CN113344092B - Ai的图像识别方法及终端装置 - Google Patents

Ai的图像识别方法及终端装置 Download PDF

Info

Publication number
CN113344092B
CN113344092B CN202110682453.7A CN202110682453A CN113344092B CN 113344092 B CN113344092 B CN 113344092B CN 202110682453 A CN202110682453 A CN 202110682453A CN 113344092 B CN113344092 B CN 113344092B
Authority
CN
China
Prior art keywords
picture
processor
rectangular blocks
values
input data
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.)
Active
Application number
CN202110682453.7A
Other languages
English (en)
Other versions
CN113344092A (zh
Inventor
朱新为
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.)
Cmac Information Technology Co ltd
Original Assignee
Cmac Information Technology Co ltd
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 Cmac Information Technology Co ltd filed Critical Cmac Information Technology Co ltd
Priority to CN202110682453.7A priority Critical patent/CN113344092B/zh
Publication of CN113344092A publication Critical patent/CN113344092A/zh
Application granted granted Critical
Publication of CN113344092B publication Critical patent/CN113344092B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Neurology (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供一种AI的图像识别方法及终端装置，所述方法应用于终端装置，所述终端装置包括：处理器、存储器、通信单元、摄像头和总线。本申请提供的技术方案具有降低功耗，减少计算量的优点。

