CN108491842A - 一种基于神经网络的表盘识别系统及识别方法 - Google Patents

Abstract

一种基于神经网络的表盘识别系统及识别方法，识别系统包括一个微型电路板、图像传感单元、神经网络处理单元、UART串行通讯端口、图像识别单元和图像矫正单元；图像传感单元、神经网络处理单元、UART串行通讯端口、图像识别单元和图像矫正单元均设置在微型电路板上，图像传感单元、图像识别单元、图像矫正单元、神经网络处理单元、UART串行通讯端口顺次逻辑连接。在扫描表盘的场景中，利用表盘识别系统，预先存储样本，通过采集后的图像快速比对，得到准确的变化后图像，通过一体化微型电路板终端神经网络的分析能力、自学习和自适应能力，实现快速识别表盘并且以低成本UARTUART串行通讯端口输出识别结果，大幅度提升表盘的识别速度，适用于多种表盘识别场景。

Description

一种基于神经网络的表盘识别系统及识别方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于神经网络的表盘识别系统及识别方法。

背景技术

而“人工神经网络”(ARTIFICIAL NEURAL NETWORK，简称ANN)是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统。通过“人工神经网络”的深度卷积分析能力、自主学习能力、及数据分析能力，已经在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。

表盘识别主要是针对圆形区域内指针指向对应示数的图像识别，目前常用的方法是采用霍夫变换或基于霍夫变换的优化方法，但在采集表盘图像时，对于视角、光照等条件不佳的情况适应性较差。

发明内容

为了有效解决上述问题，本发明提供一种基于神经网络的表盘识别系统及识别方法。

本发明的技术方案如下：

一种基于神经网络的表盘识别方法，具体包括以下步骤：

步骤1：预先采集样本图像，识别样本图像的有效区域后对样本图像进行透视变换并记录变换数据：

预先通过图像传感单元采集多个表盘图像样本，所述表盘图像样本包括多种不同视角、不同类型的表盘图像样本；

识别样本图像中的有效区域的特征点，有效范围为指针和刻度盘所在的平面区域；

对样本图像进行透视变换并记录变换数据：将样本图像透视变换为正对视图，并记录透视变换矩阵；

步骤2：获取表盘图像：通过集成在微型电路板终端的图像传感单元获取表盘图像；

步骤3：识别有效区域：识别图像中的有效区域特征点，并匹配最相近样本图像；

将采集到的表盘图像转变为黑白图像；

对黑白图像进行图像规定化处理，以去除黑白图像中因光照剧烈变化而引起的图像灰度的剧烈变化；

选取目标识别区域，对目标识别区域内的经过处理的黑白图像采用自适应阈值分割法进行图像二值化，并选取外围的连续像素点作为图像边界；

步骤4：调取最相近样本图像的透视变换矩阵进行透视变换，得到变换后的图像；

步骤5：识别表盘图像；通过集成在微型电路板终端的神经网络处理单元，将变换后的图像输入所述神经网络处理单元，进行识别，具体识别步骤包括：

步骤5.1：所述图像传感单元将表盘图像通过数据传输网络输入图像输入模块，所述图像输入模块将图像进行标准化处理，并将标准图像格式输入至预处理模块；

步骤5.2：所述预处理模块对图像去除干扰、模糊，改善图像质量，生成特征图像，并将特征图像同时输入数据缓存模块、及匹配模块；

步骤5.3：所述数据缓存模块将特征图像输入神经处理单元阵列，所述神经处理单元阵列包括若干个神经处理单元，每个神经处理单元都用于进行数据分析；

经过神经处理单元阵列的运算分析获得图像识别结果，并界定该结果为第一数值；

步骤5.4：所述预处理模块将特征图像输入所述匹配模块，所述匹配模块对图像进行机器识别，并将该识别结果界定为第二数值；

步骤5.5：所述第一数值与第二数值均以二进制形式表现，并在匹配模块中进行计算容差度，若容差度满足设定值则执行步骤6，若容差度不满足设定值则重新获取图像，执行步骤3；

所述容差度为12％-20％时，所述神经处理单元阵列34对全局控制模块38输出识别结果，该识别结果稳定为准确的数值结果，若容差度＞8％，则该图像重新进行图像识别分析，重新获取容差度；

