CN110188595A - 一种基于ar和cnn算法的动物园游览系统及游览方法 - Google Patents

一种基于ar和cnn算法的动物园游览系统及游览方法 Download PDF

Info

Publication number
CN110188595A
CN110188595A CN201910293588.7A CN201910293588A CN110188595A CN 110188595 A CN110188595 A CN 110188595A CN 201910293588 A CN201910293588 A CN 201910293588A CN 110188595 A CN110188595 A CN 110188595A
Authority
CN
China
Prior art keywords
model
animal
image
picture
cnn
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
Application number
CN201910293588.7A
Other languages
English (en)
Inventor
朱全银
唐文骏
周蕾
葛启航
高尚兵
李翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN201910293588.7A priority Critical patent/CN110188595A/zh
Publication of CN110188595A publication Critical patent/CN110188595A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/538—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/14—Travel agencies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本专利公开发明了一种基于AR和CNN算法的动物园游览系统及游览方法，包括：图像获取单元，获取用户所需辨识的动物图像；模型数据库，用以存放制作的动物模型；图像处理单元，调用CNN卷积神经网络，对不同动物图片进行图像识别；显示单元，调用模型数据库内的三维贴图数据展示动物的三维模型。本发明既利用CNN卷积神经网络算法建立图像识别模型，弥补了AR增强现实技术中图像识别出现误差的问题；又增强了动物园游览系统的趣味性，满足了用户游览动物园的需求。