Description

AI的图像识别方法及终端装置
技术领域
本申请涉及人工智能技术领域，尤其涉及一种AI的图像识别方法及终端装置。
背景技术
图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人货架、智能零售柜等无人零售领域。
随着人工智能(AI)的发展，AI对图像识别已经越来越多了，但是现有的AI图像识别的计算量大，导致运算效率低，功耗高。
发明内容
本申请实施例公开了一种AI的图像识别方法，能够提高运算效率，降低功耗。
本申请实施例第一方面提供一种AI的图像识别方法，所述终端装置包括：处理器、存储器、通信单元、摄像头和总线；其特征在于，所述方法包括如下步骤：
终端设备通过摄像头采集第一图片，将第一图片传输给通用处理器；
通用处理器对第一图片进行处理得到第一图片中每个像素点的RGB值，将第一图片划分成m*n个矩形块，提取第一图片的m*n个矩形块中的四个边角矩形块中的所有像素点的RGB值，统计得到四个边角矩形块中的所有像素点的RGB值中相同RGB值的像素点的数量，将数量最大值对应的RGB值确定为第一RGB值；
通用处理器计算m*n个矩形块中的剩余矩形块的所有像素点的RGB值与第一RGB值之间的差得到剩余矩形块中的每个矩形块的多个差值，对剩余矩形块中每个矩形块的多个差值计算平均值得到m*n-4个均值，将m*n-4个均值中大于等于第一阈值的均值保留得到x个均值，提取x个均值对应的x个矩形块，将x矩形块的像素点的RGB值形成输入数据，将该输入数据传输给AI处理器；
AI处理器对该输入数据执行神经网络运算得到该第一图片的类别。
第二方面，提供一种终端装置，所述终端装置包括：处理器、存储器、通信单元、摄像头和总线；
摄像头，用于采集第一图片，将第一图片传输给通用处理器；
通用处理器，用于对第一图片进行处理得到第一图片中每个像素点的RGB值，将第一图片划分成m*n个矩形块，提取第一图片的m*n个矩形块中的四个边角矩形块中的所有像素点的RGB值，统计得到四个边角矩形块中的所有像素点的RGB值中相同RGB值的像素点的数量，将数量最大值对应的RGB值确定为第一RGB值；
通用处理器，还用于计算m*n个矩形块中的剩余矩形块的所有像素点的RGB值与第一RGB值之间的差得到剩余矩形块中的每个矩形块的多个差值，对剩余矩形块中每个矩形块的多个差值计算平均值得到m*n-4个均值，将m*n-4个均值中大于等于第一阈值的均值保留得到x个均值，提取x个均值对应的x个矩形块，将x矩形块的像素点的RGB值形成输入数据，将该输入数据传输给AI处理器；
AI处理器，用于对该输入数据执行神经网络运算得到该第一图片的类别。
本申请实施例第三方面提供一种终端设备，包括处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行第一方面所述的方法中的步骤的指令。
本申请实施例第四方面公开了一种计算机可读存储介质，存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行第一方面所述的方法。
本申请实施例第五方面公开了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
本申请提供的技术方案终端设备通过摄像头采集第一图片，将第一图片传输给通用处理器；通用处理器对第一图片进行处理得到第一图片中每个像素点的RGB值，将第一图片划分成m*n个矩形块，提取第一图片的m*n个矩形块中的四个边角矩形块中的所有像素点的RGB值，统计得到四个边角矩形块中的所有像素点的RGB值中相同RGB值的像素点的数量，将数量最大值对应的RGB值确定为第一RGB值；通用处理器计算m*n个矩形块中的剩余矩形块(即m*n-4个矩形块)的所有像素点的RGB值与第一RGB值之间的差得到剩余矩形块中的每个矩形块的多个差值，对剩余矩形块中每个矩形块的多个差值计算平均值得到m*n-4个均值，将m*n-4个均值中大于等于第一阈值的均值保留得到x个均值，提取x个均值对应的x个矩形块，将x矩形块的像素点的RGB值形成输入数据，将该输入数据传输给AI处理器；AI处理器对该输入数据执行神经网络运算得到该第一图片的类别。上述技术方案在组成输入数据时，将第一图片中无关的矩形块的RGB值进行删除，仅仅保留有效的矩形块的像素点的RGB值，这样就能够减少输入数据的尺寸，进而减少运算量，提高运算效率，降低功耗。