所述步骤6：将神经处理单元阵列的识别结果，以字符、数据流方式输入所述输出模块，所述输出模块通过UART串行通讯端口输出识别结果。

进一步的，所述透视变换操作如下：选取原始图片有效区域中心点(u₀，v₀)为变换中心点、有效区域边界距离最远两点(u₁，v₁)、(u₂，v₂)及有效区域边界距离中心点距离最短一点(u₃，v₃)，并设定变换后图形为圆形，变换后图形中心点坐标为(x₀，y₀)、变换后图形的直径两点坐标(x₁，y₁)、(x₂，y₂)及与上述直径垂直的半径端点坐标(x₃，y₃)；

其中，u、v为原始图片坐标，对应得到变换后的图片坐标x、y(x＝x’/w’，y＝y’/w’)为变换之后的图像像素坐标；

重写变换公式可得：

给定透视变换对应的四对像素点坐标，求得透视变换矩阵；反之，给定透视变换矩阵，对图像或像素点坐标完成透视变换。

一种基于神经网络的表盘识别系统，所述识别系统包括一个微型电路板、图像传感单元、神经网络处理单元、UART串行通讯端口、图像识别单元和图像矫正单元；

所述图像传感单元、神经网络处理单元、UART串行通讯端口、图像识别单元和图像矫正单元均设置在所述微型电路板上，所述图像传感单元、图像识别单元、图像矫正单元、神经网络处理单元、UART串行通讯端口顺次逻辑连接。

进一步的，所述神经网络处理单元包括图像输入模块、预处理模块、数据缓存模块、匹配模块；

所述图像输入模块与所述图像传感单元通过数据传输网络进行数据传输，所述图像输入模块与预处理模块通过数据传输网络进行数据传输，所述预处理模块将图像预处理数据输入所述数据缓存模块、及匹配模块。

进一步的，所述神经网络处理单元还包括神经处理阵列，所述数据缓存模块将图像数据输入所述神经处理阵列进行神经元数据识别分析，并将识别结果输入所述匹配模块；

所述匹配模块将神经处理阵列的识别结果界定为第一数值，将预处理模块的识别结果界定为第二数值，通过第一数值与第二数值的容差度计算，判断准确的识别结果。

进一步的，所述神经网络处理单元还包括指令存储模块、全局控制模块，所述指令存储模块与全局控制模块连接，所述指令存储模块与图像输入模块连接。

进一步的，所述全局控制模块包括译码电路、配置缓存模块，所述全局控制模块根据指令存储模块中的指令利用译码电路为其他模块提供控制逻辑；

所述全局控制模块根据配置缓存模块中存储配置信息实现对不同网络结构和类型的配置。

进一步的，所述神经处理阵列包括若干个神经处理单元，所述神经处理单元包括局部缓存单元、运算单元、控制单元，所述局部缓存单元为一个双页存储器，所述双页存储器用于进行乒乓操作交替读写；

所述运算单元包括乘累加器单元MAC、分段线性表和结果缓存器acc reg，用于对图像数据进行卷积运算、全连接运算、多层感知器运算、非线性函数运算、池化运算；

所述控制单元于接受全局控制模块发送的配置信息和指令信息，按照配置信息的指示设置为不同的工作状态，以使系统适应不同神经网络类型和网络结构。

进一步的，所述的数据传输网络由多条直接存储器访问DMA通道构成，处理器运行时启动多个直接存储器访问DMA通道进行数据传输。

进一步的，所述全局控制模块与神经处理阵列相互逻辑连接，进行数据传输。

在扫描表盘的场景中，利用所述表盘识别系统，预先存储样本，通过采集后的图像快速比对，得到准确的变化后图像，通过一体化微型电路板终端神经网络的分析能力、自学习和自适应能力，实现快速识别表盘并且以低成本UARTUART串行通讯端口输出识别结果，大幅度提升表盘的识别速度，适用于多种表盘识别场景。

附图说明

图1为本发明第一实施例所述表盘识别系统的结构框图；

图2为本发明第一实施例所述神经处理单元的结构框图；

图3为本发明第二实施例所述识别方法的方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明，实施例中记载的前、后均以附图为准，仅用于明确位置关系，并不用于限定。

相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。

【实施例一】如图1-3所示，为本发明一个实施例的结构示意图，该实施例提供一种基于神经网络的表盘识别系统，所述识别系统包括一个微型电路板1、图像传感单元2、神经网络处理单元3、UART串行通讯端口4、图像识别单元5和图像矫正单元6。

