CN112001864A - 一种基于深度学习的图像训练装置 - Google Patents
一种基于深度学习的图像训练装置 Download PDFInfo
- Publication number
- CN112001864A CN112001864A CN202010904896.1A CN202010904896A CN112001864A CN 112001864 A CN112001864 A CN 112001864A CN 202010904896 A CN202010904896 A CN 202010904896A CN 112001864 A CN112001864 A CN 112001864A
- Authority
- CN
- China
- Prior art keywords
- image
- deep learning
- processing unit
- training device
- unit
- 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.)
- Withdrawn
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 62
- 230000005284 excitation Effects 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims abstract description 6
- 238000005286 illumination Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 230000002457 bidirectional effect Effects 0.000 claims 1
- 238000000034 method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G06T5/73—
-
- G06T5/90—
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明属于图像处理技术领域，具体为一种基于深度学习的图像训练装置，包括底座和控制盒，所述底座的顶部中间设置有蓄电池，所述底座的顶部左侧和右侧设置有伸缩支架，所述伸缩支架的顶部设置有顶座，其结构合理，通过图像处理模块中的图像降噪、图像去模糊、图像去雾、图像去雨滴、低照度增强、边界增强对采集到的图像进行预处理，通过图像处理单元中的卷积层、激励层、池化层和连接层的配合，实现深度网络结构获取到更多高维度图像的特征用来处理图像，并且通过卷积运算使得参数得以控制，通过深度学习网络处理单元中的图像传感器、图像采集单元和图像输入接口，实现了图像处理，并将图像处理结果传输至应用处理单元，实现网络训练。
Description
技术领域
本发明涉及图像处理技术领域，具体为一种基于深度学习的图像训练装置。
背景技术
“深度学习是机器学习的一系列算法，它试图在多个层次中进行学习，每层对应于不同级别的抽象。它一般使用人工神经网络，学习到的统计模型中的不同层对应于不同级别的概念，高层概念取决于低层概念，而且同一低层的概念有助于确定多个高层概念。”
现有的基于深度学习的图像识别算法，它们的计算大多放到云端进行，终端计算能力不足导致现有的方案只能在终端上实现简单的深度学习网络。比如，现有人脸识别方案都是在终端实现人脸的检测，然后再将人脸图像数据放到云端进行匹配。这样的方式导致检测速度不及时，同时要负担云端的高额成本。同时现有的深度学习网络处理装置不能对所识别的图片进行预处理，因此在使用的过程中存在着一定的局限性，为此，我们提出一种基于深度学习的图像训练装置解决上述问题。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
因此，本发明的目的是提供一种基于深度学习的图像训练装置，能够实现对图像的预处理，保证深度学习网络装置的精准性和高效性。
为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
一种基于深度学习的图像训练装置，其包括底座和控制盒，所述底座的顶部中间设置有蓄电池，所述底座的顶部左侧和右侧设置有伸缩支架，所述伸缩支架的顶部设置有顶座，所述顶座的底部中间设置有伺服电机，所述伺服电机的顶部输出端贯穿顶座设置有转盘，所述转盘的顶部中间设置有控制盒，所述控制盒的顶部中间设置有高清摄像头，所述控制盒的内腔分别设置有处理器、获取单元、神经网络单元、图像处理单元和深度学习网络处理单元，处理器电性输入连接获取单元，获取单元电性输入连接高清摄像头，处理器双向连接神经网络单元和图像处理单元，处理器电性输出连接深度学习网络处理单元，深度学习网络处理单元电性输出连接传输单元；
其中，
图像处理单元包括图像降噪、图像去模糊、图像去雾、图像去雨滴、低照度增强、边界增强；
神经网络单元包括卷积层处理、激励层处理、池化层处理和连接层处理。
作为本发明所述的一种基于深度学习的图像训练装置的一种优选方案，其中：获取单元用于接收高清摄像头所采集到的图像，并获取图像中的图像特征。
作为本发明所述的一种基于深度学习的图像训练装置的一种优选方案，其中：深度学习网络处理单元用于实现深度网络结构获取到更多高维度图像的特征用来处理图像，结合图片特征预算出最合理的图片数据。
作为本发明所述的一种基于深度学习的图像训练装置的一种优选方案，其中：所述伺服电机和所述伸缩支架可通过遥控器和控制器遥控控制。
