CN109034380A - 一种分布式的图像识别系统及其方法 - Google Patents
一种分布式的图像识别系统及其方法 Download PDFInfo
- Publication number
- CN109034380A CN109034380A CN201810589629.2A CN201810589629A CN109034380A CN 109034380 A CN109034380 A CN 109034380A CN 201810589629 A CN201810589629 A CN 201810589629A CN 109034380 A CN109034380 A CN 109034380A
- Authority
- CN
- China
- Prior art keywords
- images
- server
- image
- network model
- recognized data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明提供了一种分布式的图像识别系统及其方法,其系统包括:主控服务器,至少两个图像识别服务器和决策服务器;图像识别服务器分别与主控服务器和决策服务器连接;主控服务器,用于将获取的待识别图像数据广播发送至各个图像识别服务器;图像识别服务器,用于接收待识别图像数据,根据自身的第一神经网络模型识别待识别图像数据,得到对应的待识别图像数据所属各类别的概率值,并将待识别图像数据所属各类别的概率值发送至决策服务器;决策服务器,用于接收各个的图像识别服务器的待识别图像数据所属各类别的概率值,根据所有待识别图像数据所属各类别的概率值得到待识别图像数据的识别结果。本发明实现提升图像识别的效率和准确率。
Description
技术领域
本发明涉及图像处理技术领域,尤指一种分布式的图像识别系统及其方法。
背景技术
图像识别技术是人工智能的一个重要领域,其对图像进行对象识别,以识别各种不同模式的目标和对象。
现有技术中,通过单台服务器的单一模型进行图像识别,能够满足小批量图像识别项目要求,但很难对数十万种甚至更多的待识别图像数据的图像识别进行支持。随着待识别图像数据的增加,单一神经网络模型会变得很大,图像识别执行时间也会加长,无法做到对用户的图像识别请求的快速反应。如图1所示,通过两级或者多级的服务器串联技术,一级服务器在前,小分类服务器在后,一级服务器部署了多个类别的神经网络模型,二级服务器部署了一个类别的神经网络模型,容易引起一级服务器分类出错时,二级服务器无法得到正确结果。
发明内容
本发明的目的是提供一种分布式的图像识别系统及其方法,提升图像识别的效率和准确率。
本发明提供的技术方案如下:
本发明提供一种分布式的图像识别系统,包括:主控服务器,至少两个图像识别服务器和决策服务器;所述图像识别服务器分别与所述主控服务器和所述决策服务器连接;
所述主控服务器,用于将获取的待识别图像数据广播发送至各个图像识别服务器;
所述图像识别服务器,用于接收所述待识别图像数据,根据自身的第一神经网络模型识别所述待识别图像数据,得到对应的待识别图像数据所属各类别的概率值,并将所述待识别图像数据所属各类别的概率值发送至所述决策服务器;
所述决策服务器,用于接收各个的图像识别服务器的待识别图像数据所属各类别的概率值,根据所有待识别图像数据所属各类别的概率值得到所述待识别图像数据的识别结果。
进一步的,还包括:至少一个智能终端,每个智能终端安装有第二神经网络模型,所述智能终端与所述主控服务器连接;
所述智能终端,用于当所述待识别图像数据由所述智能终端采集时,发送所述待识别图像数据至所述第二神经网络模型和所述主控服务器,由所述主控服务器广播发送所述待识别图像数据至各个图像识别服务器的第一神经网络模型,使得所述第一神经网络模型与所述第二神经网络模型分别识别所述待识别图像数据;
若所述第二神经网络模型识别失败时,所述第一神经网络模型继续识别所述待识别图像数据;若所述第二神经网络模型识别成功时,所述第一神经网络模型停止识别所述待识别图像数据。
进一步的,所述主控服务器包括:
图像获取模块,用于获取所述待识别图像数据;
图像来源检测模块,用于检测所述待识别图像数据的获取路径;所述获取路径包括所述网络端和/或智能终端;
第一获取模块,用于获取各个图像识别服务器的滞留状态;
第一通信模块,用于当所述滞留状态达到预设滞留范围对应的图像识别服务器的数量达到预设数目时,广播发送获取路径为所述网络端的待识别图像数据至所述智能终端的第二神经网络模型进行图像识别。
进一步的,所述主控服务器还包括:
第二获取模块,用于获取与所述主控服务器连接的每个图像识别服务器的第一配置参数和第一状态信息,以及与所述主控服务器连接的每个智能终端的第二配置参数和第二状态信息;所述状态信息包括位置信息和/或偏好信息;
筛选模块,用于筛选出对应于所述第一状态信息的第一图像样本,以及对应于所述第二状态信息的第二图像样本;
训练模块,用于将所述第一图片样本输入预训练模块,训练得到适应于当前图像识别服务器的第一配置参数,且匹配所述第一状态信息的第一神经网络模型;将所述第二图片样本输入预训练模块,训练得到适应于当前图像识别服务器的第二配置参数,且匹配所述第二状态信息的第二神经网络模型;
所述第一通信模块,还用于发送所述第一神经网络模型至所述第一状态信息对应的图像识别服务器,发送所述第二神经网络模型至所述第二状态信息对应的智能终端,使得所述图像识别服务器安装对应的第一神经网络模型,所述智能终端安装对应的第二神经网络模型。