所述图像传感单元2、神经网络处理单元3、UART串行通讯端口4、图像识别单元5和图像矫正单元6均设置在所述微型电路板1上，所述图像传感单元2、图像识别单元5、图像矫正单元6、神经网络处理单元3、UART串行通讯端口4顺次逻辑连接，所述图像传感单元2用于获取表盘的实物影像，所述图像识别单元5用于识别表盘有效区域，所述图像矫正单元6用于将所述图像传感单元2采集的实物影像进行矫正、所述神经网络处理单元3用于解析矫正后图像的内容信息，并通过UART串行通讯端口输出相应的字符、数据等识别结果；

所述图像传感单元2为CMOS图像传感器，所述CMOS图像传感器通过像敏单元捕获图像，并将图像生成标准数据格式通过数据输出端口输出至所述图像识别单元5；所述图像识别单元5采集图像有效区域后将有效区域坐标数据输出至图像矫正单元6，将图像矫正为正面视图后由神经网络处理单元3识别内容。

所述神经网络处理单元3包括图像输入模块31、预处理模块32、数据缓存模块33、神经处理单元阵列34、匹配模块35、指令存储模块36、数据传输网络37和全局控制模块38；

所述图像输入模块31与所述图像传感单元2通过数据传输网络37连接，将所述图像传感单元2捕获的图像输入所述神经网络处理单元3，所述图像输入模块31与预处理模块32通过数据传输网络37连接，所述预处理模块32主要将非标准格式图像进行标准化处理，初步生成神经处理单元阵列34可分析判断的图像，并对该图像去除干扰、模糊，改善给定图像的质量，生成非线性的特征图像，将经过预处理模块32初步处理的图像同时输入数据缓存模块33、及匹配模块35；

所述数据缓存模块33包括一个双页存储器，通过乒乓操作实现外部存储器和处理器高速数据交换，用于缓存图像输入模块发送的图像或网络权重数据，并转发到神经处理单元阵列34；用于缓存神经处理单元阵列34产生的运算结果，并转发到匹配模块35。

所述指令存储模块36，用于接收全局控制模块38、及图像传感单元2的指令。

所述数据传输网络37，用于给图像传感单元2、数据缓存模块33和神经处理单元阵列34提供数据传输通路，传输图像数据、网络权重数据或运算结果，所述的数据传输网络37由多条直接存储器访问DMA通道构成，处理器运行时启动多个直接存储器访问DMA通道进行数据传输。

所述匹配模块35接收所述神经处理单元阵列的分析结果，所述神经处理单元阵列34分析结果为第一数值；所述匹配模块35接收所述预处理模块32的图像后，进行初级图像分析，所述初级图像分析主要为定位校正图像、图像曝光色彩处理、及图像机器识别，从而获得可初步判断图像内容的第二数值；在本实施例中，所述第一数值、及第二数值的在匹配模块中，均以二进制形式表现，并在匹配模块35中进行比较判断，通过比较两者在相同长度的字符长度中，不同的字符数量占比，从而获得两者结果的容差度，经过大量实验数据获得，所述容差度为12％-20％时，所述神经处理单元阵列34对全局控制模块38输出识别结果，该识别结果稳定为准确的数值结果，若容差度＞8％，则该图像重新进行图像识别分析，重新获取容差度。

进一步地，所述全局控制模块38，由指令存储模块36、译码电路381、配置缓存模块382、及输出模块383构成，全局控制模块28根据指令存储模块36中的指令利用译码电路381为其他模块提供控制逻辑，控制所述的图像输入模块31、数据缓存模块33、神经处理单元阵列34、指令存储模块36和数据传输网络37，用于对读入的图像或网络权重数据进行乘累加、卷积、比较运算、输出运算结果；全局控制模块38根据配置缓存模块382中存储配置信息实现对不同网络结构和类型的配置，所述输出模块383与UART串行通讯端口4连接，进行数据传输；

在所述匹配模块35确认第一数值与第二数值的容差度满足设定值时，将极小的文件图像识别结果，以相应的字符、数据，输出至输出模块383，所述输出模块383对相应的加密处理后，通过UART串行通讯端口4输出外部的读取设备，所述读取设备为本领域的常规设备，在此不做具体分析。

所述数据缓存模块33与神经处理单元阵列34通过数据传输网络37连接；所述的神经处理单元阵列34由多个神经处理单元341组成，每个神经处理单元341包括一个局部数据缓存单元A；所述图像输入模块31和指令存储模块36通过数据传输网络37连接；所述全局控制模块38通过控制总线连接其他所有模块。