附图说明
以下对本申请实施例用到的附图进行介绍。
图1是本申请实施例提供的一种终端设备的结构示意图；
图2是本申请实施例提供的一种AI的图像识别方法的流程示意图。
具体实施方式
下面结合本申请实施例中的附图对本申请实施例进行描述。
本申请中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，表示前后关联对象是一种“或”的关系。
本申请实施例中出现的“多个”是指两个或两个以上。本申请实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本申请实施例中对设备个数的特别限定，不能构成对本申请实施例的任何限制。本申请实施例中出现的“连接”是指直接连接或者间接连接等各种连接方式，以实现设备间的通信，本申请实施例对此不做任何限定。
本申请实施例的终端设备是一种具有无线通信功能的设备，可以称为终端(terminal)、用户设备(user equipment，UE)、移动台(mobile station，MS)、移动终端(mobile terminal，MT)、接入终端设备、车载终端设备、工业控制终端设备、UE单元、UE站、移动站、远方站、远程终端设备、移动设备、UE终端设备、无线通信设备、UE代理或UE装置等。终端设备可以是固定的或者移动的。需要说明的是，终端设备可以支持至少一种无线通信技术，例如LTE、新空口(new radio，NR)等。例如，终端设备可以是手机(mobile phone)、平板电脑(pad)、台式机、笔记本电脑、一体机、车载终端、虚拟现实(virtual reality，VR)终端设备、增强现实(augmented reality，AR)终端设备。
参阅图1，图1提供了一种终端设备的结构示意图，如图1所示，该终端具体可以包括：处理器、存储器、通信单元、摄像头和总线，其中，处理器、存储器、通信单元、摄像头通过总线连接。
示例的，上述处理器可以包括通用处理器以及人工智能处理器，上述人工智能。
上述通信单元可以支持多种通信协议，例如5G、LTE等等移动通信协议，当然也可以支持如WIFI、蓝牙等短距离通信协议。
终端还可以进一步包括电池，电力管理电路和其它输入-输出单元。输入-输出单元可以包括按钮，操纵杆，显示屏等。
参阅图2，图2提供了一种AI的图像识别方法，所述方法应用于如图1所示的终端设备，上述终端设备的具体结构可以如图1所示的，其中，所述方法包括如下步骤：
步骤S201、终端设备通过摄像头采集第一图片，将第一图片传输给通用处理器；
步骤S202、通用处理器对第一图片进行处理得到第一图片中每个像素点的RGB值，将第一图片划分成m*n个矩形块，提取第一图片的m*n个矩形块中的四个边角矩形块中的所有像素点的RGB值，统计得到四个边角矩形块中的所有像素点的RGB值中相同RGB值的像素点的数量，将数量最大值对应的RGB值确定为第一RGB值；
上述m*n个矩形块可以为，将第一图片按长度、高度分别设置m条横线和n条竖线得到m*n个矩形块。
上述四个边角矩形块具体可以为，第一图片左上角、左下角、右下角、右上角的四个矩形块。
步骤S203、通用处理器计算m*n个矩形块中的剩余矩形块(即m*n-4个矩形块)的所有像素点的RGB值与第一RGB值之间的差得到剩余矩形块中的每个矩形块的多个差值，对剩余矩形块中每个矩形块的多个差值计算平均值得到m*n-4个均值，将m*n-4个均值中大于等于第一阈值的均值保留得到x个均值，提取x个均值对应的x个矩形块，将x矩形块的像素点的RGB值形成输入数据，将该输入数据传输给AI处理器；