进一步的,所述决策服务器包括:
第三通信模块,用于接收各个的图像识别服务器的待识别图像数据所属各类别的概率值;
处理模块,用于比较待识别图像数据所属各类别的概率值的大小,确定最大概率值对应的图像类型为所述待识别图像数据的识别结果。
本发明还提供一种分布式的图像识别方法,包括步骤:
主控服务器获取的待识别图像数据,将所述待识别图像数据广播发送至各个图像识别服务器;
图像识别服务器接收所述待识别图像数据,根据自身的第一神经网络模型识别所述待识别图像数据,得到对应的待识别图像数据所属各类别的概率值,并将所述待识别图像数据所属各类别的概率值发送至所述决策服务器;
决策服务器接收各个的图像识别服务器的待识别图像数据所属各类别的概率值,根据所有待识别图像数据所属各类别的概率值得到所述待识别图像数据的识别结果。
进一步的,还包括:
至少一个安装有第二神经网络模型的智能终端采集并发送所述待识别图像数据至所述第二神经网络模型和所述主控服务器;
所述主控服务器广播发送所述待识别图像数据至各个图像识别服务器的第一神经网络模型,使得所述第一神经网络模型与所述第二神经网络模型分别识别所述待识别图像数据;
若所述第二神经网络模型识别失败时,所述第一神经网络模型继续识别所述待识别图像数据;若所述第二神经网络模型识别成功时,所述第一神经网络模型停止识别所述待识别图像数据。
进一步的,所述主控服务器获取的待识别图像数据之后,将所述待识别图像数据广播发送至各个图像识别服务器之前包括:
所述主控服务器检测所述待识别图像数据的获取路径,并获取各个图像识别服务器的滞留状态;所述获取路径包括所述网络端和/或智能终端;
当所述滞留状态达到预设滞留范围对应的图像识别服务器的数量达到预设数目时,所述主控服务器广播发送待识别图像数据至所述智能终端的第二神经网络模型进行图像识别。
进一步的,还包括,所述主控服务器获取的待识别图像数据,将所述待识别图像数据广播发送至各个图像识别服务器之前包括:
所述主控服务器获取与自身连接的每个图像识别服务器的第一配置参数和第一状态信息,以及与所述主控服务器连接的每个智能终端的第二配置参数和第二状态信息;所述状态信息包括位置信息和/或偏好信息;
所述主控服务器筛选出对应于所述第一状态信息的第一图像样本,以及对应于所述第二状态信息的第二图像样本;
所述主控服务器将所述第一图片样本输入预训练模块,训练得到适应于当前图像识别服务器的第一配置参数,且匹配所述第一状态信息的第一神经网络模型;将所述第二图片样本输入预训练模块,训练得到适应于当前图像识别服务器的第二配置参数,且匹配所述第二状态信息的第二神经网络模型;
所述主控服务器发送所述第一神经网络模型至所述第一状态信息对应的图像识别服务器,发送所述第二神经网络模型至所述第二状态信息对应的智能终端,使得所述图像识别服务器安装对应的第一神经网络模型,所述智能终端安装对应的第二神经网络模型。
进一步的,所述决策服务器接收各个的图像识别服务器的待识别图像数据所属各类别的概率值,根据所有待识别图像数据所属各类别的概率值得到所述待识别图像数据的识别结果具体包括:
所述决策服务器接收各个的图像识别服务器的待识别图像数据所属各类别的概率值;
所述决策服务器比较待识别图像数据所属各类别的概率值的大小,确定最大概率值对应的图像类型为所述待识别图像数据的识别结果。
通过本发明提供的一种分布式的图像识别系统及其方法,能够带来以下至少一种有益效果:
1)本发明采用分布式的系统架构,由多个图像识别服务器依次同时进行图像识别,由主控服务器,多个图像识别服务器和决策服务器共同协作完成图像识别,能够提高了图像识别效率,提升图像识别的准确率和可靠性。
2)本发明通过智能终端通过安装有第二神经网络模型的智能终端进行图像识别,由于智能终端已安装有第二神经网络模型不用网络传输,能够更快地得到识别结果,缓解各个图像识别服务器的图像识别压力,保证识别成功率的同时提升识别效率。
3)本发明能够在分布式的图像识别服务器的图像识别压力过大时,由智能终端识别主控服务器分发的获取路径为网络端的待识别图像数据,从而缓解各个图像识别服务器的图像识别压力,进一步提升图像识别速率。
4)本发明通过主控服务器训练得到适应于配置参数信息的神经网络模型,能够减小图像识别服务器或者智能终端的系统资源(如内存资源,CPU资源,运行速度等等)占用,提升图像识别效率,提升识别出待识别图像数据的概率,降低图像识别服务器的图像识别压力,进一步提升图像识别速率。
5)本发明由决策服务器根据所有的识别结果进行统一分析,保证同一待识别图像数据的识别结果的唯一性和准确率。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对一种分布式的图像识别系统及其方法的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是现有技术的结构示意图;
图2是本发明一种分布式的图像识别系统的一个实施例的结构示意图;
图3是本发明一种分布式的图像识别系统的另一个实施例的结构示意图;
图4是本发明一种分布式的图像识别系统的另一个实施例的结构示意图;
图5是本发明一种分布式的图像识别系统的另一个实施例的结构示意图;
图6是本发明一种分布式的图像识别方法的一个实施例的流程图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