所述神经处理单元阵列34，包括N*M个神经处理单元341，每个神经处理单元341都可以单独完成神经网络的所需的所有操作类型；神经处理单元阵列34用于接受数据缓存模块33发送的图像或网络权重数据，在运算类型和运算数制支持下进行运算操作，并将运算结果发送到数据缓存模块33；所述的神经处理单元阵列34支持的运算类型是指可选择以下运算类型中的任意一种，运算类型包括卷积乘累加运算、全连接乘加运算、多层感知器乘累加运算，池化运算和非线性函数运算；所述的神经处理单元阵列34支持的运算数制包括浮点数制和定点数制；所述的非线性函数运算是指，从分段线性表中读取斜率和截距后发送至乘累加器，完成非线性函数运算；神经处理单元341被排列成N行M列；N行分别编号为：第0行、第1行、…第N-1行，M列分别编号为：第0列、第1列…第M-1列，为完成最大池化操作，第0行和第1行对应，第2行和第3行对应，依次类推，神经处理单元阵列34内部设计了多个池化操作的专用池化通道，偶数行神经处理单元和对应的奇数行神经处理单元之间有M个专用池化通道；卷积运算完成时，偶数行运算单元和奇数行运算单元都会产生一个卷积运算结果，奇数行处理器单元利用所述专用池化通道将运算结果发送到偶数行神经处理单元进行池化操作。

如图2所示，神经处理单元341包括局部缓存单元A、运算单元B和控制单元C。

局部缓存单元A包括一个双页存储器，工作时进行乒乓操作交替读写，以保证数据高效传输，用于接收数据缓存模块发送的数据，将运算单元B。

运算单元B，包括乘累加器单元MAC、分段线性表和结果缓存器acc reg，乘累加器用于进行卷积运算、全连接运算、多层感知器运算、非线性函数运算、池化运算，产生的结果存储到结果缓存器acc reg中；进行非线性函数时将中间运算结果作为地址输入分段线性表中，分段性表输出斜率和截距，然后使用乘累加器MAC将中间运算结果和斜率相乘，所得乘积和截距相加，最后得到的加和作为非线性函数的输出值，将其输出到控制单元C中的rs0中。

控制单元C，包括参数可配置状态、rs0、rs1和rs out，可配置状态用于接受全局控制模块发送的配置信息和指令信息，按照配置信息的指示设置为不同的工作状态，以使系统适应不同神经网络类型和网络结构；根据指令信息中的操作码控制局部缓存单元A、运算单元B进行不同的操作逐层完成神经网运算，rs0用于接受运算单元B发送的非线性函数运算结果，偶数行神经处理单元中的rs1用于接受对应奇数行神经处理单元阵列发送的结果，根据rs0和rs1进行池化操作。

【实施例二】如图3所示，一种基于神经网络的表盘识别方法，具体包括以下步骤：

步骤1：预先采集样本图像，识别样本图像的有效区域后对样本图像进行透视变换并记录变换数据：

预先通过图像传感单元采集多个表盘图像样本，所述表盘图像样本包括多种不同视角、不同类型的表盘图像样本；

识别样本图像中的有效区域的特征点，有效范围为指针和刻度盘所在的平面区域；

对样本图像进行透视变换并记录变换数据：将样本图像透视变换为正对视图，并记录透视变换矩阵；

所述透视变换操作如下：选取原始图片有效区域中心点(u₀，v₀)为变换中心点、有效区域边界距离最远两点(u₁，v₁)、(u₂，v₂)及有效区域边界距离中心点距离最短一点(u₃，v₃)，并设定变换后图形为圆形，变换后图形中心点坐标为(x₀，y₀)、变换后图形的直径两点坐标(x₁，y₁)、(x₂，y₂)及与上述直径垂直的半径端点坐标(x₃，y₃)；

