CN109685088A - 基于云端分离卷积神经网络的窄带通信智能图像分析系统 - Google Patents
基于云端分离卷积神经网络的窄带通信智能图像分析系统 Download PDFInfo
- Publication number
- CN109685088A CN109685088A CN201710971372.2A CN201710971372A CN109685088A CN 109685088 A CN109685088 A CN 109685088A CN 201710971372 A CN201710971372 A CN 201710971372A CN 109685088 A CN109685088 A CN 109685088A
- Authority
- CN
- China
- Prior art keywords
- cloud
- convolutional neural
- neural networks
- narrow band
- band communication
- 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
- 238000010191 image analysis Methods 0.000 title claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 25
- 238000004891 communication Methods 0.000 title claims abstract description 21
- 238000000926 separation method Methods 0.000 title claims abstract description 14
- 238000003384 imaging method Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 claims description 5
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/56—Provisioning of proxy services
- H04L67/565—Conversion or adaptation of application format or content
- H04L67/5651—Reducing the amount or size of exchanged application data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于云端分离卷积神经网络的窄带通信智能图像分析系统,其特征在于,包括:终端设备(1)和云端设备(2),所述的终端设备(1)带有图像传感器,并通过窄带网络与云端设备(2)连接,所述的云端设备(2)存储并运行图像分析处理程序,所述的终端设备(1)采用卷积神经网络算法将采集到的图像进行预处理,得到一维特征向量并传输到云端设备(2)进行处理,获得图像识别结果。与现有技术相比,本发明具有成本低、灵活性高等优点。
Description
技术领域
本发明涉及一种图像分析系统,尤其是涉及一种基于云端分离卷积神经网络的窄带通信智能图像分析系统。
背景技术
智能图像分析技术常应用于人脸识别、车牌识别、人流分析和车流分析等场景。当前的智能图像分析系统与装置一般有两类,第一类是前端智能系统与装置,即在设备端进行智能图像分析,并将分析结果上传到云端或本地保存。典型的这类设备与装置是带有智能图像处理芯片的智能摄像头和本地智能图像分析主机等。第二类是后端(云端)智能系统与装置,即把图像通过光纤或者3g、4g等宽带信道上传到后端,在云端对图像做智能图像分析。
这两类系统各有一些缺点。第一类前端智能系统与装置,这类系统在设备端必须要搭配具有图像分析能力的专用DSP芯片,并且DSP芯片的功能往往在部署时就已经确定,无法根据不同的应用场景(例如人脸识别、车牌识别)而切换功能,这样。这种方案的缺点是前端设备的成本高,不适合大规模部署,而且应用的灵活度差,不适合智能识别场景需要调整变化的应用。第二类后端智能系统与装置,这类系统需要前端设备将图像通过光纤、3g或4g等宽带传输网络上传到后端,这些宽带传输网络的网络成本都比较高。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种适合大规模部署、高性价比、高灵活度的基于云端分离卷积神经网络的窄带通信智能图像分析系统。
本发明的目的可以通过以下技术方案来实现:
一种基于云端分离卷积神经网络的窄带通信智能图像分析系统,包括:终端设备和云端设备,所述的终端设备带有图像传感器,并通过窄带网络与云端设备连接,所述的云端设备存储并运行图像分析处理程序,所述的终端设备采用卷积神经网络算法将采集到的图像进行预处理,得到一维特征向量并传输到云端设备进行处理,获得图像识别结果。
所述的终端设备与云端设备双向连接,所述的云端设备向终端设备发送图像识别指令和相应的特征选择器。
所述的云端设备中存有事先训练好的卷积神经网络模型。
所述的终端设备为基于ARM芯片的嵌入式Linux设备。
所述的预处理包括图像卷积、非线性映射和池化。
所述的窄带网络为NB-IOT或LoRA。
所述的云端设备的图像分析处理程序被部署在私有云或公有云上。