本发明第一实施例,如图2所示,一种分布式的图像识别系统,包括:主控服务器100,至少两个图像识别服务器200和决策服务器300;所述图像识别服务器200分别与所述主控服务器100和所述决策服务器300连接;
所述主控服务器100,用于将获取的待识别图像数据广播发送至各个图像识别服务器200;
所述图像识别服务器200,用于接收所述待识别图像数据,根据自身的第一神经网络模型识别所述待识别图像数据,得到对应的待识别图像数据所属各类别的概率值,并将所述待识别图像数据所属各类别的概率值发送至所述服务器;
所述决策服务器300,用于接收各个的图像识别服务器200的待识别图像数据所属各类别的概率值,根据所有待识别图像数据所属各类别的概率值得到所述待识别图像数据的识别结果。
具体的,本实施例中,通过主控服务器100将获得的待识别图像数据进行广播发送至各个图像识别服务器200,图像识别服务器200中的第一神经网络模型对自身接收待识别图像数据进行图像识别,然后决策服务器300对各个图像识别服务器200的识别结果,即该待识别图像数据所属各类别的概率值,对这些识别结果进行汇总分析得到待识别图像数据的识别结果。本发明使用分布式部署,让各个图像识别服务器200按小类进行部署对应的第一神经网络模型,当主控服务器100收到待识别图像数据后,再把待识别图像数据同步转发给所有图像识别服务器200,让所有图像识别服务器200节点的识别结果汇总到决策服务器300做统一处理,由于采用分布式的系统架构,由多个图像识别服务器200依次同时进行图像识别,由主控服务器100,多个图像识别服务器200和决策服务器300共同协作完成图像识别,除了能够成倍地提高了图像识别的速度,减少了图像识别所需的时间之外,还能够避免由大类服务器和小类服务器串联递进式识别引起大类服务器识别出错时导致小类服务器识别出错或者识别的问题,提升图像识别的准确率和可靠性。
本发明第二实施例,如图3所示,本实施例是上述第一实施例的优化实施例,相对于上述第一实施例而言,还包括:至少一个智能终端400,每个智能终端400安装有第二神经网络模型,所述智能终端400与所述主控服务器100连接:
所述智能终端400,用于当所述待识别图像数据由所述智能终端400采集时,发送所述待识别图像数据至所述第二神经网络模型和所述主控服务器100,由所述主控服务器100广播发送所述待识别图像数据至各个图像识别服务器200的第一神经网络模型,使得所述第一神经网络模型与所述第二神经网络模型分别识别所述待识别图像数据;
若所述第二神经网络模型识别失败时,所述第一神经网络模型继续识别所述待识别图像数据;若所述第二神经网络模型识别成功时,所述第一神经网络模型停止识别所述待识别图像数据。
具体的,当待识别图像数据由智能终端400采集时,智能终端400将待识别图像数据发送至第二神经网络模型,由第二神经网络模型识别待识别图像数据,且智能终端400将待识别图像数据发送至主控服务器100,主控服务器100发送待识别图像数据至各个图像识别服务器200对应的第一神经网络模型,由第一神经网络模型识别待识别图像数据;
当根据第二神经网络模型识别失败时,智能终端400生成并发送识别失败信息至主控服务器100,控制主控服务器100继续广播发送待识别图像数据至各个图像识别服务器200,使得各个图像识别服务器200对应的第一神经网络模型继续识别待识别图像数据;当根据第二神经网络模型识别成功时,智能终端400获取第二神经网络模型的识别结果,生成并发送识别成功信息至主控服务器100,控制主控服务器100中断主控服务器100的广播发送过程,且主控服务器100转发识别成功信息至各个图像识别服务器200,使得各个图像识别服务器200对应的第一神经网络模型停止识别待识别图像数据。进一步的,通过分布式的图像识别服务器200同步进行图像识别,能够防止在需处理待识别图像数据的数据量较大时,图像识别服务器200处理不过来的情况。将训练出来的本地轻量级的第二神经网络模型嵌入用户的智能终端400,使智能终端400也可以处理一部分的图像识别工作,减轻图像识别服务器200在忙碌时间的负荷。优选的,神经网络模型建立的方法可以为:获取用户所在地区,根据该地区及预设时间内(这个时间段可以设定为季节)客观存在着当地当前流行的最受欢迎的1000菜品进行训练得到第二神经网络模型。还可以通过收集该地区所有用户前n(假设10天)天拍摄菜品图片,在第11天时基于该区域的所有用户前n天拍摄得到菜品图片作为样品进行训练得到神经网络模型。
通过智能终端400收集到待识别的待识别图像数据后,由于智能终端400的第二神经网络模型很大概率能够识别出待识别图像数据,因此不用再往图像识别服务器200发送图片,大大降低图像识别服务器200的图像识别负担,例如考虑100万人同时在线,一般架构的图像识别服务器200得保持并处理100万个连接。通过智能终端400的第二神经网络模型分担部分的图像识别工作,图像识别服务器200保持并处理的图像识别工作,从而可以大幅降低提示图像识别效率。
本发明通过智能终端400收集到待识别的待识别图像数据后,同时向智能终端400本地端已安装的第二神经网络模型和各个图像识别服务器200对应的第一神经网络模型发送待识别图像数据,两端的神经网络模型收到待识别图像数据之后,分别对待识别的待识别图像数据进行识别,由于智能终端400本地端已安装的第二神经网络模型不用网络传输,能够更快地得到识别反馈信息,在智能终端400本地端出来识别反馈信息之后,智能终端400向主控服务器100发送识别状态结果通知(识别失败信息或者识别成功信息),由主控服务器100将识别状态结果通知转发至图像识别服务器200,图像识别服务器200再根据识别状态结果通知判断是否中断自身的第一神经网络模型的识别任务,具有分布式识别的效果,不像现有技术中那样集中由图像识别服务器200进行识别,缓解各个图像识别服务器200的图像识别压力,保证识别成功率的同时提升识别效率。
