现有推出的服务器机柜在工作期间，不利于对服务器机柜执行去湿制冷，也就不利于工作者运用，所以亦减弱了服务器机柜的采用效果，也就让管理服务器的运行效果受到不利的影响。

所述管理服务器设置在服务器机柜中，所述服务器机柜的柜体为长方体结构，所述服务器机柜包括长方体状撑持板E1，所述长方体状撑持板E1的上壁面焊接着所述柜体E2，所述柜体E2的前壁面经由铰链铰接着盖板A7，所述盖板A7的前壁面焊接着拉柄A8，所述柜体E2的上壁面焊接着长方体状遮蔽板E3，柜体E2的两边都相通有圆柱状腔道E4，所述柜体E2的中空内部的底部表面焊接着长方体状盒体E5，所述柜体E2的两边都设有贯通槽E6，所述贯通槽E6的里面填充着带有筛孔的第一筛板A9。所述第一筛板A9用来筛除颗粒物杂质。

所述带有筛孔的第一筛板A9为一对筛孔大小有差异的筛板组成。

所述长方体状撑持板E1的下壁面焊接着长方体状连接柱A4，所述长方体状连接柱A4的下壁面焊接着长方体状连接片A5，条状定位条A6自上而下透过所述长方体状连接片A5并同所述长方体状连接片A5相过盈配合。所述条状定位条A6的下部伸进地表之中嵌牢。

所述圆柱状腔道E4的中空内部的上壁面与下壁面都设有片状活性炭片E7，所述圆柱状腔道E4的中空内部的上壁面和下壁面并接近柜体E2的一边设有带有筛孔的第二筛板E8，所述圆柱状腔道E4的中空内部的上壁面与下壁面并处在片状活性炭片E7与带有筛孔的第二筛板E8间都设有冷气机E9，盒体E5的中空区域的下壁面设有干燥器A0，盒体E5的中空区域的下壁面并处在干燥器A0的两边都设有马达A1。

所述马达A1的个数为一对，而所述一对马达A1镜像排列在所述盒体E5的中空内部的下壁面的两边，所述马达A1的转子连接有转杆，所述转杆的外壁面设有翅片A2，所述盒体E5的上壁面设有第三筛板A3，所述冷气机E9、干燥器A0与马达A1都同服务器机柜之外的电源电连接。

当使用时，导通电源，启动冷气机E9、干燥器A0与马达A1运行，冷气机E9执行制冷，马达A1运行带动翅片A2旋动，改善气体流动，以此实施制冷，而干燥器A0执行除湿。

总之，经由对盒体E5与圆柱状腔道E4的改善，在片状活性炭片E7、带有筛孔的第二筛板E8、冷气机E9、干燥器A0、马达A1、翅片A2与第三筛板A3的运行下，达到了方便对服务器机柜实现制冷除湿的目的，亦有利于增强服务器机柜的使用效果，避免了让管理服务器的运行效果受到不利的影响。

还有就是经由对贯通槽E6和带有筛孔的第一筛板A9的设置，达成了避免颗粒物杂质进至柜体E2里面的目的，也就确保服务器机柜的洁净，有利于增强服务器机柜的使用效果。

所述互联网能够为高性能网络所替代，所述PC机能够为PC服务器所替代。

以上以附图说明的方式对本发明作了描述，本领域的技术人员应当理解，本公开不限于以上描述的实施例，在不偏离本发明的范围的情况下，可以做出各种变化、改变和替换。

Claims (10)

1.一种基于卷积神经网络的分布式手绘画的识别系统，其特征在于，采用分布式架构，包括数据采集器、管理服务器、工作服务器集群、存储服务器、通讯服务器和输出器；

所述数据采集器、管理服务器、存储服务器、通讯服务器和输出器均与工作服务器集群相通信连接。

2.根据权利要求1所述的基于卷积神经网络的分布式手绘画的识别系统，其特征在于，所述数据采集器用来实现对被识别物体的图像收集以及对该图像进行信息处理。

3.根据权利要求2所述的基于卷积神经网络的分布式手绘画的识别系统，其特征在于，所述用来实现对被识别物体的图像收集的方式为通过EIT方式对被识别物体的图像进行采集；

所述对该图像进行信息处理的方式为对通过EIT方式采集的图像数据集进行预处理，所述预处理就是对该图像进行水平翻转和旋转扩展后，再采用去均值和归一化处理，及先就和求中心值，计算出均值，而后用采集的图像数据减去均值，把各个维度的数据都中性化到0，接着对中性化后的数据进行归一化处理。

4.根据权利要求3所述的基于卷积神经网络的分布式手绘画的识别系统，其特征在于，所述管理服务器用来完成对智能识别网络集群的管理、梯度评均、参数更新以及配置管理；

用来对工作服务器的特征提取参数、分类参数进行管理，同工作服务器定时相互发送心跳包进行心跳管理，实现工作服务器的注册、自动接入管理，实现管理服务器和工作服务器之间基于通讯服务器提供的RPC和MQ进行信息交换。