其中，u、v为原始图片坐标，对应得到变换后的图片坐标x、y(x＝x’/w’，y＝y’/w’)为变换之后的图像像素坐标；

重写变换公式可得：

给定透视变换对应的四对像素点坐标，即可求得透视变换矩阵；反之，给定透视变换矩阵，即可对图像或像素点坐标完成透视变换。

步骤2：获取表盘图像：通过集成在微型电路板终端的图像传感单元获取表盘图像；

步骤3：识别有效区域：识别图像中的有效区域特征点，并匹配最相近样本图像；

将采集到的表盘图像转变为黑白图像；

对黑白图像进行图像规定化处理，以去除黑白图像中因光照剧烈变化而引起的图像灰度的剧烈变化；

选取目标识别区域，对目标识别区域内的经过处理的黑白图像采用自适应阈值分割法进行图像二值化，并选取外围的连续像素点作为图像边界；

步骤4：调取最相近样本图像的透视变换矩阵进行透视变换，得到变换后的图像；

步骤5：识别表盘图像；通过集成在微型电路板终端的神经网络处理单元，将变换后的图像输入所述神经网络处理单元，进行识别，具体识别步骤包括：

步骤5.1：所述图像传感单元将表盘图像通过数据传输网络输入图像输入模块，所述图像输入模块将图像进行标准化处理，并将标准图像格式输入至预处理模块；

步骤5.2：所述预处理模块对图像去除干扰、模糊，改善图像质量，生成特征图像，并将特征图像同时输入数据缓存模块、及匹配模块；

步骤5.3：所述数据缓存模块将特征图像输入神经处理单元阵列，所述神经处理单元阵列包括若干个神经处理单元，每个神经处理单元都可以进行数据分析；

经过神经处理单元阵列的运算分析获得图像识别结果，并界定该结果为第一数值；

步骤5.4：所述预处理模块将特征图像输入所述匹配模块，所述匹配模块对图像进行机器识别，并将该识别结果界定为第二数值；

步骤5.5：所述第一数值与第二数值均以二进制形式表现，并在匹配模块中进行计算容差度，若容差度满足设定值则执行步骤6，若容差度不满足设定值则重新获取图像，执行步骤3；

所述容差度为12％-20％时，所述神经处理单元阵列34对全局控制模块38输出识别结果，该识别结果稳定为准确的数值结果，若容差度＞8％，则该图像重新进行图像识别分析，重新获取容差度；

所述步骤6：将神经处理单元阵列的识别结果，以字符、数据流方式输入所述输出模块，所述输出模块通过UART串行通讯端口输出识别结果。

在扫描表盘的场景中，利用所述表盘识别系统，预先存储样本，通过采集后的图像快速比对，得到准确的变化后图像，通过一体化微型电路板终端神经网络的分析能力、自学习和自适应能力，实现快速识别表盘并且以低成本UARTUART串行通讯端口输出识别结果，大幅度提升表盘的识别速度，适用于多种表盘识别场景。

对于本领域的普通技术人员而言，根据本发明的教导，在不脱离本发明的原理与精神的情况下，对实施方式所进行的改变、修改、替换和变形仍落入本发明的保护范围之内。

Claims (10)

1.一种基于神经网络的表盘识别方法，其特征在于，具体包括以下步骤：

步骤1：预先采集样本图像，识别样本图像的有效区域后对样本图像进行透视变换并记录变换数据：

预先通过图像传感单元采集多个表盘图像样本，所述表盘图像样本包括多种不同视角、不同类型的表盘图像样本；

识别样本图像中的有效区域的特征点，有效范围为指针和刻度盘所在的平面区域；

对样本图像进行透视变换并记录变换数据：将样本图像透视变换为正对视图，并记录透视变换矩阵；

步骤2：获取表盘图像：通过集成在微型电路板终端的图像传感单元获取表盘图像；

步骤3：识别有效区域：识别图像中的有效区域特征点，并匹配最相近样本图像；

将采集到的表盘图像转变为黑白图像；

对黑白图像进行图像规定化处理，以去除黑白图像中因光照剧烈变化而引起的图像灰度的剧烈变化；

选取目标识别区域，对目标识别区域内的经过处理的黑白图像采用自适应阈值分割法进行图像二值化，并选取外围的连续像素点作为图像边界；

步骤4：调取最相近样本图像的透视变换矩阵进行透视变换，得到变换后的图像；

步骤5：识别表盘图像；通过集成在微型电路板终端的神经网络处理单元，将变换后的图像输入所述神经网络处理单元，进行识别，具体识别步骤包括：

步骤5.1：所述图像传感单元将表盘图像通过数据传输网络输入图像输入模块，所述图像输入模块将图像进行标准化处理，并将标准图像格式输入至预处理模块；

步骤5.2：所述预处理模块对图像去除干扰、模糊，改善图像质量，生成特征图像，并将特征图像同时输入数据缓存模块、及匹配模块；

步骤5.3：所述数据缓存模块将特征图像输入神经处理单元阵列，所述神经处理单元阵列包括若干个神经处理单元，每个神经处理单元都用于进行数据分析；

经过神经处理单元阵列的运算分析获得图像识别结果，并界定该结果为第一数值；

步骤5.4：所述预处理模块将特征图像输入所述匹配模块，所述匹配模块对图像进行机器识别，并将该识别结果界定为第二数值；

步骤5.5：所述第一数值与第二数值均以二进制形式表现，并在匹配模块中进行计算容差度，若容差度满足设定值则执行步骤6，若容差度不满足设定值则重新获取图像，执行步骤3；

