CN110705395A - 一种基于树莓派的检测系统 - Google Patents
一种基于树莓派的检测系统 Download PDFInfo
- Publication number
- CN110705395A CN110705395A CN201910879575.8A CN201910879575A CN110705395A CN 110705395 A CN110705395 A CN 110705395A CN 201910879575 A CN201910879575 A CN 201910879575A CN 110705395 A CN110705395 A CN 110705395A
- Authority
- CN
- China
- Prior art keywords
- raspberry
- image data
- model
- detection system
- camera
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种基于树莓派的检测系统,该检测系统包括:树莓派、摄像头和神经计算棒;摄像头、神经计算棒分别与树莓派连接;摄像头用于捕捉图像数据;树莓派用于当获取到摄像头捕捉的图像数据时,触发神经计算棒获取图像数据;神经计算棒用于将获取的图像数据输入至预设的目标识别模型中,得到目标识别模型输出的图像识别结果,并向树莓派发送图像识别结果。应用本发明实施例提供的方案在能够实现边缘化计算能力的基础上,还能够提高识别效率以达到实时性。
Description
技术领域
本发明涉及目标检测技术领域,特别涉及一种基于树莓派的检测系统。
背景技术
随着城市规模扩大所带来的公共安全问题越来越受到重视。传统城市视频监控系统前端摄像机内置计算能力较低,而新型的城市视频监控系统背后需要大型的服务器群作为支持,而大型的服务器群由于具有部署难度大、费用高和后续维护难的缺点,基于此,当下以边缘计算为基础的新型视频监控系统是未来发展趋势。要实现具有边缘计算能力的新型视频监控系统,需要利用轻型神经网络目标检测模型,将具有计算能力的硬件单元集成到原有的视频监控系统软硬件平台上,在平台上实现实时目标检测。
目前,现有技术提出一种基于树莓派的实时目标检测装置,该装置树莓派、摄像头和显示器;摄像头采集图像数据,树莓派将所采集的图像数据输入预先训练好的用于检测所述图像数据中所包含目标的目标检测模型中,得到所述目标检测模型输出的图像检测结果,并将所述图像检测结果发送至终端显示器中供用户观看。
但是该目标检测装置虽然具有体积小、结构简单、可适用于图像数据的目标检测的开发和利用,但是该检测装置忽略了树莓派作为一个小型计算机的计算力问题,单纯使用树莓派运行目标检测模型呈现的帧率将会非常差,实时性将完全达不到。
发明内容
本发明实施例的目的在于提供一种基于树莓派的检测系统,以提高识别效率达到实时性。
为达到上述目的,本发明实施例公开了一种基于树莓派的检测系统,包括:
一种基于树莓派的检测系统,所述装系统包括:树莓派、摄像头和神经计算棒;
所述摄像头、所述神经计算棒分别与所述树莓派连接;
所述摄像头用于捕捉图像数据;
所述树莓派用于当获取到所述摄像头捕捉的图像数据时,触发所述神经计算棒获取所述图像数据;
所述神经计算棒用于将获取的图像数据输入至预设的目标识别模型中,得到所述目标识别模型输出的图像识别结果,并向所述树莓派发送所述图像识别结果;其中,所述目标识别模型为:预先采用样本图像数据对深度卷积神经网络模型进行训练得到的、用于检测所述图像数据中所包含目标的模型。
进一步地,所述神经计算棒包括:模型优化器和推理引擎;
所述模型优化器用于将预设的目标识别模型转换为所述推理引擎可识别的中间文件;
所述推理引擎用于运行所述模型优化器发送的中间文件以对所述树莓派发送的图像数据进行图像识别,并向所述树莓派发送图像识别结果。
进一步地,所述中间文件为IR文件。
进一步地,IR文件包括.xml文件和.bin文件。
进一步地,所述模型优化器还用于从所述树莓派中获取预设时间内已识别的图像数据,并将所述图像数据作为新的样本图像数据,并利用所述样本图像数据和所述样本图像数据的图像识别结果对所述目标识别模型进行训练,得到新的目标识别模型。
进一步地,所述树莓派还用于展示所述图像识别结果。
进一步地,所述树莓派还用于与终端电连接以通过所述终端展示所述图像识别结果。