与现有技术相比,本发明具有以下优点:
(1)终端设备采用卷积神经网络算法将采集到的图像进行预处理,得到一维特征向量并传输到云端设备进行处理,仅需要使用窄带网络就可以满足通信要求,避免使用光纤、3g、4g等宽带网络的高昂网络开通和传输费用。
(2)将CNN中复杂的大网络全连接推理层放到云端设备,从而减少对终端设备计算能力的要求,降低终端设备的成本。
(3)终端设备与云端设备双向连接,云端设备向终端设备发送图像识别指令和相应的特征选择器,使终端设备可以进行不同的预处理,增加智能图像分析应用的灵活度。
(4)避免使用传统的一体化摄像头,采用图像传感器,降低设备端的成本和体积,提升图像采集和处理的灵活性和自主性。
附图说明
图1为本实施例终端设备架构图;
图2为本实施例图像分析系统结构及原理图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
一种基于云端分离卷积神经网络的窄带通信智能图像分析系统,包括:终端设备1和云端设备2,终端设备1带有图像传感器,并通过窄带网络与云端设备2连接,云端设备2存储并运行图像分析处理程序,终端设备1采用卷积神经网络算法将采集到的图像进行预处理,得到一维特征向量并传输到云端设备2进行处理,获得图像识别结果。
终端设备1与云端设备2双向连接,云端设备2向终端设备1发送图像识别指令和相应的特征选择器。
本发明原理是将智能图像分析领域的卷积神经网络算法的步骤分离开,将一部分预处理工作放在终端设备进行,另一部分全连接神经网络的推理部分放在云端设备进行,两部分通过窄带通信连接,从而实现云端协同的智能图像分析。本发明充分利用廉价的嵌入式设备和窄带网络,配合云端设备的强大计算能力进行图像识别,“云-网-端”协同工作,发挥出各自的最大效能。它不同与传统的本地图像分析设备与装置,这种类型的设备和装置价格高昂,灵活度低,不适合大规模部署。它也不同于在云端做智能图像分析的系统与装置,这种类型的系统和装置需要光纤、3g或4g等宽带网络的支持以将图像传输到云端,网络传输费用高。本发明将图像智能分析中的卷积神经网络算法的步骤进行拆分,将一部分低运算量的预处理工作下发到终端设备进行,图像预处理后的结果数据量比原图小得多,不需要宽带传输,适合窄带传输。云端设备接着实现剩余步骤的计算处理,最终实现预期的智能图像处理结果。另外,本系统与装置云端设备主动下发不同的处理请求和对应的特征选择器,可适应灵活多变的图像识别场景。
如图1所示,“端”是一种嵌入式设备,典型的设备是一种基于ARM芯片的嵌入式Linux系统。该设备带有图像传感器,并具有窄带通信能力,可以与云端设备双向通信。它从云端设备获得指令和特征选择器(feature detector),并通过本地CPU或MCU进行卷积神经网络算法的图像的预处理。然后将图像预处理完成后的一维特征向量传输到云端设备进行进一步处理和推理,由于一维的特征向量相比原来的图像数据小很多,因此适合使用窄带信道进行传输。
“云”是一个位于云端设备的图像分析处理程序。它向终端设备发送图像识别的指令和相应的特征选择器,并接收终端设备传送过来的一维特征向量信息,基于该特征信息,云端设备基于事先训练好的模型进行CNN的全连接步骤,最后获得图像识别的结果。
如图2所示,终端设备1典型的是一个带有图像传感器的基于ARM的嵌入式Linux系统,它能利用窄带网络技术对外通信,典型的窄带网络技术如NB-IOT,LoRA。云端设备2带有图像分析应用程序,它是一套软件,它有一个对外的网络接口,用来与终端设备1进行通信,它被部署在私有云或公有云上。3是云端设备2通过窄带网络向终端设备1下发命令和特征选择器等参数的窄带通信信道。4是终端设备1向云端设备2上传图像特征的窄带通信信道。整个系统的具体实施方式如下:
云端设备2根据图像识别的需求选择一系列特征检测器(又称为“核”或“滤波器”),特征检测器是一个图像矩阵小文件,典型的例如5*5的图像矩阵。云端设备2通过窄带通信信道3将特征选择器下发到终端设备1中。
终端设备1接收到一系列特征检测器后,进行如下步骤的图像预处理:
步骤1、将待分析的图像与每个特征检测器做图像卷积,形成一系列的特征图(或称为“特征映射”)
步骤2、将步骤1生成的一系列特征图通过激励函数做非线性映射,典型的非线性映射函数是ReLU函数;
步骤3、重复步骤1和步骤2;
步骤4、对步骤3的结果做池化(pooling),典型的是做最大池化(max-pooling),进一步降低数据量,保留图像特征;
步骤5、将步骤4的结果扁平化,即将步骤4的结果转化为一维特征向量。
图像经过设备端预处理后,转换成数据量小得多的一维特征向量,该一维特征向量可通过窄带通信信道4上传到云端设备2,作为云端ANN的输入层。随后,云端设备2中的ANN进行全连接的推理,并输出推理结果。
Claims (7)
1.一种基于云端分离卷积神经网络的窄带通信智能图像分析系统,其特征在于,包括:终端设备(1)和云端设备(2),所述的终端设备(1)带有图像传感器,并通过窄带网络与云端设备(2)连接,所述的云端设备(2)存储并运行图像分析处理程序,所述的终端设备(1)采用卷积神经网络算法将采集到的图像进行预处理,得到一维特征向量并传输到云端设备(2)进行处理,获得图像识别结果。
2.根据权利要求1所述的一种基于云端分离卷积神经网络的窄带通信智能图像分析系统,其特征在于,所述的终端设备(1)与云端设备(2)双向连接,所述的云端设备(2)向终端设备(1)发送图像识别指令和相应的特征选择器。