所述容差度为12％-20％时，所述神经处理单元阵列34对全局控制模块38输出识别结果，该识别结果稳定为准确的数值结果，若容差度＞8％，则该图像重新进行图像识别分析，重新获取容差度；

所述步骤6：将神经处理单元阵列的识别结果，以字符、数据流方式输入所述输出模块，所述输出模块通过UART串行通讯端口输出识别结果。

2.根据权利要求1所述基于神经网络的表盘识别方法，其特征在于，所述透视变换操作如下：选取原始图片有效区域中心点(u₀，v₀)为变换中心点、有效区域边界距离最远两点(u₁，v₁)、(u₂，v₂)及有效区域边界距离中心点距离最短一点(u₃，v₃)，并设定变换后图形为圆形，变换后图形中心点坐标为(x₀，y₀)、变换后图形的直径两点坐标(x₁，y₁)、(x₂，y₂)及与上述直径垂直的半径端点坐标(x₃，y₃)；

根据投射变换公式：

其中，u、v为原始图片坐标，对应得到变换后的图片坐标x、y(x＝x’/w’，y＝y’/w’)为变换之后的图像像素坐标；

重写变换公式可得：

给定透视变换对应的四对像素点坐标，求得透视变换矩阵；反之，给定透视变换矩阵，对图像或像素点坐标完成透视变换。

3.一种基于神经网络的表盘识别系统，其特征在于，所述识别系统包括一个微型电路板、图像传感单元、神经网络处理单元、UART串行通讯端口、图像识别单元和图像矫正单元；

所述图像传感单元、神经网络处理单元、UART串行通讯端口、图像识别单元和图像矫正单元均设置在所述微型电路板上，所述图像传感单元、图像识别单元、图像矫正单元、神经网络处理单元、UART串行通讯端口顺次逻辑连接。

4.根据权利要求3所述基于神经网络的表盘识别系统，其特征在于，所述神经网络处理单元包括图像输入模块、预处理模块、数据缓存模块、匹配模块；

所述图像输入模块与所述图像传感单元通过数据传输网络进行数据传输，所述图像输入模块与预处理模块通过数据传输网络进行数据传输，所述预处理模块将图像预处理数据输入所述数据缓存模块、及匹配模块。

5.根据权利要求4所述基于神经网络的表盘识别系统，其特征在于，所述神经网络处理单元还包括神经处理阵列，所述数据缓存模块将图像数据输入所述神经处理阵列进行神经元数据识别分析，并将识别结果输入所述匹配模块；

所述匹配模块将神经处理阵列的识别结果界定为第一数值，将预处理模块的识别结果界定为第二数值，通过第一数值与第二数值的容差度计算，判断准确的识别结果。

6.根据权利要求4所述基于神经网络的表盘识别系统，其特征在于，所述神经网络处理单元还包括指令存储模块、全局控制模块，所述指令存储模块与全局控制模块连接，所述指令存储模块与图像输入模块连接。

7.根据权利要求4所述基于神经网络的表盘识别系统，其特征在于，所述全局控制模块包括译码电路、配置缓存模块，所述全局控制模块根据指令存储模块中的指令利用译码电路为其他模块提供控制逻辑；

所述全局控制模块根据配置缓存模块中存储配置信息实现对不同网络结构和类型的配置。

8.根据权利要求5所述基于神经网络的表盘识别系统，其特征在于，所述神经处理阵列包括若干个神经处理单元，所述神经处理单元包括局部缓存单元、运算单元、控制单元，所述局部缓存单元为一个双页存储器，所述双页存储器用于进行乒乓操作交替读写；

所述运算单元包括乘累加器单元MAC、分段线性表和结果缓存器acc reg，用于对图像数据进行卷积运算、全连接运算、多层感知器运算、非线性函数运算、池化运算；

所述控制单元于接受全局控制模块发送的配置信息和指令信息，按照配置信息的指示设置为不同的工作状态，以使系统适应不同神经网络类型和网络结构。

9.根据权利要求3所述基于神经网络的表盘识别系统，其特征在于，所述的数据传输网络由多条直接存储器访问DMA通道构成，处理器运行时启动多个直接存储器访问DMA通道进行数据传输。

10.根据权利要求6所述基于神经网络的表盘识别系统，其特征在于，所述全局控制模块与神经处理阵列相互逻辑连接，进行数据传输。