进一步地,所述检测系统还包括:终端。
进一步地,所述检测系统还包括:后台操控中心,所述后台操控中心与所述树莓派电连接,用于接收并展示所述树莓派实时发送的图像数据和所述图像数据的图像识别结果。
进一步地,在所述树莓派和所述后台操控中心上分别部署VNCviewer,并将所述树莓派的IP地址预先与所述后台操控中心绑定。
本发明实施例提供的一种基于树莓派的检测系统包括:树莓派、摄像头和神经计算棒;所述摄像头、所述神经计算棒分别与所述树莓派连接;所述摄像头用于捕捉图像数据;所述树莓派用于当获取到所述摄像头捕捉的图像数据时,触发所述神经计算棒获取所述图像数据;所述神经计算棒用于将获取的图像数据输入至预设的目标识别模型中,得到所述目标识别模型输出的图像识别结果,并向所述树莓派发送所述图像识别结果。相对于现有技术,本发明实施例不再使用云端服务器进行处理图像数据,而是利用神经计算棒配合树莓派实时、快递地完成对图像数据的识别处理,并能快速获得图像数据中目标的识别结果,也就是,将图像数据处理的计算量完全迁移到网络边缘的情况下,可见,应用本发明实施例提供的方案在能够实现边缘化计算能力的基础上,还能够提高识别效率以达到实时性。当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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。
图1为本发明实施例提供的第一种基于树莓派的检测系统的结构示意图;
图2为本发明实施例提供的神经计算棒的结构示意图;
图3为本发明实施例提供的第二种基于树莓派的检测系统的结构示意图。
101-摄像头,102-树莓派,103-神经计算棒,104-后台操控中心,1031-模型优化器,1032-推理引擎。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面通过具体实施例,对本发明进行详细说明。
参见图1,图1为本发明实施例提供的一种基于树莓派的检测系统的结构示意图,该系统包括:摄像头101、树莓派102和神经计算棒103;
所述摄像头101、所述神经计算棒103分别与所述树莓派102连接;
所述摄像头101用于捕捉图像数据;
所述树莓派102用于当获取到所述摄像头101捕捉的图像数据时,触发所述神经计算棒103获取所述图像数据;
所述神经计算棒103用于将获取的图像数据输入至预设的目标识别模型中,得到所述目标识别模型输出的图像识别结果,并向所述树莓派102发送所述图像识别结果;其中,所述目标识别模型为:预先采用样本图像数据对深度卷积神经网络模型进行训练得到的、用于检测所述图像数据中所包含目标的模型。
其中,树莓派102开发板是由英国树莓派102开发板基金会支持研发的一种小型计算机,尺寸只有银行卡大小,价格便宜,具有很好的硬软件兼容性。树莓派102开发板不仅自带简单的电脑操作系统,还具有很强的视频编码和解码能力。因此树莓派102开发板的开发可应用于视频目标检测领域模型的部署。
可以利用python代码编写连接接口将摄像头101、树莓派102和神经计算棒 103连接在一起,这三个接口分别为:其一,树莓派102调用神经计算棒103的接口;其二,树莓派102获取摄像头101捕捉图像数据如视频流;其三,神经计算棒103协助树莓派102识别和获取图像数据如视频流中的目标。
上述图像数据可以是单帧图像,也可以是视频流形成的多帧。
上述图像数据可以是摄像头101拍摄交通路口的车辆,也可以是摄像头101 拍摄在街道的人群,还可以是摄像头101在森林拍摄的动物,本发明实施例对此并不限定。
当图像数据为拍摄的包含车辆的图像数据时,则识别的目标为车辆;当图像数据为拍摄的包含动物的图像数据时,则识别的目标为动物;当图像数据为拍摄的包含人物的图像数据时,则识别的目标为人。
另外,上述识别的目标还可以是某一个指定的人,指定的动物或是指定的车辆。如:当图像数据为包含多个车辆的图像时,利用目标识别模型,可以从该包含多个车辆图像中,识别出指定的车辆。
当图像数据为包含多个动物的图像时,利用目标识别模型,可以从该包含多个动物图像中,识别出指定的动物。
当图像数据为包含多个人的图像时,利用目标识别模型,可以从该包含多个车辆图像中,识别出指定的人。
综上所述,本发明实施例提供的检测系统可以部署在需要识别各种目标的场景中,如家庭、学校、火车站、飞机场等公共场所所需的安防监控系统。