作为本发明所述的一种基于深度学习的图像训练装置的一种优选方案，其中：所述底座的底部四角设置有万向轮，所述万向轮上设置有限位器，所述控制盒的顶部两侧设置有补光灯。
与现有技术相比，本发明的有益效果是：通过该一种基于深度学习的图像训练装置的设置，结构设计合理，通过图像处理模块中的图像降噪、图像去模糊、图像去雾、图像去雨滴、低照度增强、边界增强对采集到的图像进行预处理，通过图像处理单元中的卷积层、激励层、池化层和连接层的配合，实现深度网络结构获取到更多高维度图像的特征用来处理图像，并且通过卷积运算使得参数得以控制，通过深度学习网络处理单元中的图像传感器、图像采集单元和图像输入接口，实现了图像处理，并将图像处理结果传输至应用处理单元。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明结构示意图；
图2为本发明系统框图；
图3为本发明图像处理单元结构示意图；
图4为本发明神经网络单元结构示意图。
图中；100底座、200蓄电池、300伸缩支架、400顶座、500伺服电机、600转盘、700控制盒、800补光灯、900高清摄像头。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施方式的限制。
其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明提供如下技术方案：一种基于深度学习的图像训练装置，实现对图像的预处理，保证深度学习网络装置的精准性和高效性；
请再次参阅图1至图4，底座100的顶部中间设置有蓄电池200，底座100的顶部左侧和右侧设置有伸缩支架300，伸缩支架300的顶部设置有顶座500，顶座500的底部中间设置有伺服电机400，伺服电机400的顶部输出端贯穿顶座500设置有转盘600，转盘600的顶部中间设置有控制盒700，控制盒700的顶部中间设置有高清摄像头900，控制盒700的内腔分别设置有处理器、获取单元、神经网络单元、图像处理单元和深度学习网络处理单元，处理器电性输入连接获取单元，获取单元电性输入连接高清摄像头900，处理器双向连接神经网络单元和图像处理单元，处理器电性输出连接深度学习网络处理单元，深度学习网络处理单元电性输出连接传输单元；
具体的，
底座100的顶部中间螺接有蓄电池200，底座100用于承载伸缩支架300，蓄电池200用于提供电能，底座100的顶部左侧和右侧焊接有伸缩支架300，伸缩支架300用于调节高度和支撑顶座500，伸缩支架300的顶部焊接有顶座500，顶座500用于承载转盘600和伺服电机400，顶座500的底部中间螺接有伺服电机400，伺服电机400用于调节角度，伺服电机400的顶部输出端贯穿顶座500转动连接有转盘600，转盘600用于承载控制盒700，转盘600的顶部中间螺接有控制盒700，控制盒700用于处置电子元件，控制盒700的顶部中间螺接有高清摄像头900，高清摄像用于采集图像，控制盒700的内腔分别设置有处理器、获取单元、神经网络单元、图像处理单元和深度学习网络处理单元，处理器电性输入连接获取单元，获取单元电性输入连接高清摄像头900，处理器双向连接神经网络单元和图像处理单元，处理器电性输出连接深度学习网络处理单元，深度学习网络处理单元电性输出连接传输单元，处理器用于接收和发送电路信号，获取单元用于接收高清摄像头900所采集到的图像，并获取图像中的图像特征，图像处理单元包括图像降噪、图像去模糊、图像去雾、图像去雨滴、低照度增强、边界增强，神经网络单元包括卷积层处理、激励层处理、池化层处理和连接层处理，深度学习网络处理单元用于实现深度网络结构获取到更多高维度图像的特征用来处理图像，结合图片特征预算出最合理的图片数据。
工作原理：在使用的过程中，通过图像处理模块中的图像降噪、图像去模糊、图像去雾、图像去雨滴、低照度增强、边界增强对采集到的图像进行预处理，通过图像处理单元中的卷积层、激励层、池化层和连接层的配合，实现深度网络结构获取到更多高维度图像的特征用来处理图像，并且通过卷积运算使得参数得以控制，通过深度学习网络处理单元中的图像传感器、图像采集单元和图像输入接口，实现了图像处理，并将图像处理结果传输至应用处理单元，实现网络训练。
虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。
Claims (5)
1.一种基于深度学习的图像训练装置，其特征在于：包括底座(100)和控制盒(700)，所述底座(100)的顶部中间设置有蓄电池(200)，所述底座(100)的顶部左侧和右侧设置有伸缩支架(300)，所述伸缩支架(300)的顶部设置有顶座(500)，所述顶座(500)的底部中间设置有伺服电机(400)，所述伺服电机(400)的顶部输出端贯穿顶座(500)设置有转盘(600)，所述转盘(600)的顶部中间设置有控制盒(700)，所述控制盒(700)的顶部中间设置有高清摄像头(900)，所述控制盒(700)的内腔分别设置有处理器、获取单元、神经网络单元、图像处理单元和深度学习网络处理单元，处理器电性输入连接获取单元，获取单元电性输入连接高清摄像头(900)，处理器双向连接神经网络单元和图像处理单元，处理器电性输出连接深度学习网络处理单元，深度学习网络处理单元电性输出连接传输单元；
其中，
图像处理单元包括图像降噪、图像去模糊、图像去雾、图像去雨滴、低照度增强、边界增强；
神经网络单元包括卷积层处理、激励层处理、池化层处理和连接层处理。
2.根据权利要求1所述的一种基于深度学习的图像训练装置，其特征在于：获取单元用于接收高清摄像头(900)所采集到的图像，并获取图像中的图像特征。