步骤S204、AI处理器对该输入数据执行神经网络运算得到该第一图片的类别。
本申请提供的技术方案终端设备通过摄像头采集第一图片，将第一图片传输给通用处理器；通用处理器对第一图片进行处理得到第一图片中每个像素点的RGB值，将第一图片划分成m*n个矩形块，提取第一图片的m*n个矩形块中的四个边角矩形块中的所有像素点的RGB值，统计得到四个边角矩形块中的所有像素点的RGB值中相同RGB值的像素点的数量，将数量最大值对应的RGB值确定为第一RGB值；通用处理器计算m*n个矩形块中的剩余矩形块(即m*n-4个矩形块)的所有像素点的RGB值与第一RGB值之间的差得到剩余矩形块中的每个矩形块的多个差值，对剩余矩形块中每个矩形块的多个差值计算平均值得到m*n-4个均值，将m*n-4个均值中大于等于第一阈值的均值保留得到x个均值，提取x个均值对应的x个矩形块，将x矩形块的像素点的RGB值形成输入数据，将该输入数据传输给AI处理器；AI处理器对该输入数据执行神经网络运算得到该第一图片的类别。上述技术方案在组成输入数据时，将第一图片中无关的矩形块的RGB值进行删除，仅仅保留有效的矩形块的像素点的RGB值，这样就能够减少输入数据的尺寸，进而减少运算量，提高运算效率，降低功耗。
对于图像的识别，现有的识别方式是将第一图片中所有的区域组成输入数据，例如一个1000*800像素点的第一图片组成的输入数据为1000*800*3的输入数据，其中3表示一个RGB中的三个值(分别可以为R、G、B值)，但是对于类型识别来说，对于边缘位置的像素点(一般为背景区域的像素点)对于运算的结果不仅没有正向的作用，增加这些区域的像素点以后会有反向的作用，此作用相当于对输入数据的稀释，因此需要将与边缘位置的像素点比较相近的矩形块去除，只保留那些需要的矩形块，降低输入数据的尺寸的同时，减少计算量，降低功耗。
示例的，上述步骤S204的具体实现方式具体可以包括：
AI处理器对该输入数据执行n层卷积运算得到卷积运算结果，将该卷积运算结果执行全连接运算得到全连接运算结果，依据全连接运算结果得到第一图片的类别。
上述类别可以为分类的类别，例如具体什么物品，电视机、手机等等，当然也可以为其他的类别，具体可以依据不同的分类确定不同的类别。
示例的，上述依据全连接运算结果得到第一图片的类别具体可以包括：
将全连接运算结果与预设第一类别的模板结果执行差值运算得到第一差值矩阵(也可以为向量)，计算第一差值矩阵的所有元素值的第一平均值，若该第一平均值大于第二阈值，继续与预设的其他类别的模板结果执行差值运算得到其他差值矩阵的所有元素值的平均值直至确定第i类别的模板结果对应的平均值小于等于第二阈值时，确定该第一图片的类别为第i类别，若该第一平均值小于等于第二阈值，确定该第一图片的类别为第一类别。
示例的，上述AI处理器包括：一个主处理器和多个从处理器，多个从处理器与主处理器连接；
所述主处理器，用于接收输入数据和权值数据，将输入数据和权值数据发送至多个从处理器；
多个从处理器，用于对输入数据和权值数据并行执行卷积运算；
所述主处理器，还用于执行全连接运算。
参阅图1，提供一种终端装置，所述终端装置包括：处理器、存储器、通信单元、摄像头和总线；
摄像头，用于采集第一图片，将第一图片传输给通用处理器；
通用处理器，用于对第一图片进行处理得到第一图片中每个像素点的RGB值，将第一图片划分成m*n个矩形块，提取第一图片的m*n个矩形块中的四个边角矩形块中的所有像素点的RGB值，统计得到四个边角矩形块中的所有像素点的RGB值中相同RGB值的像素点的数量，将数量最大值对应的RGB值确定为第一RGB值；