Description

一种基于AR和CNN算法的动物园游览系统及游览方法
技术领域
本发明属于图像识别技术领域，特别涉及一种基于AR和CNN算法的动物园游览系统及游览方法。
背景技术
动物园是搜集饲养各种动物，进行科学研究和迁地保护，供公众观赏并进行科学普及和宣传保护教育的场所。动物园有两个基本特点：一是饲养管理着野生动物，二是向公众开放。符合这两个基本特点的场所即是广义上的动物园，包括水族馆、专类动物园等类型。动物园的基本功能是对野生动物的综合保护和对公众的保护教育。
由于动物园的场地、人力、布局设计等原因，在动物园中常常找不到所想参观的园区。并且大多数动物园在对野生动物知识科普、保护教育方面做得并不理想。由于动物园的展示形式大多是围栏辅以一定的文字说明，所能展示、提供的介绍信息量严重不足。甚至许多动物园并没有文字说明。游客很难了解到动物的科普及保护知识，所以动物园中存在表达介绍方式单一，没有交互功能，缺少趣味性等缺点。
冯万利，朱全银等人已有的研究基础包括：Wanli Feng.Research of themestatement extraction for chinese literature based on lexicalchain.International Journal of Multimedia and Ubiquitous Engineering,Vol.11,No.6(2016), pp.379-388；Wanli Feng,Ying Li,Shangbing Gao,Yunyang Yan,JianxunXue.A novel flame edge detection algorithm via a novel active contourmodel.International Journal of Hybrid Information Technology,Vol.9,No.9(2016),pp.275-282；刘金岭,冯万利.基于属性依赖关系的模式匹配方法[J].微电子学与计算机,2011, 28(12):167-170；刘金岭,冯万利,张亚红.初始化簇类中心和重构标度函数的文本聚类[J].计算机应用研究,2011,28(11):4115-4117；刘金岭,冯万利,张亚红. 基于重新标度的中文短信文本聚类方法[J].计算机工程与应用,2012, 48(21):146-150.；朱全银,潘禄,刘文儒,等.Web科技新闻分类抽取算法[J].淮阴工学院学报,2015,24(5):18-24；李翔,朱全银.联合聚类和评分矩阵共享的协同过滤推荐[J].计算机科学与探索,2014,8(6):751-759；Quanyin Zhu,Sunqun Cao.A Novel Classifier-independent FeatureSelection Algorithm for Imbalanced Datasets. 2009,p:77-82；Quanyin Zhu,YunyangYan,Jin Ding,Jin Qian.The Case Study for Price Extracting of Mobile PhoneSell Online.2011,p:282-285；Quanyin Zhu,Suqun Cao,Pei Zhou,Yunyang Yan,HongZhou.Integrated Price Forecast based on Dichotomy Backfilling and DisturbanceFactor Algorithm.International Review on Computers and Software,2011,Vol.6(6):1089-1093；朱全银，冯万利等人申请、公开与授权的相关专利：冯万利,邵鹤帅,庄军.一种智能冷藏车状态监测无线网络终端装置:CN203616634U[P].2014；朱全银，胡蓉静，何苏群，周培等.一种基于线性插补与自适应滑动窗口的商品价格预测方法.中国专利:ZL20111 0423015.5,2015.07.01；朱全银，曹苏群，严云洋，胡蓉静等，一种基于二分数据修补与扰乱因子的商品价格预测方法.中国专利:ZL 2011 1 0422274.6,2013.01.02；李翔，朱全银，胡荣林，周泓.一种基于谱聚类的冷链物流配载智能推荐方法.中国专利公开号:CN105654267A,2016.06.08。
AR增强现实技术：
AR增强现实技术(Augmented Reality)是通过计算机的高强度复杂计算产生虚拟信息，之后将虚拟信息覆盖在真实世界的场景上，以此增强用户对现实环境的认知、理解的一种新兴技术。是一种实时地计算摄影机影像的位置及角度并加上相应图像、视频、3D模型的技术，这种技术的目标是在屏幕上把虚拟世界嵌套在现实世界之中，与用户产生交互活动。
CNN算法:
CNN是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层(对应经典的神经网络)组成，同时也包括关联权重和池化层 (pooling layer)。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网络，卷积神经网络需要考量的参数更少，使之成为一种颇具吸引力的深度学习结构。
发明内容
发明目的：针对现有技术中存在的问题，本发明提出一种基于AR和CNN算法的动物园游览系统及游览方法，为游览动物园的游客提供便捷、方便的服务，普及野生动物知识。
技术方案：为解决上述技术问题，本发明提供一种基于AR和CNN算法的动物园游览系统，包括图像获取单元、图像处理单元、模型数据库和图像显示单元；所述图像获取单元与图像处理单元连接，所述图像处理单元与模型数据库均与图像显示单元连接；其中：
图像获取单元：通过图像获取单元获得动物图像T；
图像处理单元：通过图像处理单元用CNN图像识别算法对图像进行处理得出最大元素Gn；
模型数据库：构建动物模型N得到模型数据集M；
图像显示单元：调用与最大元素Gn对应的模型N在屏幕上显示。
根据如上述的一种基于AR和CNN算法的动物园游览系统的游览方法，包括如下步骤：
(1)在图像获取部分使用手机内置摄像头获取动物图像信息T；
(2)通过不同的动物图片预先训练CNN卷积神经网络图像识别模型；
(3)将步骤(1)获取的动物图像信息T置入图像识别模型，得出结果数据集G＝G{G1，G2，G3...Gn}；其中n为动物种类编号；设动物种类为m，n∈[0,m]；
(4)建立动物模型N，N＝n；
(5)对模型数据进行处理的到模型数据集M＝M{1,2,3...N}；
(6)比较步骤(3)中得到的结果数据集G中各元素的大小，得到最大的元素Gn；
(7)调用与最大元素Gn对应的模型N在屏幕上显示。
进一步的，所述步骤(2)中通过不同的动物图片预先训练CNN卷积神经网络图像识别模型的具体步骤如下：
(2.1)将图片置于卷积层Conv1中，卷积核大小为1x 11，使用ReLU函数作为激活函数，输出C1；
(2.2)将C1置于卷积层Conv2中，卷积核大小为11x 1，使用ReLU函数作为激活函数，输出C2；
(2.3)输入C2，运用pooling函数降采样构建池化层输出P2；
(2.4)输入P2，卷积层Conv3中，卷积核为3x 3，使用ReLU函数作为激活函数，输出C3；
(2.5)输入C3，运用pooling函数降采样构建池化层P3；
(2.6)输入P3，卷积层Conv4中，卷积核大小为3x 3，使用ReLU函数作为激活函数，输出C4；
(2.7)输入C4，运用pooling函数降采样构建池化层P4；
(2.8)输入P4.卷积层Conv5中，卷积核大小为3x 3，使用ReLU函数作为激活函数，输出C5；
(2.9)输入C5，运用pooling函数降采样构建池化层P5；
(2.10)输入P5卷积层Conv6中，卷积核大小为3x 3，使用ReLU函数作为激活函数，输出C6；
(2.11)输入C6卷积层Conv7中，卷积核大小为3x 3，使用ReLU函数作为激活函数，输出C7；
(2.12)输入C7运用pooling函数降采样构建池化层P7；
(2.13)构建全连接层fc8，以ReLU函数作为激励函数，神经元个数定义为 4096；
(2.14)构建全连接层fc9，以ReLU函数作为激励函数，神经元个数定义为 4096；
(2.15)构建全连接层fc10，以ReLU函数作为激励函数，神经元个数定义为1000，结合softmax逻辑回归行分类。
进一步的，所述步骤(3)中将动物图像信息T置入图像识别模型进行训练，得出结果数据集G的具体步骤如下：
(3.1)定义循环变量为t,并赋值t＝1；
(3.2)人工对动物图片打标签，标签记为1，2，…,n；其中n为动物种类编号，得到xml格式的文件；
(3.3)初始化图片和标签，遍历图片，将图片处理成符合要求的大小后，将图片储存为tfrecords格式；
(3.4)判断图片储存格式是否为tfrecords格式，如是执行步骤(3.5)，如不是则返回步骤(3.3)；
(3.5)根据步骤(2.1)到(2.15)的CNN图像识别训练模型构建步骤之中；
(3.6)t＝t+1
(3.7)当t<1000时执行步骤(3.5)，否则执行步骤(3.9)；
(3.8)停止训练。
进一步的，所述步骤(7)中通过图像显示单元显示最大元素Gn对应的动物模型N的具体步骤如下：
(7.1)通过摄像头获取动物图片；
(7.2)调用CNN图像识别训练模型；
(7.3)输入图像；
(7.4)识别动物图片，识别失败执行步骤(4.3)，否则执行步骤(4.5)；
(7.5)连接模型数据库下载对应模型；
(7.6)通过屏幕展现模型。
与现有技术相比，本发明的优点在于：
(1)本发明使用简单：只需选择所需动物，即可查询动物的三维立体形象、生活习惯、生存环境等知识。为游客的游览过程提供了额外的科普环节，尤其适合对孩子进行有关动物的科普教育活动。