本发明实施例中检测系统的工作原理为:树莓派102在获取摄像头101捕捉的图像数据时,便会启动神经计算棒103,神经计算棒103利用预设的目标识别模型对树莓派102获取的图像数据进行识别,并向树莓派102发送识别后的图像识别结果。
本实施例相对于单纯使用树莓派102完成对目标检测模型的运行和图像的处理而言,单纯的树莓派102识别一帧的时间大概在4s左右,帧率将远远达不到实时性,而本发明实施例的检测系统可以达到20FPS的帧率,能达到实时性的要求。
由此可见,本发明实施例的基于树莓派102的检测系统包括:树莓派102、摄像头101和神经计算棒103;所述摄像头101、所述神经计算棒103分别与所述树莓派102连接;所述摄像头101用于捕捉图像数据;所述树莓派102用于当获取到所述摄像头101捕捉的图像数据时,触发所述神经计算棒103获取所述图像数据;所述神经计算棒103用于将获取的图像数据输入至预设的目标识别模型中,得到所述目标识别模型输出的图像识别结果,并向所述树莓派102发送所述图像识别结果。相对于现有技术,本发明实施例不再使用云端服务器进行处理图像数据,而是利用神经计算棒103配合树莓派102实时、快递地完成对图像数据的识别处理,并能快速获得图像数据中目标的识别结果,也就是,将图像数据处理的计算量完全迁移到网络边缘的情况下,可见,应用本发明实施例提供的方案在能够实现边缘化计算能力的基础上,还能够提高识别效率以达到实时性,另外,本发明实施例也不再使用任何服务器,可以降低检测成本。
在本发明的一个实施例中,如图2所示,上述神经计算棒103可以包括:模型优化器1031和推理引擎1032;
所述模型优化器1031用于将预设的目标识别模型转换为所述可识别的中间文件;
所述推理引擎1032用于运行所述模型优化器1031发送的中间文件以对所述树莓派102发送的图像数据进行图像识别,并向所述树莓派102发送图像识别结果。
其中,模型优化器1031是一个跨平台的命令行工具,可促进培训和部署环境之间的转换,执行静态模型分析,并调整深度学习模型如本发明实施例中的目标是被,以便在端点目标设备上实现最佳执行。模型优化器1031过程假设使用受支持的深度学习框架训练网络模型。如图1说明了部署训练有素的深度学习模型的典型工作流程。模型优化器1031生成网络的IR(Intermediate Representation,中间表示)文件,可以使用推理引擎1032读取,加载和推断。推理引擎1032API(Application Programming Interface,应用程序编程接口)在许多支持的平台上提供统一的API。Intermediate Representation是一对描述模型的文件:
(1).xml-描述网络拓扑
(2).bin-包含权重和偏差二进制数据。
推理引擎1032可以部署使用任何支持的深度学习框架训练的网络模型如 Caffe(Convolutional Architecture for Fast Feature Embedding,快速特征嵌入的卷积结构),TensorFlowTM。以便在端点目标设备即树莓派102上实现最佳执行。其中,TensorFlowTM是一个基于数据流编程的符号数学系统,被广泛应用于各类机器学习算法的编程实现。
为了执行推理引擎1032的推理,则推理引擎1032不再使用原始模型,而是使用其中间表示(IR文件),该中间表示(IR文件)针对深度学习网络模型在树莓派102上执行进行了优化。为了使用已经训练好的目标识别模型,则必须将目标识别模型生成IR文件,本实施例提出了模型优化器1031。
该模型优化器1031可以生成推理引擎1032可以识别的中间文件如 IR(Intermediate Representation)文件,则推理引擎1032便读取、加载和推断生成后的IR文件。这些IR文件可以包括描述网络拓扑的.xml文件和包含权重和偏差二进制数据.bin文件。
推理引擎1032使用了由英特尔开发的OpenVINOTM工具包,OpenVINOTM工具包可快速部署模拟人类视觉的应用程序和解决方案。该工具包基于卷积神经网络(ConvolutionalNeural Networks,CNN),可扩展硬件的计算机视觉(Computer vision,CV)工作负载,从而最大限度地提高性能。基于此,可以使用推理引擎1032的框架OpenVINOTM部署在树莓派102上。
