CN109829512A - 一种基于深度神经网络的图像识别模组 - Google Patents

Abstract

本发明公开了一种基于深度神经网络的图像识别模组，其特点是采用由运算控制模块、摄像头模块、显示模块和云端图像训练模块组成的图像识别模组，将摄像头模块获取的目标图像经运算控制模块打标分类后上传至云端图像训练模块，且由云端图像训练模块利用深度神经网络对上传的图像及打标分类的数据进行训练，完成训练的模型下载到运算控制模块，实现端到端的目标图像的获取、训练和识别。本发明与现有技术相比具有端到端、效率高和低延时的优点，从图像采集到图像训练以及图像识别，整个过程完全是基于端到端的模组完，用户不用关心其中的图像识别算法及其实现，结构简单，操作方便，可根据要求进行调整，满足不同场景的应用需求。

Description

一种基于深度神经网络的图像识别模组

技术领域

本发明涉及图像识别技术领域，尤其是一种从端到端的基于基于深度神经网络的图像识别模组。

背景技术

深度神经网络在图像识别领域具有独特优势，它能模仿人的眼睛的结构，视野域的高效识别，比传统的BP神经网络具有参数更少，识别效率更高等优点。图像识别是机器视觉的一个分支，在应用中需要准确的图像识别结果，且对时延也有一定要求。后续的执行机构，如机器人、小车等，需要根据图像识别的结果进行决策控制。

目前，深度神经网络技术已经在工程学、模式识别、工业机器人、机器视觉等方面得到了广泛的应用。鉴于图像识别的巨大市场，国内外相关的仪器公司都在该方面进行了布局，包括爱信艾达、精工爱普生、松下、杭州美盛红外光电技术有限公司、丰田等公司。一些国内研究机构也在图像识别方面有较多的专利储备，如一种基于卷积深度网络的图像识别算法及系统（申请号：201710144957.7）、一种基于改进的卷积神经网络的图像识别方法（申请号：201710895881.1）、一种基于VGG深度卷积网络的自然场景图像识别方法（申请号：201810130178.6）、卷积神经网络的训练方法、图像识别方法及装置（申请号：201610942156.0）等。

在图像识别方面，天津科技大学在2018年申报发明专利：一种用于图像识别的神经网络模型（申请号：201810526107.8），其涉及技术领域偏向图像识别算法方面；天津帕比特科技有限公司在2017年授权的发明专利：一种基于神经网络识别设备类型的图像识别方法（申请号：201710919179.4），该专利的技术方案其图像识别方案不具有通用性，没有完全集成在一起。在实际应用过程中，针对具体的任务，研究人员或工程人员通常想同时图像采集，训练，识别一体完成，并且算法，模型内置在模组装置中，且识别目标多样，算法通用性强。目前，尚未有集合图像采集、训练和识别的一体化图像识别模组的报道。

发明内容

本发明的目的是针对现有技术的不足而设计的一种基于深度神经网络的图像识别模组，采用卷积层提取图像信息和云端类似人类迁移学习新知识的方法,将获取的目标图像经打标分类后上传至云端服务器，基于深度神经网络对图像训练进行加速，完成训练后返回模型文件，并将其下载进行目标图像的识别，实现端到端模式的图像采集、训练和识别一体化，大大加快模型的收敛速度，并可为与图像识别有关的工业机器人、智能小车、智能分拣等领域内的应用研究和基础研究提供益处。

本发明的目的是这样实现的：一种基于深度神经网络的图像识别模组，其特点是采用由运算控制模块、摄像头模块、显示模块和云端图像训练模块组成的图像识别模组，将摄像头模块获取的目标图像经运算控制模块打标分类后上传至云端图像训练模块，且由云端图像训练模块利用深度神经网络对上传的图像及打标分类的数据进行训练，完成训练的模型下载到运算控制模块，实现端到端的目标图像的获取、训练和识别。

所述云端图像训练模块基于深度神经网络的模型，并通过预训练模型对新的图像训练进行加速，完成训练后返回模型文件；所述深度神经网络的模型采用卷积层提取图像信息，并根据图像识别的复杂程度，增加或减少深度神经网络的层数，进行人为的裁剪。