通用处理器，还用于计算m*n个矩形块中的剩余矩形块的所有像素点的RGB值与第一RGB值之间的差得到剩余矩形块中的每个矩形块的多个差值，对剩余矩形块中每个矩形块的多个差值计算平均值得到m*n-4个均值，将m*n-4个均值中大于等于第一阈值的均值保留得到x个均值，提取x个均值对应的x个矩形块，将x矩形块的像素点的RGB值形成输入数据，将该输入数据传输给AI处理器；
AI处理器，用于对该输入数据执行神经网络运算得到该第一图片的类别。
示例的，
AI处理器，具体用于对该输入数据执行n层卷积运算得到卷积运算结果，将该卷积运算结果执行全连接运算得到全连接运算结果，依据全连接运算结果得到第一图片的类别。
示例的，
AI处理器，具体用于将全连接运算结果与预设第一类别的模板结果执行差值运算得到第一差值矩阵，计算第一差值矩阵的所有元素值的第一平均值，若该第一平均值大于第二阈值，继续与预设的其他类别的模板结果执行差值运算得到其他差值矩阵的所有元素值的平均值直至确定第i类别的模板结果对应的平均值小于等于第二阈值时，确定该第一图片的类别为第i类别，若该第一平均值小于等于第二阈值，确定该第一图片的类别为第一类别。
示例的，
AI处理器包括：一个主处理器和多个从处理器，多个从处理器与主处理器连接；
所述主处理器，用于接收输入数据和权值数据，将输入数据和权值数据发送至多个从处理器；
多个从处理器，用于对输入数据和权值数据并行执行卷积运算；
所述主处理器，用于执行全连接运算。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当其在网络设备上运行时，图2所示的方法流程得以实现。
本申请实施例还提供一种计算机程序产品，当所述计算机程序产品在终端上运行时，图2所示的方法流程得以实现。
本申请实施例还提供一种终端，包括处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行图2所示实施例的方法中的步骤的指令。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种AI的图像识别方法，所述方法应用于终端装置，所述终端装置包括：处理器、存储器、通信单元、摄像头和总线；其特征在于，所述方法包括如下步骤：
终端设备通过摄像头采集第一图片，将第一图片传输给通用处理器；
通用处理器对第一图片进行处理得到第一图片中每个像素点的RGB值，将第一图片划分成m*n个矩形块，提取第一图片的m*n个矩形块中的四个边角矩形块中的所有像素点的RGB值，统计得到四个边角矩形块中的所有像素点的RGB值中相同RGB值的像素点的数量，将数量最大值对应的RGB值确定为第一RGB值；
通用处理器计算m*n个矩形块中的剩余矩形块的所有像素点的RGB值与第一RGB值之间的差得到剩余矩形块中的每个矩形块的多个差值，对剩余矩形块中每个矩形块的多个差值计算平均值得到m*n-4个均值，将m*n-4个均值中大于等于第一阈值的均值保留得到x个均值，提取x个均值对应的x个矩形块，将x矩形块的像素点的RGB值形成输入数据，将该输入数据传输给AI处理器；
AI处理器对该输入数据执行神经网络运算得到该第一图片的类别；具体包括：AI处理器对该输入数据执行n层卷积运算得到卷积运算结果，将该卷积运算结果执行全连接运算得到全连接运算结果，依据全连接运算结果得到第一图片的类别。
2.根据权利要求1所述的方法，其特征在于，所述AI处理器对该输入数据执行神经网络运算得到该第一图片的类别具体包括：
AI处理器对该输入数据执行n层卷积运算得到卷积运算结果，将该卷积运算结果执行全连接运算得到全连接运算结果，依据全连接运算结果得到第一图片的类别。
3.根据权利要求2所述的方法，其特征在于，所述依据全连接运算结果得到第一图片的类别具体包括：
将全连接运算结果与预设第一类别的模板结果执行差值运算得到第一差值矩阵，计算第一差值矩阵的所有元素值的第一平均值，若该第一平均值大于第二阈值，继续与预设的其他类别的模板结果执行差值运算得到其他差值矩阵的所有元素值的平均值直至确定第i类别的模板结果对应的平均值小于等于第二阈值时，确定该第一图片的类别为第i类别，若该第一平均值小于等于第二阈值，确定该第一图片的类别为第一类别。