3.根据权利要求1所述的一种基于云端分离卷积神经网络的窄带通信智能图像分析系统,其特征在于,所述的云端设备(2)中存有事先训练好的卷积神经网络模型。
4.根据权利要求1所述的一种基于云端分离卷积神经网络的窄带通信智能图像分析系统,其特征在于,所述的终端设备(1)为基于ARM芯片的嵌入式Linux设备。
5.根据权利要求1所述的一种基于云端分离卷积神经网络的窄带通信智能图像分析系统,其特征在于,所述的预处理包括图像卷积、非线性映射和池化。
6.根据权利要求1所述的一种基于云端分离卷积神经网络的窄带通信智能图像分析系统,其特征在于,所述的窄带网络为NB-IOT或LoRA。
7.根据权利要求1所述的一种基于云端分离卷积神经网络的窄带通信智能图像分析系统,其特征在于,所述的云端设备(2)的图像分析处理程序被部署在私有云或公有云上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710971372.2A CN109685088A (zh) | 2017-10-18 | 2017-10-18 | 基于云端分离卷积神经网络的窄带通信智能图像分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710971372.2A CN109685088A (zh) | 2017-10-18 | 2017-10-18 | 基于云端分离卷积神经网络的窄带通信智能图像分析系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109685088A true CN109685088A (zh) | 2019-04-26 |
Family
ID=66183332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710971372.2A Pending CN109685088A (zh) | 2017-10-18 | 2017-10-18 | 基于云端分离卷积神经网络的窄带通信智能图像分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685088A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647396A (zh) * | 2019-09-02 | 2020-01-03 | 上海科技大学 | 端云协同低功耗带宽受限智能应用实现方法 |
CN112561911A (zh) * | 2020-12-29 | 2021-03-26 | 深圳市中科联合通信技术有限公司 | 一种基于ARM-Cortex M4 NB-iot芯片架构实现的边缘图像算法 |
CN113129277A (zh) * | 2021-04-01 | 2021-07-16 | 清华大学深圳国际研究生院 | 基于卷积神经网络的舌苔检测系统 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202772924U (zh) * | 2012-06-21 | 2013-03-06 | 浙江广信智能建筑研究院有限公司 | 智能云卡口系统 |
US20150024796A1 (en) * | 2012-03-12 | 2015-01-22 | Huawei Technologies Co., Ltd. | Method for mobile terminal to process text, related device, and system |
CN104767833A (zh) * | 2015-05-04 | 2015-07-08 | 厦门大学 | 一种移动终端的计算任务的云端转移方法 |
CN105070094A (zh) * | 2015-08-27 | 2015-11-18 | 上海仪电电子股份有限公司 | 一种基于机器视觉的车位检测系统及车位检测方法 |
GB201614184D0 (en) * | 2016-08-19 | 2016-10-05 | Nokia Technologies Oy | Learned model data processing |
CN106027300A (zh) * | 2016-05-23 | 2016-10-12 | 深圳市飞仙智能科技有限公司 | 一种应用神经网络的智能机器人参数优化系统及方法 |
CN106297779A (zh) * | 2016-07-28 | 2017-01-04 | 块互动(北京)科技有限公司 | 一种基于位置信息的背景噪声消除方法及装置 |
CN106407984A (zh) * | 2015-07-31 | 2017-02-15 | 腾讯科技(深圳)有限公司 | 目标对象识别方法及装置 |
US20170076195A1 (en) * | 2015-09-10 | 2017-03-16 | Intel Corporation | Distributed neural networks for scalable real-time analytics |
CN106683252A (zh) * | 2017-03-09 | 2017-05-17 | 徐东哲 | 一种基于窄带物联网的小区智能通行控制系统及方法 |