(2)本发明轻便、贴身：使用手机APP为载体，图像获取装置使用手机内置摄像头，便于操作，在拍摄动物照片的同时做到寓教于乐，留下纪念的同时有获得了知识，不需额外携带多余的器械。
(3)本发明提供动物的详细三维模型：游客观赏动物是往往只能在远处观看，无法详细观察动物的外形细节，本发明提供了动物的详细三维模型方便游客更详实的观察动物，提升游览体验。
附图说明
图1为本发明的结构示意图；
图2为本发明的总体流程图；
图3为图2中通过不同的动物图片预先训练CNN卷积神经网络图像识别模型的流程图；
图4为图2中将动物图像信息T置入图像识别模型进行训练，得出结果数据集G的流程图；
图5为图2中通过图像显示单元显示最大元素Gn对应的动物模型N的流程图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。
如图1-5示，本发明所述的一种基于AR和CNN算法的动物园游览系统，包括图像获取单元、图像处理单元、模型数据库和图像显示单元；所述图像获取单元与图像处理单元连接，所述图像处理单元与模型数据库均与图像显示单元连接；其中：
图像获取单元：通过图像获取单元获得动物图像T；
图像处理单元：通过图像处理单元用CNN图像识别算法对图像进行处理得出最大元素Gn；
模型数据库：构建动物模型N得到模型数据集M；
图像显示单元：调用与最大元素Gn对应的模型N在屏幕上显示。
根据如上述的一种基于AR和CNN算法的动物园游览系统的游览方法，利用 CNN卷积神经网络算法建立图像识别模型，弥补了AR增强现实技术中图像识别出现误差的问题，其中包括系统结构框图步骤A、CNN图像识别算法步骤C、训练图像识别模型步骤C，系统整体流程步骤D四部分：
系统整体流程步骤A1到A7如下
步骤A1：在图像获取部分使用手机内置摄像头获取动物图像信息T；
步骤A2：通过不同的动物图片预先训练CNN卷积神经网络图像识别模型；
步骤A3：将步骤A1获取的动物图像信息T置入图像识别模型，得出结果数据集G＝G{G1，G2，G3...Gn}；其中n为动物种类编号。设动物种类为m，n ∈[0,m]；
步骤A4：建立动物模型N，N＝n。
步骤A5：对模型数据进行处理的到模型数据集M＝M{1,2,3...N}
步骤A6：比较步骤A3中得到的结果数据集G中各元素的大小，得到最大的元素Gn；
步骤A7：调用与最大元素Gn对应的模型N在屏幕上显示
CNN图像识别训练模型构建步骤B1到B15如下：
步骤B1：将图片置于卷积层Conv1中，卷积核大小为1x 11，使用ReLU 函数作为激活函数，输出C1；
步骤B2：将C1置于卷积层Conv2中，卷积核大小为11x 1，使用ReLU函数作为激活函数，输出C2；
步骤B3：输入C2，运用pooling函数降采样构建池化层输出P2；
步骤B4：输入P2，卷积层Conv3中，卷积核为3x 3，使用ReLU函数作为激活函数，输出C3；
步骤B5：输入C3，运用pooling函数降采样构建池化层P3；
步骤B6：输入P3，卷积层Conv4中，卷积核大小为3x 3，使用ReLU函数作为激活函数，输出C4；
步骤B7：输入C4，运用pooling函数降采样构建池化层P4；
步骤B8：输入P4.卷积层Conv5中，卷积核大小为3x 3，使用ReLU函数作为激活函数，输出C5；
步骤B9：输入C5，运用pooling函数降采样构建池化层P5；
步骤B10：输入P5卷积层Conv6中，卷积核大小为3x 3，使用ReLU函数作为激活函数，输出C6；
步骤B11：输入C6卷积层Conv7中，卷积核大小为3x 3，使用ReLU函数作为激活函数，输出C7；
步骤B12：输入C7运用pooling函数降采样构建池化层P7；
步骤B13：构建全连接层fc8，以ReLU函数作为激励函数，神经元个数定义为4096；
步骤B14：构建全连接层fc9，以ReLU函数作为激励函数，神经元个数定义为4096；
步骤B15：构建全连接层fc10，以ReLU函数作为激励函数，神经元个数定义为1000，结合softmax逻辑回归行分类；
训练图像识别模型步骤C
步骤C1：定义循环变量为t,并赋值t＝1；
步骤C2：人工对动物图片打标签，标签记为1，2，…,n；其中n为动物种类编号，得到xml格式的文件；
步骤C3：初始化图片和标签，遍历图片，将图片处理成符合要求的大小后，将图片储存为tfrecords格式；
步骤C4：判断图片储存格式是否为tfrecords格式，如是执行步骤C5，如不是则返回步骤C3；
步骤C5：根据步骤B1到B15的CNN图像识别训练模型构建步骤之中；
步骤C6：t＝t+1
步骤C7：当t<1000时执行步骤C5，否则执行步骤C9；
步骤C8：停止训练
系统整体流程步骤D
步骤D1：通过摄像头获取动物图片；
步骤D2：调用CNN图像识别训练模型；
步骤D3：输入图像；
步骤D4：识别动物图片，识别失败执行步骤D3，否则执行步骤D5；步骤D5：连接模型数据库下载对应模型；
步骤D6：通过屏幕展现模型。