本发明第三实施例,如图4所示,本实施例是上述第二实施例的优化实施例,相对于上述第二实施例而言,所述主控服务器100包括:
图像获取模块110,用于获取所述待识别图像数据;
图像来源检测模块120,用于检测所述待识别图像数据的获取路径;所述获取路径包括所述网络端和/或智能终端400;
第一获取模块130,用于获取各个图像识别服务器200的滞留状态;
第一通信模块140,用于当所述滞留状态达到预设滞留范围对应的图像识别服务器200的数量达到预设数目时,广播发送获取路径为所述网络端的待识别图像数据至所述智能终端400的第二神经网络模型进行图像识别。
具体的,每个智能终端400安装运行有各自对应的第二神经网络模型,主控服务器100对获取到的每个待识别图像数据的来源即获取路径进行检测,此外,主控服务器100获取各个图像识别服务器200的滞留状态,当滞留状态达到预设滞留范围对应的图像识别服务器200的数量达到预设数目的时候,广播发送目标待识别图像数据至第二神经网络模型,目标待识别图像数据即为获取路径为所述网络端的待识别图像数据。示例性的,假设图像识别服务器200的数量为100个,若图像识别服务器200的滞留状态达到预设滞留范围对应的图像识别服务器200的数量达到预设数目(如80个)时,将获取路径为所述网络端的待识别图像数据播放发送至各个智能终端400安装的第二神经网络模型进行图像识别。本发明能够在分布式的图像识别服务器200的图像识别压力过大时,由智能终端400接收主控服务器100分发的目标待识别图像数据进行图像识别,从而缓解各个图像识别服务器200的图像识别压力,进一步提升图像识别速率。
本发明第四实施例,如图5所示,本实施例是上述第三实施例的优化实施例,相对于上述第三实施例而言,所述主控服务器100还包括:
第二获取模块150,用于获取与所述主控服务器100连接的每个图像识别服务器200的第一配置参数和第一状态信息,以及与所述主控服务器100连接的每个智能终端400的第二配置参数和第二状态信息;所述状态信息包括位置信息和/或偏好信息;
筛选模块160,用于筛选出对应于所述第一状态信息的第一图像样本,以及对应于所述第二状态信息的第二图像样本;
训练模块170,用于将所述第一图片样本输入预训练模块170,训练得到适应于当前图像识别服务器200的第一配置参数,且匹配所述第一状态信息的第一神经网络模型;将所述第二图片样本输入预训练模块170,训练得到适应于当前图像识别服务器200的第二配置参数,且匹配所述第二状态信息的第二神经网络模型;
所述第一通信模块140,还用于发送所述第一神经网络模型至所述第一状态信息对应的图像识别服务器200,发送所述第二神经网络模型至所述第二状态信息对应的智能终端400,使得所述图像识别服务器200安装对应的第一神经网络模型,所述智能终端400安装对应的第二神经网络模型。
具体的,主控服务器100需要获取每个与其连接的图像识别服务器200Xi(i≥1,且i∈N)的第一配置参数和第一状态信息,主控服务器100筛选对应于第一状态信息的第一图像样本,根据第一图像样本进行训练,并结合图像识别服务器200Xi对应的第一配置参数信息适应性调整第一神经网络模型的规模大小,以便适应于图像识别服务器200Xi的第一配置参数信息的要求,使得图像识别服务器200Xi安装运行的第一神经网络模型能够与图像识别服务器200Xi的第一配置参数适应配合。
主控服务器100需要获取每个与其连接的智能终端400Yj(j≥1,且j∈N)的第二配置参数和第二状态信息,主控服务器100筛选对应于第二状态信息的第二图像样本,根据第二图像样本进行训练,并结合智能终端400Yj对应的第二配置参数信息适应性调整第二神经网络模型的规模大小,以便适应于智能终端400Yj的第二配置参数信息的要求,使得智能终端400Yj安装运行的第二神经网络模型能够与智能终端400Yj的第二配置参数适应配合。
本发明由于对所有的图像识别服务器200Xi的第一神经网络模型,进行规模均衡处理,令每个第一神经网络模型都控制在可以快速计算出结果的规模大小,使得各个总第一神经网络模型进行图像识别的识别处理时间相差不大,从而保证所有图像识别服务器200Xi进行图像识别均衡化,避免部分图像识别服务器200Xi出现图像识别滞留状态,而部分图像识别服务器200Xi出现图像识别空闲状态,减少决策服务器300对于所有识别结果的识别等待过程,进一步提升图像识别的效率。
此外,本发明通过主控服务器100训练得到适应于第一配置参数信息的第一神经网络模型,能够减小图像识别服务器200的系统资源(如内存资源,CPU资源,运行速度等等)占用,不影响图像识别服务器200其他功能正常使用的同时,还能够提升图像识别服务器200使用第一神经网络模型进行识别图像数据的效率,提升图像识别服务器200识别出待识别图像数据的概率,降低图像识别服务器200Xi的图像识别压力,进一步提升图像识别速率。而且,通过主控服务器100训练得到对应于第二配置参数信息的第二神经网络模型,能够减小智能终端400系统资源(如内存资源,CPU资源,运行速度等等)占用,不影响智能终端400其他功能正常使用的同时,还能够提升智能终端400使用第二神经网络模型进行识别图像数据的效率,提升智能终端400本地识别出待识别图像数据的概率,降低图像识别服务器200Xi的图像识别压力,进一步提升图像识别速率。例如,配置参数信息为内存时,如果神经网络模型的规模过大,将导致智能终端400或者图像识别服务器200安装对应的神经网络模型后,由于内存占用过大导致运行速度过慢而出现神经网络模型识别效率过低,甚至由于内存占用过大导致智能终端400卡顿而出现神经网络模型识别终止的问题。