CN106776675A (zh) * | 2016-11-01 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种基于移动终端的植物识别方法及系统 |
CN106878685A (zh) * | 2017-03-21 | 2017-06-20 | 陈艳婕 | 一种基于图像识别的能耗数据采集装置及方法 |
CN106898011A (zh) * | 2017-01-06 | 2017-06-27 | 广东工业大学 | 一种基于边缘检测来确定卷积神经网络卷积核数量的方法 |
CN106897695A (zh) * | 2017-02-24 | 2017-06-27 | 上海斐讯数据通信技术有限公司 | 一种图像识别处理装置、系统及方法 |
CN106920310A (zh) * | 2017-03-06 | 2017-07-04 | 珠海习悦信息技术有限公司 | 门禁控制方法、装置及系统 |
CN106982359A (zh) * | 2017-04-26 | 2017-07-25 | 深圳先进技术研究院 | 一种双目视频监控方法、系统和计算机可读存储介质 |
CN107077659A (zh) * | 2016-09-26 | 2017-08-18 | 达闼科技(北京)有限公司 | 一种智能库存管理系统、服务器、方法、终端和程序产品 |
CN107172385A (zh) * | 2017-04-14 | 2017-09-15 | 合肥市群智科技有限公司 | 一种物联网智能家居监控系统 |
CN107220480A (zh) * | 2017-05-05 | 2017-09-29 | 新绎健康科技有限公司 | 一种基于罐斑分析的健康管理系统 |
-
2017
- 2017-10-18 CN CN201710971372.2A patent/CN109685088A/zh active Pending
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150024796A1 (en) * | 2012-03-12 | 2015-01-22 | Huawei Technologies Co., Ltd. | Method for mobile terminal to process text, related device, and system |
CN202772924U (zh) * | 2012-06-21 | 2013-03-06 | 浙江广信智能建筑研究院有限公司 | 智能云卡口系统 |
CN104767833A (zh) * | 2015-05-04 | 2015-07-08 | 厦门大学 | 一种移动终端的计算任务的云端转移方法 |
CN106407984A (zh) * | 2015-07-31 | 2017-02-15 | 腾讯科技(深圳)有限公司 | 目标对象识别方法及装置 |
CN105070094A (zh) * | 2015-08-27 | 2015-11-18 | 上海仪电电子股份有限公司 | 一种基于机器视觉的车位检测系统及车位检测方法 |
US20170076195A1 (en) * | 2015-09-10 | 2017-03-16 | Intel Corporation | Distributed neural networks for scalable real-time analytics |
CN106027300A (zh) * | 2016-05-23 | 2016-10-12 | 深圳市飞仙智能科技有限公司 | 一种应用神经网络的智能机器人参数优化系统及方法 |
CN106297779A (zh) * | 2016-07-28 | 2017-01-04 | 块互动(北京)科技有限公司 | 一种基于位置信息的背景噪声消除方法及装置 |
GB201614184D0 (en) * | 2016-08-19 | 2016-10-05 | Nokia Technologies Oy | Learned model data processing |
CN107077659A (zh) * | 2016-09-26 | 2017-08-18 | 达闼科技(北京)有限公司 | 一种智能库存管理系统、服务器、方法、终端和程序产品 |
CN106776675A (zh) * | 2016-11-01 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种基于移动终端的植物识别方法及系统 |
CN106898011A (zh) * | 2017-01-06 | 2017-06-27 | 广东工业大学 | 一种基于边缘检测来确定卷积神经网络卷积核数量的方法 |
CN106897695A (zh) * | 2017-02-24 | 2017-06-27 | 上海斐讯数据通信技术有限公司 | 一种图像识别处理装置、系统及方法 |
CN106920310A (zh) * | 2017-03-06 | 2017-07-04 | 珠海习悦信息技术有限公司 | 门禁控制方法、装置及系统 |
CN106683252A (zh) * | 2017-03-09 | 2017-05-17 | 徐东哲 | 一种基于窄带物联网的小区智能通行控制系统及方法 |
CN106878685A (zh) * | 2017-03-21 | 2017-06-20 | 陈艳婕 | 一种基于图像识别的能耗数据采集装置及方法 |