Claims (5)

1.一种基于AR和CNN算法的动物园游览系统，其特征在于，包括图像获取单元、图像处理单元、模型数据库和图像显示单元；所述图像获取单元与图像处理单元连接，所述图像处理单元与模型数据库均与图像显示单元连接；其中：
图像获取单元：通过图像获取单元获得动物图像T；
图像处理单元：通过图像处理单元用CNN图像识别算法对图像进行处理得出最大元素Gn；
模型数据库：构建动物模型N得到模型数据集M；
图像显示单元：调用与最大元素Gn对应的模型N在屏幕上显示。
2.根据权利要求1中所述的一种基于AR和CNN算法的动物园游览系统的游览方法，其特征在于：包括如下步骤：
(1)在图像获取部分使用手机内置摄像头获取动物图像信息T；
(2)通过不同的动物图片预先训练CNN卷积神经网络图像识别模型；
(3)将步骤(1)获取的动物图像信息T置入图像识别模型，得出结果数据集G＝G{G1，G2，G3...Gn}；其中n为动物种类编号；设动物种类为m，n∈[0,m]；
(4)建立动物模型N，N＝n；
(5)对模型数据进行处理的到模型数据集M＝M{1,2,3...N}；
(6)比较步骤(3)中得到的结果数据集G中各元素的大小，得到最大的元素Gn；
(7)调用与最大元素Gn对应的模型N在屏幕上显示。
3.根据权利要求2所述的一种基于AR和CNN算法的动物园游览方法，其特征在于：所述步骤(2)中通过不同的动物图片预先训练CNN卷积神经网络图像识别模型的具体步骤如下：
(2.1)将图片置于卷积层Conv1中，卷积核大小为1x11，使用ReLU函数作为激活函数，输出C1；
(2.2)将C1置于卷积层Conv2中，卷积核大小为11x1，使用ReLU函数作为激活函数，输出C2；
(2.3)输入C2，运用pooling函数降采样构建池化层输出P2；
(2.4)输入P2，卷积层Conv3中，卷积核为3x3，使用ReLU函数作为激活函数，输出C3；
(2.5)输入C3，运用pooling函数降采样构建池化层P3；
(2.6)输入P3，卷积层Conv4中，卷积核大小为3x3，使用ReLU函数作为激活函数，输出C4；
(2.7)输入C4，运用pooling函数降采样构建池化层P4；
(2.8)输入P4.卷积层Conv5中，卷积核大小为3x3，使用ReLU函数作为激活函数，输出C5；
(2.9)输入C5，运用pooling函数降采样构建池化层P5；
(2.10)输入P5卷积层Conv6中，卷积核大小为3x3，使用ReLU函数作为激活函数，输出C6；
(2.11)输入C6卷积层Conv7中，卷积核大小为3x3，使用ReLU函数作为激活函数，输出C7；
(2.12)输入C7运用pooling函数降采样构建池化层P7；
(2.13)构建全连接层fc8，以ReLU函数作为激励函数，神经元个数定义为4096；
(2.14)构建全连接层fc9，以ReLU函数作为激励函数，神经元个数定义为4096；
(2.15)构建全连接层fc10，以ReLU函数作为激励函数，神经元个数定义为1000，结合softmax逻辑回归行分类。
4.根据权利要求2所述的一种基于AR和CNN算法的动物园游览方法，其特征在于：所述步骤(3)中将动物图像信息T置入图像识别模型进行训练，得出结果数据集G的具体步骤如下：
(3.1)定义循环变量为t,并赋值t＝1；
(3.2)人工对动物图片打标签，标签记为1，2，…,n；其中n为动物种类编号，得到xml格式的文件；
(3.3)初始化图片和标签，遍历图片，将图片处理成符合要求的大小后，将图片储存为tfrecords格式；
(3.4)判断图片储存格式是否为tfrecords格式，如是执行步骤(3.5)，如不是则返回步骤(3.3)；
(3.5)根据步骤(2.1)到(2.15)的CNN图像识别训练模型构建步骤之中；
(3.6)t＝t+1
(3.7)当t<1000时执行步骤(3.5)，否则执行步骤(3.9)；
(3.8)停止训练。
5.根据权利要求2所述的一种基于AR和CNN算法的动物园游览方法，其特征在于：所述步骤(7)中通过图像显示单元显示最大元素Gn对应的动物模型N的具体步骤如下：
(7.1)通过摄像头获取动物图片；
(7.2)调用CNN图像识别训练模型；
(7.3)输入图像；
(7.4)识别动物图片，识别失败执行步骤(4.3)，否则执行步骤(4.5)；
(7.5)连接模型数据库下载对应模型；
(7.6)通过屏幕展现模型。
CN201910293588.7A 2019-04-12 2019-04-12 一种基于ar和cnn算法的动物园游览系统及游览方法 Pending CN110188595A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910293588.7A CN110188595A (zh) 2019-04-12 2019-04-12 一种基于ar和cnn算法的动物园游览系统及游览方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910293588.7A CN110188595A (zh) 2019-04-12 2019-04-12 一种基于ar和cnn算法的动物园游览系统及游览方法