4.根据权利要求2所述的方法，其特征在于，AI处理器包括：一个主处理器和多个从处理器，多个从处理器与主处理器连接；
所述主处理器接收输入数据和权值数据，将输入数据和权值数据发送至多个从处理器；
多个从处理器对输入数据和权值数据并行执行卷积运算；
所述主处理器执行全连接运算。
5.一种终端装置，所述终端装置包括：处理器、存储器、通信单元、摄像头和总线；其特征在于，
摄像头，用于采集第一图片，将第一图片传输给通用处理器；
通用处理器，用于对第一图片进行处理得到第一图片中每个像素点的RGB值，将第一图片划分成m*n个矩形块，提取第一图片的m*n个矩形块中的四个边角矩形块中的所有像素点的RGB值，统计得到四个边角矩形块中的所有像素点的RGB值中相同RGB值的像素点的数量，将数量最大值对应的RGB值确定为第一RGB值；
通用处理器，还用于计算m*n个矩形块中的剩余矩形块的所有像素点的RGB值与第一RGB值之间的差得到剩余矩形块中的每个矩形块的多个差值，对剩余矩形块中每个矩形块的多个差值计算平均值得到m*n-4个均值，将m*n-4个均值中大于等于第一阈值的均值保留得到x个均值，提取x个均值对应的x个矩形块，将x矩形块的像素点的RGB值形成输入数据，将该输入数据传输给AI处理器；
AI处理器，用于对该输入数据执行神经网络运算得到该第一图片的类别；具体用于对该输入数据执行n层卷积运算得到卷积运算结果，将该卷积运算结果执行全连接运算得到全连接运算结果，依据全连接运算结果得到第一图片的类别。
6.根据权利要求5所述的终端装置，其特征在于，
AI处理器，具体用于对该输入数据执行n层卷积运算得到卷积运算结果，将该卷积运算结果执行全连接运算得到全连接运算结果，依据全连接运算结果得到第一图片的类别。
7.根据权利要求6所述的终端装置，其特征在于，
AI处理器，具体用于将全连接运算结果与预设第一类别的模板结果执行差值运算得到第一差值矩阵，计算第一差值矩阵的所有元素值的第一平均值，若该第一平均值大于第二阈值，继续与预设的其他类别的模板结果执行差值运算得到其他差值矩阵的所有元素值的平均值直至确定第i类别的模板结果对应的平均值小于等于第二阈值时，确定该第一图片的类别为第i类别，若该第一平均值小于等于第二阈值，确定该第一图片的类别为第一类别。
8.根据权利要求5所述的终端装置，其特征在于，AI处理器包括：一个主处理器和多个从处理器，多个从处理器与主处理器连接；
所述主处理器，用于接收输入数据和权值数据，将输入数据和权值数据发送至多个从处理器；
多个从处理器，用于对输入数据和权值数据并行执行卷积运算；
所述主处理器，用于执行全连接运算。
9.一种终端设备，其特征在于，所述终端设备包括：处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如权利要求1-4任意一项所述的方法中的步骤的指令。
10.一种计算机可读存储介质，其特征在于，存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1-4任意一项所述的方法。
CN202110682453.7A 2021-06-18 2021-06-18 Ai的图像识别方法及终端装置 Active CN113344092B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110682453.7A CN113344092B (zh) 2021-06-18 2021-06-18 Ai的图像识别方法及终端装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110682453.7A CN113344092B (zh) 2021-06-18 2021-06-18 Ai的图像识别方法及终端装置