CN107172385A (zh) * | 2017-04-14 | 2017-09-15 | 合肥市群智科技有限公司 | 一种物联网智能家居监控系统 |
CN106982359A (zh) * | 2017-04-26 | 2017-07-25 | 深圳先进技术研究院 | 一种双目视频监控方法、系统和计算机可读存储介质 |
CN107220480A (zh) * | 2017-05-05 | 2017-09-29 | 新绎健康科技有限公司 | 一种基于罐斑分析的健康管理系统 |
Non-Patent Citations (5)
Title |
---|
BINBIN YONG等: "Intelligent monitor system based on cloud and convolutional neural network", pages 3260 - 3276 * |
JOHN J.PREVOST等: "Prediction of cloud data center networks loads using stochastic and neural models", pages 276 - 281 * |
YIPING KANG等: "Neurosurgeon: Collaborative Intelligence Between the Cloud and Mobile Edge", 《ACM SIGARCH COMPUTER ARCHITECTURE NEWS》, vol. 45, no. 1, pages 615 - 629, XP055727018, DOI: 10.1145/3037697.3037698 * |
施卫明: "基于ARM+Linux的指纹门禁系统设计与实现", vol. 2013, no. 3, pages 140 - 451 * |
高录军: "智慧医疗系统的研究与实现", vol. 2016, no. 8, pages 138 - 1006 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647396A (zh) * | 2019-09-02 | 2020-01-03 | 上海科技大学 | 端云协同低功耗带宽受限智能应用实现方法 |
CN112561911A (zh) * | 2020-12-29 | 2021-03-26 | 深圳市中科联合通信技术有限公司 | 一种基于ARM-Cortex M4 NB-iot芯片架构实现的边缘图像算法 |
CN113129277A (zh) * | 2021-04-01 | 2021-07-16 | 清华大学深圳国际研究生院 | 基于卷积神经网络的舌苔检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
CN109685088A (zh) | 基于云端分离卷积神经网络的窄带通信智能图像分析系统 | |
CN112465727A (zh) | 基于HSV色彩空间和Retinex理论的无正常光照参考的低照度图像增强方法 | |
CN111339831A (zh) | 一种照明灯控制方法和系统 | |
CN107341516A (zh) | 图像质量调节方法和图像处理智能平台 | |
CN108540707A (zh) | 人脸识别执法仪 | |
CN106682663A (zh) | 用于移动平台的多模态生物特征识别系统及方法 | |
WO2018214838A1 (zh) | 监控抓拍方法、装置及系统 | |
CN106648489B (zh) | 一种计算机图像处理设备 | |
CN105959562A (zh) | 获取全景拍摄数据的方法、装置以及便携式全景拍摄设备 | |
CN111062362A (zh) | 人脸活体检测模型、方法、装置、设备及存储介质 | |
CN108737716A (zh) | 拍摄方法、装置和智能设备 | |
CN110321782B (zh) | 一种检测人体特征信号的系统 | |
CN107295261A (zh) | 图像去雾处理方法、装置、存储介质和移动终端 | |
CN109121194B (zh) | 用于电子设备的状态转换的方法和装置 | |
CN116152089A (zh) | 一种基于雨线位置先验的夜间图像去雨方法和系统 | |
CN113359816B (zh) | 一种基于无线手势识别的无人机控制方法及系统 | |
CN115189474A (zh) | 一种基于树莓派4b的配电站电能表识别方法及系统 | |
CN109981969B (zh) | 一种智能电子设备和图像处理单元、图像处理方法 | |
CN115223051A (zh) | 一种星载光学遥感影像目标检测系统 | |
CN208522852U (zh) | 人脸识别执法仪 | |
CN113516157A (zh) | 嵌入式三维扫描系统和三维扫描装置 | |
CN208691422U (zh) | 人脸识别监控摄像头 | |
CN207117784U (zh) | 一种全景人脸抓拍摄像机 | |
CN207166612U (zh) | 基于一体化事件检测摄像机的智能交通系统 |
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 |