树莓派102随时等待图像数据输入并对图像数据进行处理分析,使用opencv 的VideoCature函数可以获取摄像头101捕捉到的内容,再用read函数将视频流图像数据中的每一帧图像一一传递给神经计算棒103进行处理。也就是,树莓派102 在获取到摄像头101捕捉到的一帧帧图像后,使用神经计算棒103的OpenVINOTM工具包进行图像数据中目标的获取、目标的识别和分类,并将目标检测识别分类结果打印。
可见,本实施例的神经计算棒103可以包括:模型优化器1031和推理引擎 1032;所述模型优化器1031用于将预设的目标识别模型转换为所述推理引擎 1032可识别的中间文件;所述推理引擎1032用于运行所述模型优化器1031发送的中间文件以对所述树莓派102发送的图像数据进行图像识别,并向所述树莓派 102发送图像识别结果。能够将预先训练的目标识别模型应用在推理引擎1032 上,从而解决了协助树莓派102完成图像数据的识别,进而能够使得该检测系统实现边缘计算能力,提高识别效率。
在本发明的一个实施例中,所述模型优化器1031还用于从所述树莓派102 中获取预设时间内已识别的图像数据,并将所述图像数据作为新的样本图像数据,并利用所述样本图像数据和所述样本图像数据的图像识别结果对所述目标识别模型进行训练,得到新的目标识别模型。
由于目标识别模型使用一段时间后,可能对于与原来样本图像数据差别较大的图像,识别效率越来越低,可以一段时间后,使用新的样本图像数据对训练后的目标识别模型再次进行训练,以得到用于检测更多和更复杂的图像数据的新的目标识别模型。
模型优化器1031可以将新的目标识别模型生成IR文件,并向推理引擎1032 发送新的目标识别模型生成的IR文件,以使推理引擎1032利用新的目标识别模型识别图像数据,并向树莓派102发送图像识别结果。
另外,已识别的图像数据可以作为一部分样本图像数据,也可以采用原样本图像数据作为一部分图像数据,还可以用外部电子设备输入的样本图像数据作为一部分图像数据,对上述三部分样本图像数据中至少一部分样本图像数据作为待训练的样本图像数据。
可见,本实施例的模型优化器1031利用已识别的图像数据作为样本图像数据,对目标识别模型进行训练以得到新的目标识别模型,使得新的目标识别模型能够提高识别图像数据中目标的识别效率。
在本发明的一个实施例中,树莓派102还用于展示所述图像识别结果。
其中,树莓派102中设有可展示图像识别结果的显示屏,可以直接在该显示屏上显示图像识别结果。
可见,本实施例的树莓派102可以展示图像识别结果,使得用户可以较快地观看上述图像识别结果。
在本发明的一个实施例中,树莓派102还用于与终端电连接以通过所述终端展示所述图像识别结果。
用户可以在想要观看的场所观看上述图像识别结果,上述终端可以是大型显示屏,也可以电脑终端,还可以是移动设备终端,如平板电脑和手机等。
上述检测系统可以包括终端,也可以不包括终端。
可见,本实施例的树莓派102与终端电连接以通过所述终端展示所述图像识别结果。能够便于用户在便于观看的场所中的终端观看图像识别结果,提高用户的体验效果。
在本发明的一个实施例中,如图3所示,检测系统还包括:后台操控中心104,所述后台操控中心104与所述树莓派102电连接,用于接收并展示所述树莓派102 实时发送的图像数据和所述图像数据的图像识别结果,并控制所述树莓派102的工作过程。
其中,上述检测系统中可以包括多个树莓派102,每一树莓派102上均连接至少一个摄像头101和一个神经计算棒103。
也就是后台操控中心104均与每一树莓派102电连接,用于获取和操控每一树莓派102。
后台操控中心104可以采用VNC(Virtual Network Console,虚拟网络控制台),利用VNC分别对各路树莓派102传递回来的实时视频以及图像识别结果进行展示。
其中,VNC(Virtual Network Console,虚拟网络控制台)是一款优秀的远程控制工具软件,由著名的AT&T的欧洲研究实验室开发的。
VNC是基于UNIX和Linux操作系统的免费的开源软件,远程控制能力强大,高效实用,其性能与Windows和MAC中的任何远程控制软件相当。 VNC基本上是由两部分组成:一部分是客户端的应用程序如VNCviewer(Virtual Network Console viewer,虚拟网络控制台观看器);另外一部分是服务器端的应用程序如VNCserver(Virtual Network Consoleserver,虚拟网络控制台服务器)。