Publications (2)

Publication Number Publication Date
CN113344092A CN113344092A (zh) 2021-09-03
CN113344092B true CN113344092B (zh) 2022-10-11

Family

ID=77477807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110682453.7A Active CN113344092B (zh) 2021-06-18 2021-06-18 Ai的图像识别方法及终端装置

Country Status (1)

Country Link
CN (1) CN113344092B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2812890A1 (en) * 2004-05-04 2005-11-04 Intelliview Technologies Inc. Mesh based frame processing and applications
CN108241857A (zh) * 2018-02-23 2018-07-03 王珏 人脸识别方法及相关产品
CN110832855A (zh) * 2017-07-03 2020-02-21 汉阳大学校产学协力团 利用包含追加区域的分割单位的影像解码方法以及装置
CN111881813A (zh) * 2020-07-24 2020-11-03 深圳市卡联科技股份有限公司 人脸识别终端的数据存储方法及系统
WO2020233010A1 (zh) * 2019-05-23 2020-11-26 平安科技（深圳）有限公司 基于可分割卷积网络的图像识别方法、装置及计算机设备
CN112088394A (zh) * 2018-07-24 2020-12-15 狄希斯医药有限公司 生物组织的计算机分类

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4885789B2 (ja) * 2007-05-14 2012-02-29 富士通株式会社 画像処理方法、画像領域検出方法、画像処理プログラム、画像領域検出プログラム、画像処理装置、および、画像領域検出装置
AU2007254661A1 (en) * 2007-12-24 2009-07-09 Canon Kabushiki Kaisha Printing and authentication of a security document on a substrate
CN101710387B (zh) * 2009-10-29 2013-02-06 中国科学院对地观测与数字地球科学中心 一种高分辨率遥感图像智能分类方法
US8629913B2 (en) * 2010-09-30 2014-01-14 Apple Inc. Overflow control techniques for image signal processing
JP5730274B2 (ja) * 2012-11-27 2015-06-03 京セラドキュメントソリューションズ株式会社 画像処理装置
WO2016074745A1 (en) * 2014-11-14 2016-05-19 Huawei Technologies Co., Ltd. Systems and methods for processing a block of a digital image
US9911023B2 (en) * 2015-08-17 2018-03-06 Hand Held Products, Inc. Indicia reader having a filtered multifunction image sensor
CN109886130B (zh) * 2019-01-24 2021-05-28 上海媒智科技有限公司 目标对象的确定方法、装置、存储介质和处理器
CN109961444B (zh) * 2019-03-01 2022-12-20 腾讯科技（深圳）有限公司 图像处理方法、装置及电子设备
CN110717452B (zh) * 2019-10-09 2022-04-19 Oppo广东移动通信有限公司 图像识别方法、装置、终端及计算机可读存储介质
CN111160286B (zh) * 2019-12-31 2023-02-28 中国电子科技集团公司信息科学研究院 一种视频真伪鉴别方法
CN111476239A (zh) * 2020-05-28 2020-07-31 北京易真学思教育科技有限公司 图像方向的确定方法、装置和电子设备
CN112583900B (zh) * 2020-12-02 2023-04-07 深圳市互盟科技股份有限公司 云计算的数据处理方法及相关产品
CN112652076B (zh) * 2020-12-16 2022-12-20 长沙静态交通投资运营有限公司 智慧园区的停车付费管理系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2812890A1 (en) * 2004-05-04 2005-11-04 Intelliview Technologies Inc. Mesh based frame processing and applications
CN110832855A (zh) * 2017-07-03 2020-02-21 汉阳大学校产学协力团 利用包含追加区域的分割单位的影像解码方法以及装置
CN108241857A (zh) * 2018-02-23 2018-07-03 王珏 人脸识别方法及相关产品
CN112088394A (zh) * 2018-07-24 2020-12-15 狄希斯医药有限公司 生物组织的计算机分类
WO2020233010A1 (zh) * 2019-05-23 2020-11-26 平安科技（深圳）有限公司 基于可分割卷积网络的图像识别方法、装置及计算机设备
CN111881813A (zh) * 2020-07-24 2020-11-03 深圳市卡联科技股份有限公司 人脸识别终端的数据存储方法及系统

Also Published As

Publication number Publication date
CN113344092A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
KR102319177B1 (ko) 이미지 내의 객체 자세를 결정하는 방법 및 장치, 장비, 및 저장 매체
US11609968B2 (en) Image recognition method, apparatus, electronic device and storage medium
CN108038422A (zh) 摄像装置、人脸识别的方法及计算机可读存储介质
CN107633208B (zh) 电子装置、人脸追踪的方法及存储介质
CN104520831B (zh) 用于平台和图像设备之间的通信的协议
CN110853068A (zh) 图片处理方法、装置、电子设备及可读存储介质
CN108765454A (zh) 一种基于视频的烟雾检测方法、装置及设备终端
CN112036286A (zh) 一种基于yoloV3算法实现温度感应及智能分析识别火焰的方法
CN113177941B (zh) 一种钢卷边裂识别方法、系统、介质和终端
CN113344092B (zh) Ai的图像识别方法及终端装置
CN111428740A (zh) 网络翻拍照片的检测方法、装置、计算机设备及存储介质
CN107464237A (zh) 图像篡改检测方法、电子装置及可读存储介质
CN108961268B (zh) 一种显著图计算方法及相关装置
CN114419229A (zh) 图像渲染方法、装置、计算机设备和存储介质
CN111988861B (zh) 一种无线通信方法、装置、系统及存储介质
CN110807798A (zh) 图像识别方法、系统、相关设备以及计算机可读存储介质
CN111950562A (zh) 图片处理方法、装置、终端设备和存储介质
CN111160240A (zh) 图像对象的识别处理方法、装置及智能设备、存储介质
CN115454237A (zh) 操作权限的控制方法、控制系统、电子设备及存储介质
CN114842057A (zh) 距离信息补全方法、设备、存储介质和计算机程序产品
CN112580528A (zh) 降低目标检测网络误检的方法、装置、存储介质及终端
CN111127310A (zh) 一种图像处理方法、装置、电子设备及存储介质
CN110705586A (zh) 确认料架料位有工件的方法及系统
CN112669220B (zh) 深度图像插值方法、装置、设备和介质
WO2014028440A2 (en) Fast image processing for recognition objectives system

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
GR01 Patent grant
GR01 Patent grant