本发明第五实施例,本实施例是上述第一至第四任一实施例的优化实施例,相对于上述第一至第四任一实施例而言,所述决策服务器300包括:
第二通信模块,用于接收各个的图像识别服务器200的待识别图像数据所属各类别的概率值;
处理模块,用于比较待识别图像数据所属各类别的概率值的大小,确定最大概率值对应的图像类型为所述待识别图像数据的识别结果。
具体的,由于安装运行不同的第一神经网络模型的图像识别服务器200可能得出的待识别图像数据的识别结果可能不一致,多个并联连接的图像识别服务器200无法得出准确的唯一的识别结果,因此由决策服务器300获取所有与自身连接的图像识别服务器200的待识别图像数据所属各类别的概率值,从而根据每个类别对应的概率值进行大小比较,比较出的最大概率值对应的图像类型就是当前的待识别图像数据的识别结果。当待识别图像数据的类型较少时(如100种以下)时,图像识别服务器200的第一神经网络模型为二分类神经网络模型,当待识别图像数据的类型较多时(如100种或者以上)时,图像识别服务器200的第一神经网络模型为多分类神经网络模型。例如待识别图像数据为小鸡炖蘑菇菜品图片,假设菜品类型有川菜、鲁菜、粤菜、苏菜、浙菜、闽菜、湘菜、徽菜和东北菜,那么就有九个图像识别服务器200,每个图像识别服务器200对应有一个菜系的第一神经网络模型,每个图像识别服务器200对小鸡炖蘑菇菜品图片进行识别,得到是对应菜品类型的概率值,由于得到是东北菜的概率值大于所有其他的菜品类型的概率值,因此,小鸡炖蘑菇菜品图片的识别结果就是东北菜。本发明由决策服务器300根据所有的识别结果进行统一分析,避免多个图像识别服务器200分别识别同一待识别图像数据的识别结果的不唯一性,而且由于比较概率值大小,选取概率值最大的作为识别结果,使得待识别图像数据的识别结果置信度更高,提升图像识别的准确率和可靠性。
本发明第六实施例,如图6所示,一种分布式的图像识别方法包括:
S100主控服务器获取的待识别图像数据,将所述待识别图像数据广播发送至各个图像识别服务器;
S200图像识别服务器接收所述待识别图像数据,根据自身的第一神经网络模型识别所述待识别图像数据,得到对应的待识别图像数据所属各类别的概率值,并将所述待识别图像数据所属各类别的概率值发送至所述决策服务器;
S300决策服务器接收各个的图像识别服务器的待识别图像数据所属各类别的概率值,根据所有待识别图像数据所属各类别的概率值得到所述待识别图像数据的识别结果。
具体的,本实施例是上述方法实施例对应的装置实施例,具体效果参见上述第一实施例,在此不再一一赘述。
本发明第七实施例,本实施例是上述第六实施例的优化实施例,还包括:
至少一个安装有第二神经网络模型的智能终端采集并发送所述待识别图像数据至所述第二神经网络模型和所述主控服务器;
所述主控服务器广播发送所述待识别图像数据至各个图像识别服务器的第一神经网络模型,使得所述第一神经网络模型与所述第二神经网络模型分别识别所述待识别图像数据;
若所述第二神经网络模型识别失败时,所述第一神经网络模型继续识别所述待识别图像数据;若所述第二神经网络模型识别成功时,所述第一神经网络模型停止识别所述待识别图像数据。
具体的,本实施例是上述方法实施例对应的装置实施例,具体效果参见上述第二实施例,在此不再一一赘述。
本发明第八实施例,本实施例是上述第七实施例的优化实施例,改进之处在于,所述主控服务器获取的待识别图像数据之后,将所述待识别图像数据广播发送至各个图像识别服务器之前包括:
所述主控服务器检测所述待识别图像数据的获取路径,并获取各个图像识别服务器的滞留状态;所述获取路径包括所述网络端和/或智能终端;
当所述滞留状态达到预设滞留范围对应的图像识别服务器的数量达到预设数目时,所述主控服务器广播发送待识别图像数据至所述智能终端的第二神经网络模型进行图像识别。
具体的,本实施例是上述方法实施例对应的装置实施例,具体效果参见上述第三实施例,在此不再一一赘述。
本发明第九实施例,本实施例是上述第七实施例的优化实施例,改进之处在于:所述S100主控服务器获取的待识别图像数据,将所述待识别图像数据广播发送至各个图像识别服务器之前包括:
S010所述主控服务器获取与自身连接的每个图像识别服务器的第一配置参数和第一状态信息,以及与所述主控服务器连接的每个智能终端的第二配置参数和第二状态信息;所述状态信息包括位置信息和/或偏好信息;
S020所述主控服务器筛选出对应于所述第一状态信息的第一图像样本,以及对应于所述第二状态信息的第二图像样本;
S030所述主控服务器将所述第一图片样本输入预训练模块,训练得到适应于当前图像识别服务器的第一配置参数,且匹配所述第一状态信息的第一神经网络模型;将所述第二图片样本输入预训练模块,训练得到适应于当前图像识别服务器的第二配置参数,且匹配所述第二状态信息的第二神经网络模型;