Publications (1)

Publication Number Publication Date
CN110188595A true CN110188595A (zh) 2019-08-30

Family

ID=67714155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910293588.7A Pending CN110188595A (zh) 2019-04-12 2019-04-12 一种基于ar和cnn算法的动物园游览系统及游览方法

Country Status (1)

Country Link
CN (1) CN110188595A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728630A (zh) * 2019-09-03 2020-01-24 北京爱博同心医学科技有限公司 基于增强现实的互联网图像处理方法及增强现实眼镜
CN113873216A (zh) * 2021-08-13 2021-12-31 兰州飞天网景信息产业有限公司 一种应用在动物园产业的xr产品构成系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180018539A1 (en) * 2016-07-12 2018-01-18 Beihang University Ranking convolutional neural network constructing method and image processing method and apparatus thereof
CN108875811A (zh) * 2018-06-01 2018-11-23 平安科技（深圳）有限公司 动物种类的分类方法、装置、计算机设备和存储介质
CN109087376A (zh) * 2018-07-31 2018-12-25 Oppo广东移动通信有限公司 图像处理方法、装置、存储介质及电子设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180018539A1 (en) * 2016-07-12 2018-01-18 Beihang University Ranking convolutional neural network constructing method and image processing method and apparatus thereof
CN108875811A (zh) * 2018-06-01 2018-11-23 平安科技（深圳）有限公司 动物种类的分类方法、装置、计算机设备和存储介质
CN109087376A (zh) * 2018-07-31 2018-12-25 Oppo广东移动通信有限公司 图像处理方法、装置、存储介质及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728630A (zh) * 2019-09-03 2020-01-24 北京爱博同心医学科技有限公司 基于增强现实的互联网图像处理方法及增强现实眼镜
CN113873216A (zh) * 2021-08-13 2021-12-31 兰州飞天网景信息产业有限公司 一种应用在动物园产业的xr产品构成系统

Similar Documents

Publication Publication Date Title
Zhang et al. Empowering things with intelligence: a survey of the progress, challenges, and opportunities in artificial intelligence of things
Caldera et al. Review of deep learning methods in robotic grasp detection
Yu et al. Sketch-a-net: A deep neural network that beats humans
CN110148120A (zh) 一种基于cnn与迁移学习的病害智能识别方法及系统
Alojaiman Technological modernizations in the industry 5.0 era: A descriptive analysis and future research directions
CN108961369A (zh) 生成3d动画的方法和装置
CN108416003A (zh) 一种图片分类方法和装置、终端、存储介质
Wu et al. ClothGAN: generation of fashionable Dunhuang clothes using generative adversarial networks
CN110532417A (zh) 基于深度哈希的图像检索方法、装置及终端设备
CN107132912A (zh) 一种gis与bim增强现实在建筑规划的互动演示方法及系统
US11734902B2 (en) Contextual control of digital files built on the blockchain and projected in augmented reality
CN110188595A (zh) 一种基于ar和cnn算法的动物园游览系统及游览方法
CN109978175A (zh) 用于机器学习模型的并行化坐标下降法
CN110427564A (zh) 将深度学习集成到广义加性混合效应（game）框架中
Giuffrida et al. A YOLOv2 convolutional neural network-based human–machine interface for the control of assistive robotic manipulators
As et al. Artificial intelligence in urban planning and design: Technologies, implementation, and impacts
Libo et al. Wireless multimedia sensor network for rape disease detections
CN116319862A (zh) 一种智能匹配数字图书馆的系统及方法
CN109766790A (zh) 一种基于自适应特征通道的行人检测方法
CN103714195B (zh) 在非对应数据集之间对基础设施布局进行绘图的方法和系统
Karimov et al. Comparing neural style transfer and gradient-based algorithms in brushstroke rendering tasks
Manzoor et al. 3D recognition based on sensor modalities for robotic systems: A survey
Jo et al. Generative artificial intelligence and building design: early photorealistic render visualization of façades using local identity-trained models
Galbraith et al. Implicit visualization and inverse modeling of growing trees
Wu et al. Artificial intelligence algorithms in ice and snow tourism promotion from digital technology

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190830

RJ01 Rejection of invention patent application after publication