VNC的服务器端应用程序在UNIX和Linux操作系统中适应性很强,图形用户界面友好。在任何安装了客户端的应用程序VNCviewer的Linux平台的计算机都可方便地和安装了服务器端的应用程序VNCserver的计算机相互连接。
可见,使用远程控制软件VNC来实现树莓派102和后台操控中心104的实时通信与操控。
可见,本实施例的检测系统还包括:后台操控中心104,该后台操控中心104 可以接收并展示所述树莓派102实时发送的图像数据和所述图像数据的图像识别结果,并控制所述树莓派102的工作过程。不仅能够实时达到对树莓派102的控制,还能够实时获得图像识别结果和图像数据。另外,本实施例的检测系统主要成本集中在由摄像头101、树莓派102和神经计算棒103组成的摄像头101数据流硬件结构上,由于后台控制中心性能要求低,可见只需要有一台普通电脑即可完成操控,而不需服务器群的支持,可省下较大服务器成本,且随着摄像头101路数的增加,本实施例的检测系统能够节约成本的优势越明显。
在本发明的一个实施例中,在所述树莓派102和所述后台操控中心104上分别部署VNCviewer,并将所述树莓派102的IP地址预先与所述后台操控中心104 绑定。
当树莓派102存在多个时,则可以先通过不同的树莓派102ip地址与后台操控中心104进行连接绑定,再在树莓派102中启动VNCserver,然后在后台操控中心104上启动VNCviewer,通过相同的ip地址即可连接相对应树莓派102来完成在后台操控中心104对树莓派102进行远程控制。
可见,本实施例在树莓派102和所述后台操控中心104上分别部署 VNCviewer,并将所述树莓派102的IP地址预先与所述后台操控中心104绑定,能够实现树莓派102与后台操控中心104的同步,同时也增强了对树莓派102的操控和监控。同时本实施例可以较好地解决边缘计算、部署成本、和实时性三者矛盾问题的检测系统。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的设备中还存在另外的相同要素。
本发明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种基于树莓派的检测系统,其特征在于,所述装系统包括:摄像头(101)、树莓派(102)和神经计算棒(103);
所述摄像头、所述神经计算棒(103)分别与所述树莓派(102)连接;
所述摄像头(101)用于捕捉图像数据;
所述树莓派(102)用于当获取到所述摄像头(101)捕捉的图像数据时,触发所述神经计算棒(103)获取所述图像数据;
所述神经计算棒(103)用于将获取的图像数据输入至预设的目标识别模型中,得到所述目标识别模型输出的图像识别结果,并向所述树莓派(102)发送所述图像识别结果;其中,所述目标识别模型为:预先采用样本图像数据对深度卷积神经网络模型进行训练得到的、用于检测所述图像数据中所包含目标的模型。
2.如权利要求1所述的检测系统,其特征在于,所述神经计算棒(103)包括:模型优化器(1031)和推理引擎(1032);
所述模型优化器(1031)用于将预设的目标识别模型转换为所述推理引擎(1032)可识别的中间文件;
所述推理引擎(1032)用于运行所述模型优化器(1031)发送的中间文件以对所述树莓派(102)发送的图像数据进行图像识别,并向所述树莓派(102)发送图像识别结果。
3.如权利要求2所述的检测系统,其特征在于,所述中间文件为IR文件。
4.如权利要求3所述的检测系统,其特征在于,IR文件包括.xml文件和.bin文件。
5.如权利要求4所述的检测系统,其特征在于,所述模型优化器(1031)还用于从所述树莓派(102)中获取预设时间内已识别的图像数据,并将所述图像数据作为新的样本图像数据,并利用所述样本图像数据和所述样本图像数据的图像识别结果对所述目标识别模型进行训练,得到新的目标识别模型。
6.如权利要求1所述的检测系统,其特征在于,所述树莓派(102)还用于展示所述图像识别结果。
7.如权利要求1所述的检测系统,其特征在于,所述树莓派(102)还用于与终端电连接以通过所述终端展示所述图像识别结果。