S040所述主控服务器发送所述第一神经网络模型至所述第一状态信息对应的图像识别服务器,发送所述第二神经网络模型至所述第二状态信息对应的智能终端,使得所述图像识别服务器安装对应的第一神经网络模型,所述智能终端安装对应的第二神经网络模型。
具体的,本实施例是上述方法实施例对应的装置实施例,具体效果参见上述第四实施例,在此不再一一赘述。
本发明第十实施例,本实施例是上述第六至第九任一实施例的优化实施例,改进之处在于,所述S300决策服务器接收各个的图像识别服务器的待识别图像数据所属各类别的概率值,根据所有待识别图像数据所属各类别的概率值得到所述待识别图像数据的识别结果具体包括:
S310所述决策服务器接收各个的图像识别服务器的待识别图像数据所属各类别的概率值;
S320所述决策服务器比较待识别图像数据所属各类别的概率值的大小,确定最大概率值对应的图像类型为所述待识别图像数据的识别结果。
具体的,本实施例是上述方法实施例对应的装置实施例,具体效果参见上述第五实施例,在此不再一一赘述。
应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种分布式的图像识别系统,其特征在于,包括:主控服务器,至少两个图像识别服务器和决策服务器;所述图像识别服务器分别与所述主控服务器和所述决策服务器连接;
所述主控服务器,用于将获取的待识别图像数据广播发送至各个图像识别服务器;
所述图像识别服务器,用于接收所述待识别图像数据,根据自身的第一神经网络模型识别所述待识别图像数据,得到对应的待识别图像数据所属各类别的概率值,并将所述待识别图像数据所属各类别的概率值发送至所述决策服务器;
所述决策服务器,用于接收各个的图像识别服务器的待识别图像数据所属各类别的概率值,根据所有待识别图像数据所属各类别的概率值得到所述待识别图像数据的识别结果。
2.根据权利要求1所述的分布式的图像识别系统,其特征在于,还包括:至少一个智能终端,每个智能终端安装有第二神经网络模型,所述智能终端与所述主控服务器连接;
所述智能终端,用于当所述待识别图像数据由所述智能终端采集时,发送所述待识别图像数据至所述第二神经网络模型和所述主控服务器,由所述主控服务器广播发送所述待识别图像数据至各个图像识别服务器的第一神经网络模型,使得所述第一神经网络模型与所述第二神经网络模型分别识别所述待识别图像数据;
若所述第二神经网络模型识别失败时,所述第一神经网络模型继续识别所述待识别图像数据;若所述第二神经网络模型识别成功时,所述第一神经网络模型停止识别所述待识别图像数据。
3.根据权利要求2所述的分布式的图像识别系统,其特征在于,所述主控服务器包括:
图像获取模块,用于获取所述待识别图像数据;
图像来源检测模块,用于检测所述待识别图像数据的获取路径;所述获取路径包括所述网络端和/或智能终端;
第一获取模块,用于获取各个图像识别服务器的滞留状态;
第一通信模块,用于当所述滞留状态达到预设滞留范围对应的图像识别服务器的数量达到预设数目时,广播发送获取路径为所述网络端的待识别图像数据至所述智能终端的第二神经网络模型进行图像识别。
4.根据权利要求3所述的分布式的图像识别系统,其特征在于,所述主控服务器还包括:
第二获取模块,用于获取与所述主控服务器连接的每个图像识别服务器的第一配置参数和第一状态信息,以及与所述主控服务器连接的每个智能终端的第二配置参数和第二状态信息;所述状态信息包括位置信息和/或偏好信息;
筛选模块,用于筛选出对应于所述第一状态信息的第一图像样本,以及对应于所述第二状态信息的第二图像样本;
训练模块,用于将所述第一图片样本输入预训练模块,训练得到适应于当前图像识别服务器的第一配置参数,且匹配所述第一状态信息的第一神经网络模型;将所述第二图片样本输入预训练模块,训练得到适应于当前图像识别服务器的第二配置参数,且匹配所述第二状态信息的第二神经网络模型;
所述第一通信模块,还用于发送所述第一神经网络模型至所述第一状态信息对应的图像识别服务器,发送所述第二神经网络模型至所述第二状态信息对应的智能终端,使得所述图像识别服务器安装对应的第一神经网络模型,所述智能终端安装对应的第二神经网络模型。
5.根据权利要求1-4任一项所述的分布式的图像识别系统,其特征在于,所述决策服务器包括:
第三通信模块,用于接收各个的图像识别服务器的待识别图像数据所属各类别的概率值;
处理模块,用于比较待识别图像数据所属各类别的概率值的大小,确定最大概率值对应的图像类型为所述待识别图像数据的识别结果。
6.一种分布式的图像识别方法,其特征在于,包括步骤:
主控服务器获取的待识别图像数据,将所述待识别图像数据广播发送至各个图像识别服务器;
图像识别服务器接收所述待识别图像数据,根据自身的第一神经网络模型识别所述待识别图像数据,得到对应的待识别图像数据所属各类别的概率值,并将所述待识别图像数据所属各类别的概率值发送至所述决策服务器;
决策服务器接收各个的图像识别服务器的待识别图像数据所属各类别的概率值,根据所有待识别图像数据所属各类别的概率值得到所述待识别图像数据的识别结果。
7.根据权利要求6所述的分布式的图像识别方法,其特征在于,还包括:
至少一个安装有第二神经网络模型的智能终端采集并发送所述待识别图像数据至所述第二神经网络模型和所述主控服务器;
所述主控服务器广播发送所述待识别图像数据至各个图像识别服务器的第一神经网络模型,使得所述第一神经网络模型与所述第二神经网络模型分别识别所述待识别图像数据;
若所述第二神经网络模型识别失败时,所述第一神经网络模型继续识别所述待识别图像数据;若所述第二神经网络模型识别成功时,所述第一神经网络模型停止识别所述待识别图像数据。