5.根据权利要求4所述的基于卷积神经网络的分布式手绘画的识别系统，其特征在于，所述工作服务器集群包括若干工作服务器，所述工作服务器完成特征提取和分类，进行训练和预测；

所述工作服务器分为卷积层和全链接层；

所述卷积层包括特征提取器，所述特征提取器通过基于卷积的神经网络模型完成对作为识别对象的被识别物体的图像的特征提取，所述特征提取器由卷积器、激励器和池化器组成；

所述卷积器包括用来提取输入数据的特征，所述卷积器的数量为两个以上，每一个卷积器提取输入数据的特征和其他的卷积器有所差异；所述卷积器对不同的数据窗口数据的图像和带有一组固定的权重的滤波矩阵做内积运算；

所述激励器采用relu函数作为卷积神经网络的激活函数，采用对每个卷积结果都进行relu(x)＝max(0,x)运算；

所述池化器采用最大池化的方式实现在保留有用信息的基础上减少数据处理量，所述最大池化的方式即通过最大值过滤数据的方式，具体为采用最大池化MaxPooIing的方式把输入图像以像素为基本单位分割为互相不重叠的矩形区域，然后取每一个矩形区域所有像素值最大的像素值作为输出值，即对运算结果选取最大值并把该最大值作为输出的值；

每个神经元的输入与前一层的局部相连,并提取该局部的特征；

所述全链接层包括分类器，所述全链接层用来将所有特征图展开得到一维向量，然后把一维向量输入到分类器进行分类，其具体的方式为采用dropout的方式进行优化训练和分类；

所述分类器采用Fisher分类器，而特征提取的结果作为Fisher向量的表示，再将这种表示作为判别式分类器SVM的输入,得到图像的分类结果；另外所述全链接层还能执行卷积神经网络中的前向传播过程和反向传播过程，并对全链接层网络参数进行管理，以key-value的形式将数据集和训练集存储在存储服务器的内存数据库，而将特征提取和分类过程中的日志信息存储在存储服务器提供的文件系统中。

6.根据权利要求5所述的基于卷积神经网络的分布式手绘画的识别系统，其特征在于，所述输出器用来进行识别结果的可视化输出，所述输出器包括带有Fisher分类器的全链接层。

7.根据权利要求6所述的基于卷积神经网络的分布式手绘画的识别系统，其特征在于，所述通讯服务器提供可靠的通讯服务。

8.根据权利要求7所述的基于卷积神经网络的分布式手绘画的识别系统，其特征在于，所述存储服务器提供内存数据库和文件系统进行信息存储服务。

9.根据权利要求8所述的基于卷积神经网络的分布式手绘画的识别系统，其特征在于，管理服务器和工作服务器之间还进行参数的传递和控制信息的传递；所述的数据采集器和工作服务器之间传递图像像素信息。

10.根据权利要求9所述的基于卷积神经网络的分布式手绘画的识别系统的方法，其特征在于，具体方式为：

由数据采集器完成对被识别物体的图像的收集和预处理，数据集和训练集通过EIT方式收集手绘画；然后对采集的图像进行水平翻转和旋转扩展，采用去均值和归一化处理，及先就和求中心值求均值，而后减去均值，把各个维度的数据都中性化到0，接着进行归一化处理；

然后把归一化处理后的图像发送到工作服务器集群中的工作服务器内，然后工作服务器中的每个卷积器与上层的特征图的局部感受野相连，即上层得到的特征图与一个卷积器卷积，然后经过激活函数，加上偏置，形成这一层特征图的局部特征，将卷积器与上层整个特征图卷积，得到这一层的一个特征图，并利用不同的卷积器，得到这一层不同的特征图，并利用图像局部相关性的原理，对图像进行抽样，达到减少数据处理量同时保留有用信息的效果，接着通过激励函数进行运算，具体为采用relu函数作为网络的激活函数，采用对每个卷积结果都进行relu(x)＝max(0,x)运算；

然后所述池化器将得到的激活函数的运算结果，即特征图像进行抽样，即把输入的特征图像划分为多个不重叠的子块，然后对每个子块进行池化，池化的方式采用最大池化MaxPooIing,即把输入图像以像素为基本单位分割为互相不重叠的矩形区域，然后取每一个矩形区域所有像素值最大的像素值作为输出值，然后对运算结果选取最大值并把最大值作为输出的值；

而卷积神经网络通过卷积器、激励器和池化器的循环往复提取到图像由低层次到高层次的特征，接着在全链接层采用dropout方式对最终的图像特征进行优化，dropout方式是在识别过程中将隐含层神经节点的激活输出值，以概率p输出为0，其物理意义相当于该网络连接线断开；然后输出器中全链接层将所有特征图展开得到Fisher向量，进行分类输出识别结果。