所述运算控制模块包括运算器和通信器，所述运算器采用CPU、MCU或MMU；所述通信器为运算控制模块与外界进行通信、模型下载和调试的入口。

本发明与现有技术相比具有端到端的基于深度神经网络的图像识别，以及高效率和低延时的优点，从图像采集到图像训练以及图像识别，整个过程完全是基于端到端的模组完成，用户不用关心其中的图像识别算法及其实现，结构简单，操作方便，不仅克服了单BP神经网络的缺点，同时减少了模型的参数量，提高了模型的泛化能力，提升了识别的速度，可以为高效的图像识别提供支持，并可根据实际要求进行相关调整，从而能够满足不同场景的应用需求。

附图说明

图1为本发明结构示意图；

图2为本发明具体运用示意图。

具体实施方式

参阅附图1，本发明由运算控制模块1、摄像头模块2、显示模块3和云端图像训练模块4组成，所述运算控制模块1包括运算器11和通信器12，所述运算器11采用CPU、MCU或MMU；所述通信器12为运算控制模块1与外界进行通信、模型下载和调试的入口；所述云端图像训练模块4基于深度神经网络的模型，并通过预训练模型对新的图像训练进行加速，完成训练后返回模型文件；所述深度神经网络的模型主要由卷积层、激活层、全连接层或其他神经网络层组成，采用卷积层提取图像信息，并根据图像识别的复杂程度，增加或减少深度神经网络的层数，进行人为的裁剪。

通过以下具体实施例对本发明作进一步的详细说明。

实施例1

参阅附图2，本发明是这样进行图像识别运行的：摄像头模块2将获取的目标图像输入运算控制器1并由显示模块3进行屏幕显示，采集的目标图像经运算控制器1的图像标注和归类后上传到云服务器，通过云端图像训练模块4基于预训练模型的加速算法进行模型训练，训练完成后的模型参数文件通过本地服务器下载到运算控制模块1，实现端到端的目标图像获取、训练和识别的一体化，其结果返回给显示模块3进行屏幕显示，并通过有线或无线方式将结果输出反馈给用户。所述云端图像训练模块4基于深度神经网络模型，并通过预训练模型对新的图像训练进行加速，完成训练后返回模型文件；所述深度神经网络的模型采用卷积层提取图像信息，并根据图像识别的复杂程度，增加或减少深度神经网络的层数，进行人为的裁剪。

本发明基于人工智能的机器视觉模块，可以方便地嵌入到其他需要使用物体识别的场景中，是高性能的人工智能模组，识别速度可达每秒大于20帧，是个完全端到端的产品，用户完全不必掌握人工智能或者是机器视觉的任何知识。对于云端，用户只需上传图片数据，以及分类标签，即可自动训练图像，用户拿到训练好的模型，下载到模组的运算控制模块1即可实时进行图像识别，在云端，如果用户选择目标检测模型，可以提供人工标定图像的位置服务。

以上只是对本发明作进一步的说明，并非用以限制本专利，凡为本发明等效实施，均应包含于本专利的权利要求范围之内。

Claims (3)

1.一种基于深度神经网络的图像识别模组，其特征在于采用由运算控制模块、摄像头模块、显示模块和云端图像训练模块组成的图像识别模组，将摄像头模块获取的目标图像经运算控制模块打标分类后上传至云端图像训练模块，且由云端图像训练模块利用深度神经网络对上传的图像及打标分类的数据进行训练，完成训练的模型下载到运算控制模块，实现端到端的目标图像的获取、训练和识别。

2.根据权利要求1所述基于深度神经网络的图像识别模组，其特征在于所述云端图像训练模块基于深度神经网络的模型，并通过预训练模型对新的图像训练进行加速，完成训练后返回模型文件；所述深度神经网络的模型采用卷积层提取图像信息，并根据图像识别的复杂程度，增加或减少深度神经网络的层数，进行人为的裁剪。

3.根据权利要求1所述基于深度神经网络的图像识别模组，其特征在于所述运算控制模块包括运算器和通信器，所述运算器采用CPU、MCU或MMU；所述通信器为运算控制模块与外界进行通信、模型下载和调试的入口。