8.根据权利要求7所述的分布式的图像识别方法,其特征在于,所述主控服务器获取的待识别图像数据之后,将所述待识别图像数据广播发送至各个图像识别服务器之前包括:
所述主控服务器检测所述待识别图像数据的获取路径,并获取各个图像识别服务器的滞留状态;所述获取路径包括所述网络端和/或智能终端;
当所述滞留状态达到预设滞留范围对应的图像识别服务器的数量达到预设数目时,所述主控服务器广播发送待识别图像数据至所述智能终端的第二神经网络模型进行图像识别。
9.根据权利要求8所述的分布式的图像识别方法,其特征在于,所述主控服务器获取的待识别图像数据,将所述待识别图像数据广播发送至各个图像识别服务器之前包括:
所述主控服务器获取与自身连接的每个图像识别服务器的第一配置参数和第一状态信息,以及与所述主控服务器连接的每个智能终端的第二配置参数和第二状态信息;所述状态信息包括位置信息和/或偏好信息;
所述主控服务器筛选出对应于所述第一状态信息的第一图像样本,以及对应于所述第二状态信息的第二图像样本;
所述主控服务器将所述第一图片样本输入预训练模块,训练得到适应于当前图像识别服务器的第一配置参数,且匹配所述第一状态信息的第一神经网络模型;将所述第二图片样本输入预训练模块,训练得到适应于当前图像识别服务器的第二配置参数,且匹配所述第二状态信息的第二神经网络模型;
所述主控服务器发送所述第一神经网络模型至所述第一状态信息对应的图像识别服务器,发送所述第二神经网络模型至所述第二状态信息对应的智能终端,使得所述图像识别服务器安装对应的第一神经网络模型,所述智能终端安装对应的第二神经网络模型。
10.根据权利要求6-9任一项所述的分布式的图像识别方法,其特征在于,所述决策服务器接收各个的图像识别服务器的待识别图像数据所属各类别的概率值,根据所有待识别图像数据所属各类别的概率值得到所述待识别图像数据的识别结果具体包括:
所述决策服务器接收各个的图像识别服务器的待识别图像数据所属各类别的概率值;
所述决策服务器比较待识别图像数据所属各类别的概率值的大小,确定最大概率值对应的图像类型为所述待识别图像数据的识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810589629.2A CN109034380A (zh) | 2018-06-08 | 2018-06-08 | 一种分布式的图像识别系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810589629.2A CN109034380A (zh) | 2018-06-08 | 2018-06-08 | 一种分布式的图像识别系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109034380A true CN109034380A (zh) | 2018-12-18 |
Family
ID=64612568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810589629.2A Pending CN109034380A (zh) | 2018-06-08 | 2018-06-08 | 一种分布式的图像识别系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034380A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110489240A (zh) * | 2019-08-22 | 2019-11-22 | Oppo广东移动通信有限公司 | 图像识别方法、装置、云平台及存储介质 |
CN111604898A (zh) * | 2020-04-29 | 2020-09-01 | 深圳优地科技有限公司 | 牲畜寻回方法、机器人、终端设备及存储介质 |
CN111816281A (zh) * | 2020-06-23 | 2020-10-23 | 无锡祥生医疗科技股份有限公司 | 超声影像查询装置 |
CN112966634A (zh) * | 2021-03-19 | 2021-06-15 | 佳都新太科技股份有限公司 | 数据共享布控系统、识别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354252A (zh) * | 2015-10-19 | 2016-02-24 | 联想(北京)有限公司 | 一种信息处理方法和装置 |
CN105631461A (zh) * | 2016-02-01 | 2016-06-01 | 信阳农林学院 | 一种图像识别系统及方法 |
CN107305636A (zh) * | 2016-04-22 | 2017-10-31 | 株式会社日立制作所 | 目标识别方法、目标识别装置、终端设备和目标识别系统 |
CN107967677A (zh) * | 2017-12-15 | 2018-04-27 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
CN107992887A (zh) * | 2017-11-28 | 2018-05-04 | 东软集团股份有限公司 | 分类器生成方法、分类方法、装置、电子设备及存储介质 |