8.如权利要求7所述的检测系统,其特征在于,所述检测系统还包括:终端。
9.如权利要求1~8中任一项所述的检测系统,其特征在于,所述检测系统还包括:后台操控中心(104),所述后台操控中心(104)与所述树莓派(102)电连接,用于接收并展示所述树莓派(102)实时发送的图像数据和所述图像数据的图像识别结果,并控制所述树莓派(102)的工作过程。
10.如权利要求9所述的检测系统,其特征在于,在所述树莓派(102)和所述后台操控中心(104)上分别部署虚拟网络控制台观看器VNCviewer,并将所述树莓派(102)的IP地址预先与所述后台操控中心(104)绑定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910879575.8A CN110705395A (zh) | 2019-09-18 | 2019-09-18 | 一种基于树莓派的检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910879575.8A CN110705395A (zh) | 2019-09-18 | 2019-09-18 | 一种基于树莓派的检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110705395A true CN110705395A (zh) | 2020-01-17 |
Family
ID=69194527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910879575.8A Pending CN110705395A (zh) | 2019-09-18 | 2019-09-18 | 一种基于树莓派的检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705395A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160321A (zh) * | 2020-02-10 | 2020-05-15 | 杭州大数云智科技有限公司 | 一种电瓶车上梯检测与预警系统 |
CN111259461A (zh) * | 2020-01-20 | 2020-06-09 | 北京科芮智盈技术有限公司 | 防窃照方法、终端设备及系统 |
CN111475154A (zh) * | 2020-03-17 | 2020-07-31 | 北京邮电大学 | 程序编辑系统、方法、电子设备及存储介质 |
CN111985621A (zh) * | 2020-08-24 | 2020-11-24 | 西安建筑科技大学 | 口罩佩戴实时检测的神经网络模型的搭建方法及实施系统 |
CN112116595A (zh) * | 2020-10-27 | 2020-12-22 | 河北农业大学 | 一种端到端的植物根系特征自动分割系统 |
CN112183374A (zh) * | 2020-09-29 | 2021-01-05 | 佛山科学技术学院 | 一种基于树莓派和深度学习的快递自动分拣装置及方法 |
CN112309068A (zh) * | 2020-10-29 | 2021-02-02 | 电子科技大学中山学院 | 一种基于深度学习的森林火灾预警方法 |
CN112818738A (zh) * | 2020-12-28 | 2021-05-18 | 贵州电网有限责任公司 | 基于神经计算棒的配网变压器实时识别设备及识别方法 |
CN113159166A (zh) * | 2021-04-19 | 2021-07-23 | 国网山东省电力公司威海供电公司 | 基于边缘计算的嵌入式图像识别检测方法、系统、介质及设备 |
CN113705763A (zh) * | 2020-05-20 | 2021-11-26 | 贵州电网有限责任公司 | 一种基于神经计算棒的配网变压器实时检测方法及系统 |
CN113743242A (zh) * | 2021-08-13 | 2021-12-03 | 成都理工大学 | 一种基于树莓派的滑坡体检测与识别方法 |