3.根据权利要求1所述的一种基于深度学习的图像训练装置，其特征在于：深度学习网络处理单元用于实现深度网络结构获取到更多高维度图像的特征用来处理图像，结合图片特征预算出最合理的图片数据。
4.根据权利要求1所述的一种基于深度学习的图像训练装置，其特征在于：所述伺服电机(400)和所述伸缩支架(300)可通过遥控器和控制器遥控控制。
5.根据权利要求1所述的一种基于深度学习的图像训练装置，其特征在于：所述底座(100)的底部四角设置有万向轮，所述万向轮上设置有限位器，所述控制盒(700)的顶部两侧设置有补光灯(800)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010904896.1A CN112001864A (zh) | 2020-09-01 | 2020-09-01 | 一种基于深度学习的图像训练装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010904896.1A CN112001864A (zh) | 2020-09-01 | 2020-09-01 | 一种基于深度学习的图像训练装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112001864A true CN112001864A (zh) | 2020-11-27 |
Family
ID=73465052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010904896.1A Withdrawn CN112001864A (zh) | 2020-09-01 | 2020-09-01 | 一种基于深度学习的图像训练装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001864A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117315214A (zh) * | 2023-11-29 | 2023-12-29 | 深圳觉明人工智能有限公司 | 一种基于深度学习的图像处理装置 |
-
2020
- 2020-09-01 CN CN202010904896.1A patent/CN112001864A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117315214A (zh) * | 2023-11-29 | 2023-12-29 | 深圳觉明人工智能有限公司 | 一种基于深度学习的图像处理装置 |
| CN117315214B (zh) * | 2023-11-29 | 2024-02-27 | 深圳觉明人工智能有限公司 | 一种基于深度学习的图像处理装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN204855400U (zh) | 斜拉索pe保护层损伤检测装置及其控制电路 | |
| CN105067630A (zh) | 斜拉索pe保护层损伤检测装置及其控制电路、控制方法 | |
| CN108107837A (zh) | 一种基于视觉引导的玻璃加工装置及方法 | |
| CN103747667A (zh) | 一种用于笔记本电池自动装盒的视觉检测和控制系统 | |
| CN109760635B (zh) | 一种基于gan网络的线控雨刷控制系统 | |
| CN112001864A (zh) | 一种基于深度学习的图像训练装置 | |
| CN209063135U (zh) | 一种智能盘点机器人 | |
| CN113298792A (zh) | 基于ai视觉的皮带跑偏监测调速控制装置及方法 | |
| CN110827355B (zh) | 一种基于视频图像坐标的移动目标快速定位方法及系统 | |
| CN105931177A (zh) | 特定环境下的图像采集处理装置及其方法 | |
| CN203443592U (zh) | 一种基于动态图像识别的车载人工智能系统 | |
| CN115663665A (zh) | 一种基于双目视觉的保护屏柜空开状态核验装置及方法 | |
| CN204929020U (zh) | 一种全景图像拍摄装置 | |
| CN206260027U (zh) | 摄像组件及电子设备 | |
| CN112866583B (zh) | 数据采集系统、方法、装置、电子设备及存储介质 | |
| CN113054902B (zh) | 一种基于深度学习的沿海太阳能智能发电系统 | |
| CN106803252A (zh) | 一种输电线路塔号牌污浊定位与自动检测方法 | |
| CN210761342U (zh) | 一种基于无人机的反光干扰装置 | |
| CN107194385A (zh) | 一种智能车牌识别系统 | |
| CN207987563U (zh) | 一种家庭用智能晾衣架 | |
| CN208497002U (zh) | 一种机器人视觉多态模组 | |
| CN111681425A (zh) | 一种基于智能交通图像识别装置 | |
| CN204481941U (zh) | 多相机扫描成像装置 | |
| CN111917157A (zh) | 一种巡检机器人自动充电方法、系统、设备和存储介质 | |
| CN217443889U (zh) | 一种基于colmap库的植物三维重建系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201127 |