-
2018
- 2018-06-08 CN CN201810589629.2A patent/CN109034380A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354252A (zh) * | 2015-10-19 | 2016-02-24 | 联想(北京)有限公司 | 一种信息处理方法和装置 |
CN105631461A (zh) * | 2016-02-01 | 2016-06-01 | 信阳农林学院 | 一种图像识别系统及方法 |
CN107305636A (zh) * | 2016-04-22 | 2017-10-31 | 株式会社日立制作所 | 目标识别方法、目标识别装置、终端设备和目标识别系统 |
CN107992887A (zh) * | 2017-11-28 | 2018-05-04 | 东软集团股份有限公司 | 分类器生成方法、分类方法、装置、电子设备及存储介质 |
CN107967677A (zh) * | 2017-12-15 | 2018-04-27 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
Non-Patent Citations (1)
Title |
---|
贾佳 等: "《移动视觉搜索综述》", 《计算机辅助设计与图形学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110489240A (zh) * | 2019-08-22 | 2019-11-22 | Oppo广东移动通信有限公司 | 图像识别方法、装置、云平台及存储介质 |
CN111604898A (zh) * | 2020-04-29 | 2020-09-01 | 深圳优地科技有限公司 | 牲畜寻回方法、机器人、终端设备及存储介质 |
CN111816281A (zh) * | 2020-06-23 | 2020-10-23 | 无锡祥生医疗科技股份有限公司 | 超声影像查询装置 |
CN111816281B (zh) * | 2020-06-23 | 2024-05-14 | 无锡祥生医疗科技股份有限公司 | 超声影像查询装置 |
CN112966634A (zh) * | 2021-03-19 | 2021-06-15 | 佳都新太科技股份有限公司 | 数据共享布控系统、识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034380A (zh) | 一种分布式的图像识别系统及其方法 | |
CN106330576B (zh) | 容器化微服务自动伸缩及迁移调度的方法、系统和设备 | |
CN111628855B (zh) | 基于深度强化学习的工业5g动态多优先级多接入方法 | |
CN104993941B (zh) | 一种基于Openflow网络高容错性虚拟网络映射算法 | |
EP3739811B1 (en) | Data analysis device, and multi-model co-decision system and method | |
CN110647403B (zh) | 一种多用户mec系统中的云端计算资源分配方法 | |
CN104268521A (zh) | 一种基于非限定类别的卷积神经网络的图像识别方法 | |
CN110889509A (zh) | 一种基于梯度动量加速的联合学习方法及装置 | |
CN112543119B (zh) | 一种基于深度强化学习的服务功能链可靠性部署方法 | |
CN109766932A (zh) | 一种特征筛选方法以及特征筛选装置 | |
CN110969198A (zh) | 深度学习模型的分布式训练方法、装置、设备及存储介质 | |
CN106991444A (zh) | 基于峰值密度聚类的主动学习方法 | |
CN107067022B (zh) | 图像分类模型的建立方法、建立装置和设备 | |
CN109548161A (zh) | 一种无线资源调度的方法、装置和终端设备 | |
CN104518984A (zh) | 一种基于多重分类器对数据包进行流量分类的sdn控制器 | |
CN104468403B (zh) | 一种基于nacc对数据包进行网络流分类的sdn控制器 | |
CN112235385A (zh) | 一种海上边缘计算低开销云边智能协同盟员发现方法 | |
CN108390712A (zh) | 面向多路遥测的航天器指令执行结果的判断方法 | |
CN105471755A (zh) | 网络流量均衡的方法及超级控制器 | |
CN104915355B (zh) | 一种用户分类方法、装置及服务器 | |
CN106776335B (zh) | 一种测试用例聚类分析方法及系统 | |
CN109933415A (zh) | 数据的处理方法、装置、设备及介质 | |
CN116074403B (zh) | 一种多协议融合通信方法、装置及架构 | |
CN104168325B (zh) | 一种具备自维护功能的分布式Web服务选择方法 | |
CN109672728A (zh) | 一种大规模分布式集群节点信息快速获取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181218 |