WO2023169053A1 (zh) * | 2022-03-07 | 2023-09-14 | 北京拙河科技有限公司 | 基于相机阵列的目标追踪方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107426542A (zh) * | 2017-08-08 | 2017-12-01 | 深圳市安软慧视科技有限公司 | 基于边缘计算的实时人工智能视频系统的硬件架构 |
CN109190545A (zh) * | 2018-08-27 | 2019-01-11 | 国网天津市电力公司 | 输电线路中的鸟巢自动识别系统及其方法和应用 |
CN208597123U (zh) * | 2018-09-04 | 2019-03-12 | 湖南大学 | 基于树莓派的行人识别处理终端 |
CN109740696A (zh) * | 2019-01-30 | 2019-05-10 | 亮风台(上海)信息科技有限公司 | 一种用于压板识别的方法与设备 |
CN109831650A (zh) * | 2019-02-18 | 2019-05-31 | 中国科学院半导体研究所 | 一种监控视频的处理系统及方法 |
CN209248553U (zh) * | 2018-12-26 | 2019-08-13 | 上海智臻智能网络科技股份有限公司 | 一种自动识别装置 |
-
2019
- 2019-09-18 CN CN201910879575.8A patent/CN110705395A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107426542A (zh) * | 2017-08-08 | 2017-12-01 | 深圳市安软慧视科技有限公司 | 基于边缘计算的实时人工智能视频系统的硬件架构 |
CN109190545A (zh) * | 2018-08-27 | 2019-01-11 | 国网天津市电力公司 | 输电线路中的鸟巢自动识别系统及其方法和应用 |
CN208597123U (zh) * | 2018-09-04 | 2019-03-12 | 湖南大学 | 基于树莓派的行人识别处理终端 |
CN209248553U (zh) * | 2018-12-26 | 2019-08-13 | 上海智臻智能网络科技股份有限公司 | 一种自动识别装置 |
CN109740696A (zh) * | 2019-01-30 | 2019-05-10 | 亮风台(上海)信息科技有限公司 | 一种用于压板识别的方法与设备 |
CN109831650A (zh) * | 2019-02-18 | 2019-05-31 | 中国科学院半导体研究所 | 一种监控视频的处理系统及方法 |
Non-Patent Citations (1)
Title |
---|
YI GE, MONIQUE JONES: "intel AI DEVCON 2018", 《INTERAIDC18 WORKSHOP》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259461A (zh) * | 2020-01-20 | 2020-06-09 | 北京科芮智盈技术有限公司 | 防窃照方法、终端设备及系统 |
CN111160321A (zh) * | 2020-02-10 | 2020-05-15 | 杭州大数云智科技有限公司 | 一种电瓶车上梯检测与预警系统 |
CN111475154A (zh) * | 2020-03-17 | 2020-07-31 | 北京邮电大学 | 程序编辑系统、方法、电子设备及存储介质 |
CN113705763A (zh) * | 2020-05-20 | 2021-11-26 | 贵州电网有限责任公司 | 一种基于神经计算棒的配网变压器实时检测方法及系统 |
CN113705763B (zh) * | 2020-05-20 | 2024-02-20 | 贵州电网有限责任公司 | 一种基于神经计算棒的配网变压器实时检测方法及系统 |
CN111985621A (zh) * | 2020-08-24 | 2020-11-24 | 西安建筑科技大学 | 口罩佩戴实时检测的神经网络模型的搭建方法及实施系统 |
CN112183374A (zh) * | 2020-09-29 | 2021-01-05 | 佛山科学技术学院 | 一种基于树莓派和深度学习的快递自动分拣装置及方法 |
CN112116595A (zh) * | 2020-10-27 | 2020-12-22 | 河北农业大学 | 一种端到端的植物根系特征自动分割系统 |
CN112309068A (zh) * | 2020-10-29 | 2021-02-02 | 电子科技大学中山学院 | 一种基于深度学习的森林火灾预警方法 |
CN112818738A (zh) * | 2020-12-28 | 2021-05-18 | 贵州电网有限责任公司 | 基于神经计算棒的配网变压器实时识别设备及识别方法 |
CN113159166A (zh) * | 2021-04-19 | 2021-07-23 | 国网山东省电力公司威海供电公司 | 基于边缘计算的嵌入式图像识别检测方法、系统、介质及设备 |
CN113743242A (zh) * | 2021-08-13 | 2021-12-03 | 成都理工大学 | 一种基于树莓派的滑坡体检测与识别方法 |
WO2023169053A1 (zh) * | 2022-03-07 | 2023-09-14 | 北京拙河科技有限公司 | 基于相机阵列的目标追踪方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705395A (zh) | 一种基于树莓派的检测系统 | |
CN109639481B (zh) | 一种基于深度学习的网络流量分类方法、系统及电子设备 | |
CN102906810B (zh) | 支持视觉受损的个体的扩增的现实全景 | |
CN105430337A (zh) | 一种远程教学直播系统 | |
US20090257730A1 (en) | Video server, video client device and video processing method thereof | |
CN105825568A (zh) | 便携式智能交互设备 | |
CN111047824B (zh) | 一种室内儿童看护联动控制预警方法及系统 | |
WO2016095374A1 (zh) | 一种视频监控方法和装置 | |
CN107845143A (zh) | 一种基于虚拟现实的装修现场展示系统 | |
CN115699082A (zh) | 缺陷检测方法及装置、存储介质及电子设备 | |
JP5271612B2 (ja) | 情報提示システム、情報提示方法、情報提示プログラムとその記憶媒体 | |
CN112651358A (zh) | 一种目标检测方法、装置、网络摄像机及存储介质 | |
Fawzi et al. | Embedded real-time video surveillance system based on multi-sensor and visual tracking | |
CN111783674A (zh) | 一种基于ar眼镜的人脸识别方法和系统 | |
CN112887601B (zh) | 拍摄方法、装置及电子设备 | |
KR102426934B1 (ko) | 영상 콘텐츠의 실시간 스트리밍 서비스를 제공하는 교육용 플랫폼 | |
CN104035548A (zh) | 一种翻页的方法及装置 | |
CN114581994A (zh) | 一种课堂考勤管理方法和系统 | |
DE112016001499T5 (de) | Informationsverarbeitungsvorrichtung, Informationsverarbeitungsverfahren und Programm | |
CN113505005A (zh) | 数据处理的方法、机器人、服务器、设备及存储介质 | |
CN105068708B (zh) | 一种指令获取、反馈方法及设备和云服务器 | |
CN109948403A (zh) | 基于树莓派的人脸识别系统 | |
CN113743242A (zh) | 一种基于树莓派的滑坡体检测与识别方法 | |
CN112449242A (zh) | 一种在线视频教学系统、方法及装置 | |
CN112053280A (zh) | 全景地图显示的方法、装置、设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |