CN113382206A - 一种双向监控装置 - Google Patents
一种双向监控装置 Download PDFInfo
- Publication number
- CN113382206A CN113382206A CN202110575861.2A CN202110575861A CN113382206A CN 113382206 A CN113382206 A CN 113382206A CN 202110575861 A CN202110575861 A CN 202110575861A CN 113382206 A CN113382206 A CN 113382206A
- Authority
- CN
- China
- Prior art keywords
- comparator
- data
- usb interface
- level
- power supply
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Telephonic Communication Services (AREA)
- Image Analysis (AREA)
Abstract
一种双向监控装置,其包括供电电路、输入输出电路、处理器和USB接口,其特征在于,输入输出电路包括二极管、比较器、第一取样电路和第二取样电路,其中,供电电路的第一电源输出端经二极管连接于USB接口的电源接线端Vusb,供电电路的第二电源输出端连接于USB接口的地GND;第一取样电路连接于USB接口的电源接线端Vusb和地GND之间,用于采样通过USB接口连接于外部设备的电压,采样值提供给比较器的第一输入端;第二取样电路连接于供电电路的第一电源输出端和供电电路的第二电源输出端之间,用于采样供电电路的电压,采样值提供给比较器的第二输入端;比较器的输出端连接于处理器,处理器根据比较器提供的电平值判断通过USB接口连接于外部设备是上位机还是存储设备。
Description
技术领域
本发明涉及一种双向监控装置,属于信息处理技术领域。
背景技术
现有的监视装置功能单一,只具有获取视频、音频数据并存储视频、音频数据的功能,并不能识别通过USB接口连接于其上的设备是上位机还是外接存储设备。
发明内容
本发明的发明目的是提供一种可双向操作的双向监视装置,该装置能够自动识别是外接USB移动存储设备还是上位机。
为实现所述发明目的,本发明提供一种双向监控装置,其特征在于,其包括供电电路、输入输出电路、处理器和USB接口,输入输出电路包括二极管、比较器、第一取样电路和第二取样电路,其中,供电电路的第一电源输出端经二极管连接于USB接口的电源接线端Vusb,供电电路的第二电源输出端连接于USB接口的地GND;第一取样电路连接于USB接口的电源接线端Vusb和地GND之间,用于采样通过USB接口连接于外部设备的电压,采样值提供给比较器的第一输入端;第二取样电路连接于供电电路的第一电源输出端和供电电路的第二电源输出端之间,用于采样供电电路的电压,采样值提供给比较器的第二输入端;比较器的输出端连接于处理器,处理器根据比较器提供的电平值判断通过USB接口连接于外部设备是上位机、充电器或者是外接存储设备。
优选地,二极管的正极连接于供电电路的第一电源输出端,负极连接于USB接口的电源接线端Vusb;第一采样电路连接于比较器的反相端,第二采样电路连接于比较器的同相端,当比较器输出的电平为高电平时,通过USB接口连接的设备为外接存储设备;当比较器输出的电平为低电平时,通过USB接口连接的设备为上位机。
优选地,二极管的正极连接于供电电路的第一电源输出端,负极连接于USB接口的电源接线端Vusb;第一采样电路连接于比较器的同相端,第二采样电路连接于比较器的反相端,当比较器输出的电平为高电平时,通过USB接口连接的设备为上位机;当比较器输出的电平为低电平时,通过USB接口连接的设备为外接存储设备。
优选地,所述比较器为反相比较器,二极管的正极连接于供电电路的第一电源输出端,负极连接于USB接口的电源接线端Vusb;第一采样电路连接于反相比较器的同相端,第二采样电路连接于反相比较器的反相端,当反相比较器输出的电平为高电平时,通过USB接口连接的设备为上位机;当比较器输出的电平为低电平时,通过USB接口连接的设备为外接存储设备。
优选地,所述比较器为反相比较器,二极管的正极连接于供电电路的第一电源输出端,负极连接于USB接口的电源接线端Vusb;第一采样电路连接于反相比较器的反相端,第二采样电路连接于反相比较器的同相端,当反相比较器输出的电平为高电平时,通过USB接口连接的设备为外接存储设备;当比较器输出的电平为低电平时,通过USB接口连接的设备为上位机。
优选地,双向监控装置还包括录音设备、摄像头、语音活动检测器、视频变化检测器和存储器,语音活动检测器根据录音设备提供的信息是否包含语音产生有无语音的标识及无语音的时间间隔数据;视频变化检测器根据摄像头提供的信息是否包含视频变化产生有无视频变化的标识及无视频变化的时间间隔数据;处理器根据语音活动检测器、视频变化检测器提供的信息,分别将有效语音数据帧、无音时间间隔数据、有视频变化的视频数据帧、无视频变化的时间间隔数据存储到存储器中或者通过USB接口发送给上位机或者外接存储设备。
优选地,处理器至少包括人工智能处理模块,其至少包括语音识别模块和图像识别模块,所述语音识别模块包括自组织竞争神经网络,其被配置为根据接收的有效语音数据帧进行语音特征提取;图像识别模块包括卷积神经网络,其被配置为根据接收的有视频变化的视频数据帧进行图像特征提取。
优选地,语音识别模块包括特征抽取模块、模式识别模和控制模块,其中,特征抽取模块被配置为抽取有效的语音语言信息的特征,输出特征数据;模式识别模块被配置为根据从特征抽取模块输出的特征数据,进行模式识别的处理,生成音素数据;控制模块,被配置为控制特征抽取模块以及模式识别模块,控制模式识别模块内的自组织竞争神经网络的构建或学习处理、以及基于构建的自组织竞争神经网络的语音语言数据的识别处理。
优选地,自组织竞争神经网络包括N层神经元,其通过如步骤构建:在步骤1中,在控制模块的控制下,控制从特征抽出模块输出的特征数据的大小,将句子单位的声音语言数据输入模式识别模块,此时,模式识别模块在预定时间段内基于从外部输入的以句子为单位的语音语言数据,将具有以句子为单位的语音语言数据作为核心函数的模板数据的神经元作为新神经元添加到第1级网络层;在步骤2中,在控制模块的控制下,从特征提取模块输出的输入数据的大小被改变,以短语为单位的语音语言数据被输入到模式识别模块,此时,模式识别模块在预定时间段内,基于从外部输入的以短语为单位的语音语言数据,将具有以短语为单位的语音语言数据作为核心函数的模板数据的神经元作为新的神经元添加到第2级网络层;依次类推,在将与上述步骤2同样的处理,构建第n(n=3,..,N)级网络层网络层次,如果建立N层神经元,则过程可以返回到步骤1,并且可以从句子级别网络层级重复建立或学习。
与现有技术相比,本发明提供的可双向操作监视装置能够自动识别是外接USB移动存储设备还是上位机。
附图说明
图1是本发明第一实施例提供的双向监控装置的电路图;
图2是本发明提供的人工智能图像模块的组成框图;
图3是本发明提供的自组织竞争神经网络的结构图;
图4是本发明第二实施例提供的双向监控装置的电路图;
图5是本发明第三实施例提供的双向监控装置的电路图;
图6是本发明第四实施例提供的双向监控装置的电路图。
具体实施方式
下面结合附图详细说明本发明,相同的附图标记表示相同的部件。
第一实施例
图1是本发明第一实施例提供的双向监控装置的电路图,如图1所示,第一实施例提供的双向监控装置包括供电电路10、输入输出电路50、存储器30、处理器20和USB接口60,存储器30用于存储数据和控制程序,处理器20调用存储器中的控制程序以实施对双向控制装置的控制。输入输出电路50包括二极管D1、比较器OP1、第一取样电路和第二取样电路,其中,供电电路10的第一电源输出端经二极管D1连接于USB接口60的电源接线端Vusb,供电电路10的第二电源输出端连接于USB接口60的地GND;第一取样电路连接于USB接口的电源接线端Vusb和地GND之间,用于采样通过USB接口连接于外部设备的电压,采样值提供给比较器的第一输入端,第一采样电路包括串联的电阻R3和电阻R4,其串联的中间节点为取样节点;第二取样电路连接于供电电路10的第一电源输出端和供电电路10的第二电源输出端之间,用于采样供电电路输出电压,采样值提供给比较器OP1的第二输入端,第二采样电路包括串联的电阻R1和电阻R2,其串联的中间节点为取样节点;比较器OP1的输出端连接于处理器20,处理器20根据比较器OP1提供的电平值判断通过USB接口60连接于外部设备是上位机还是外接存储设备。
根据本发明第一实施例,二极管D1的正极连接于供电电路10的第一电源输出端,负极连接于USB接口60的电源接线端Vusb;第一采样电路连接于比较器OP1的反相端,第二采样电路连接于比较器OP1的同相端。设计时,使供电电路的输出电压低于上位机的供电电压,如此,当比较器OP1输出的电平为高电平时,通过USB接口60连接的设备为外接存储设备(如U盘),此时,处理器可以控制以将存储器30内存储的数据和程序通过USB接口的数据线D+和D-导出到外接存储设备;当比较器OP1输出的电平为低电平时,通过USB接口60连接的设备为上位机,上位机将监控装置作为外接存储设备,将上位机存储数据和程序通过USB接口的数据线D+和D-注入到监控装置的存储器30中。
根据本发明第一实施例,双向监控装置还包括录音设90备、摄像头70、语音活动检测器100、视频变化检测器80和存储器30,语音活动检测器100根据录音设备90提供的信息是否包含语音产生有无语音的标识及无语音的时间间隔数据;视频变化检测器80根据摄像头提供的信息是否包含视频变化产生有无视频变化的标识及无视频变化的时间间隔数据;处理器10根据语音活动检测器100、视频变化检测器80提供的信息,分别将有效语音信息帧、无音时间间隔数据、有视频变化的数据帧、无视频变化的时间间隔数据存储到存储器30中或者通过USB接口60的数据线D+和D-发送给上位机或者外接存储设备。
根据本发明第一实施例,双向监控装置还包括接口电路40,其用于双向监控装置连接显示屏,功能键等。
根据本发明第一实施例,处理器20至少包括人工智能处理模块,其至少包括如图2所示语音识别模块和图像识别模块。
图2是本发明提供的人工智能语音识别模块的组成框图,如图2所示,人工智能语音识别模块包括:特征抽取模块111被配置为抽取有效的语音语言信息的特征,输出特征数据;模式识别模块112被配置为根据从特征抽取模块111输出的特征数据,进行模式识别的处理,生成音素数据,处理器20将音素数据和无音时间间隔存储于存储器30中还通过数据线D+和D-传送给外接存储装置。
另外,语音识别模块还包括控制模块,其控制特征抽取模块111以及模式识别模块112,控制模式识别模块112内的自组织竞争神经网络的构建或学习处理、以及基于构建的自组织竞争神经网络的语音语言数据的识别处理。特征提取单元111对有效的语音语言数据执行诸如离散化和频带分割的处理,以生成要输入到模式识别模块12的输入数据x。另外,特征提取单元111在控制模块的控制下,能够控制从特征提取单元111输出的特征数据(输入数据x)的大小。
图3是本发明提供的自组织竞争神经网络的结构示意图,本发明中,模式识别模块112具有如图3所示自组织竞争神经网络结构,该自组织竞争神经网络结构包括多个神经元(内核单元),该多个神经元根据核函数(kernel函数)判断输入数据与模板数据之间的相似度。此外,这里所说的核函数是指输出某两个数据"矢量"的关系的函数。作为这样的核函数,可以使用任意的核函数,但优选使用以距离表示两个数据(矢量)的相互关系的函数。
本发明中,在模式识别模块112内构建的自组织竞争神经网络构造是根据训练数据构建或学习的。具体地,模式识别模块112通过以下方式来执行:在训练阶段,选择性地提取输入数据x中所包括的数据,基于该数据以自增生的方式依序添加神经元,并且根据基于Hebb定律的自组织算法将多个神经元彼此连接来形成网络。另外,这样构建的自组织竞争神经网络结构内的各神经元从特征提取模块111输出的特征数据取数据(输入数据x)(参照图3的实线箭头)或从前级的神经元输出的数据取数据(参照图3的虚线箭头)中的某一个作为其输入数据(向量)。每个神经元可以保持特征数据(语音数据)本身作为模板数据,并且还可以保持与特征数据(语音数据)相对应的数值标签等。第n(n=2~N,其中N是等于或大于2的整数)层中神经元与前层的第(n-1)层中的神经元中的的神经元相关联。在第1层中的每个神经元作为模板数据保持的特征数据是通过提取原始句子语音语言数据的特征而获得的。
下面将详细描述包含在第n(n=2~N,其中N是等于或大于2的整数)层中的神经元中的模板数据(模板矩阵)。基于存在于第1层中的句字相对应的神经元的激发存在于第2层中的短语相对应的神经元基于存在于第2层中的短语相对应的神经元的激发存在于第3层中的字相对应的神经元和基于存在于第3层中与字相对应的神经元的激发存在于第4层中的音素相对应的神经元例如,基于存在于第1层中的句字相对应的神经元的激发存在于第2层中的短语相对应的神经元基于存在于第2层中的短语相对应的神经元“zhong guo(中国)”的激发存在于第3层中的字相对应的神经元“zhong(中)”和“guo(国)”;基于存在于第3层中与字相对应的神经元的激发存在于第4层中的音素相对应的神经元“zh”、“ong”“g”、“u”、“o”相对应的神经元
在模式识别模块112中,建立的自组织竞争神经网络结构中,彼此相关的神经元通过权重系数彼此连接,以便根据语音语言数据的分层识别级别以步进方式彼此相关。具体地,包括在自组织竞争神经网络结构中的每个神经元被包括在与语音语言数据的相应分层识别级别对应的多个网络层级中的任何一个网络层级中,并且包括在每个网络层级中的每个神经元仅在与相应网络层级相邻的网络层级中包括的神经元之间彼此连接。例如,如果假设分层识别级别是句子级、短语级、字级和音素级这四个级别,则模式识别模块112中构造的自组织竞争神经网络结构可以具有图3所示的结构。
另外,在图3所示的自组织竞争神经网络结构中,假设各级别间包含的神经元间的信号流只是单一方向。即,图3所示那样的自组织竞争神经网络构造是相互结合型神经网络,因此原理上能够进行双向的信号的流动,但在此设为不考虑反方向的信号的流动。
在自组织竞争神经网络结构中,包括神经元的输入侧网络层是识别语音语言数据的句子级网络层,其中,作为特征数据的输入数据x被直接输入到该神经元,并且该输入侧网络层是识别语音语言数据的相对长的(时间上长的)单元的句子级网络层,随着输入侧网络层的位置远离该输入侧网络层,提供识别语音语言数据的相对小的单元(诸如短句级网络层、字级网络层以及音素纱网络)的网络层。
另外,在图3所示的自组织竞争神经网络结构中,即使模板数据的大小不同,包含在该结构内的神经元也能相互结合,另外,由于因结合的其他神经元的激发而促使该神经元激发,所以通过利用该特性,能容易地构建具备图3所示的层次结构的自组织竞争神经网络结构。即,假设某两个神经元A和B分别预先保持不同大小的模板数据TA和TB。然后,例如,当神经元A基于某个输入数据而被激发时,该激发被传递给与该神经元A连接的神经元B,并且该神经元B可根据这些权重系数的值而被激发。因此,通过使用这种特性,例如,可实现从句子级网络层级中包括的神经元组到短语级网络层级中包括的神经元的连接,以使与分级识别(字级和音素级)对应的多个神经元以步进方式彼此相关联。在此,在具备图3所示那样的分层构造的自组织竞争神经网络构造中,其模式识别结果例如能够通过在自组织竞争神经网络构造内激发的所有神经元中选择激发率最大的神经元,并输出其值(类ID的值等)来得到。另外,在具有图3所示的分层结构的自组织竞争神经网络结构中,由于多个神经元以网络分层单位分阶段地配置,所以,其模式识别结果例如可以通过选择以各个网络分层单位中激发率最小的神经元,并输出其值(类ID的值等)来得到。
下面,详细说明在图2所示的语音识别模块,构建具有图3所示的层次结构的自我组织化神经网络结构的方法。在图2所示的语音识别模块中,从特征抽取模块111输出的特征数据(输入数据x),在外部控制模块的控制下,输入到模式识别模块112,根据该输入的特征数据(输入数据x),在模式识别模块112中,进行用于实现语音语言数据的模式识别处理的自组织竞神经网络结构的构建或学习。
本发明中,在控制模块的控制下,从特征提取模块111输出并输入到模式识别模块112的输入数据x在预定时段内从较大单位(例如,句子单位)到最小单位(例如,音素单位)按顺序改变。在控制模块的控制下,模式识别模块112首先建立能够在句子级别进行模式识别的网络,然后依次建立短语别、字级别以及音素级别的网络,从而构建具有图3所示的层次结构的自组织竞争神经网络结构。
下面,具体说明用于构建具有3所示的层次结构的自组织竞争神经网络结构的具体的步骤。首先,在步骤1中,在控制模块的控制下,控制从特征抽出模块111输出的特征数据(输入数据x)的大小,将句子单位的声音语言数据(与第1个识别级别对应的大小的单位的声音语言数据)输入模式识别模块112。在这种状态下,模式识别模块112在预定时间段T1内基于从外部输入的以句子为单位的语音语言数据,将具有以句子为单位的语音语言数据作为核心函数的模板数据的神经元作为新神经元添加到第1级网络层(句子级别网络层)中。在步骤2中,在完成了如上所述的网络的第一层次(句子级别网络层次)的构造之后,在控制模块的控制下,从特征提取模块111输出的输入数据x的大小被改变,以短语为单位的语音语言数据(具有对应于第二识别级别的大小的语音语言数据)被输入到模式识别模块112。在这种状态下,模式识别模块112在预定时间段T2内,基于从外部输入的以短语为单位的语音语言数据,将具有以短语为单位的语音语言数据作为核心函数的模板数据的神经元作为新的神经元添加到第2级网络层(短语级别网络层)中。此外,以这种方式添加的神经元通过权重系数与由作为输入数据x的以短语为单位的语音语言数据连锁激发的第一级网络层(句子级别网络层)中包括的神经元相连接。同样,在将与上述步骤2同样的处理应用于阶段n(n=3,4,…)的处理,在规定的期间Tn进行,依次构建第n段的网络层次(例如,字层次网络层次、音素层次网络层次等)。在上述内容中,如果已经建立了目标第N级网络层级(例如,第四级音素级别网络层级),则过程可以返回到步骤1,并且可以从句子级别网络层级重复建立或学习。此外,各步骤n的期间Tn(n=1,2,...,N)也可以考虑各个网络层次的构建或学习所需的时间而适当地设为不同的期间。通过以上处理,构建具有图3所示的层次结构的自组织竞争神经网络结构。
虽然我们已经描述了其中神经网络层次结构的神经元保持特征数据(语音语言数据)本身作为模板数据的例子,但是如果第n(n=2~N,N是大于等于2的整数)层次的神经网络层次结构的神经元保持模板矩阵,则可以学习具有如图3所示的层次结构的自组织竞争神经网络结构。句子级别、短语级别、字级别以及音素级别等)而分阶段地建立关系,所以,可以以高效率地进行对语音语言数据的模式识别处理,同时,可以使该系统结构自我适应性地发展,也可以灵活地适应环境的变化。
此外,在上述实施例中,除了具有基于语音语言数据激发的听觉模态的多个神经元之外,在模式识别模块112中构建的自组织竞争神经网络结构还可以包括具有基于图像数据激发的视觉、嗅觉和触觉中的至少一个模态的多个神经元。在这种情况下,例如,可以仅基于听觉语音语言数据的输入来激发具有视觉模态的神经元。
第二实施例
本发明第二实施例提供的双向监控装置与第一实施例提供的双向监控装置仅在于:第一采样电路(第一采样电路包括串联的电阻R3和电阻R4)连接于比较器OP1的同相端,第二采样电路(第二采样电路包括串联的电阻R1和电阻R2)连接于比较器OP1的反相端。设计时,使供电电路10的输出电压低于上位机的供电电压,如此,当比较器OP1输出的电平为高电平时,通过USB接口60连接的设备为上位机,上位机将监控装置作为外接存储设备,将上位机存储的数据和程序通过USB接口的数据线D+和D-注入到监控装置的存储器30中。当比较器OP1输出的电平为低电平时,通过USB接口60连接的设备为外接存储设备,此时,处理器可以控制以将存储器30内存储的数据和程序通过USB接口的数据线D+和D-导出到外接存储设备。
第三实施例
本发明第三实施例提供的双向监控装置与第一实施例提供的双向监控装置仅在于:第一采样电路(第一采样电路包括串联的电阻R3和电阻R4)连接于反相比较器OP2的同相端,第二采样电路(第二采样电路包括串联的电阻R1和电阻R2)连接于反相比较器的反相端。设计时,使供电电路10的输出电压低于上位机的供电电压,如此,当反相比较器OP2输出的电平为高电平时,通过USB接口60连接的设备为上位机,上位机将监控装置作为外接存储设备,将上位机存储数据和程序通过USB接口的数据线D+和D-注入到监控装置的存储器30中;当反相比较器OP2输出的电平为低电平时,通过USB接口60连接的设备为外接存储设备,此时,处理器可以控制以将存储器30内存储的数据和程序通过USB接口的数据线D+和D-导出到外接存储设备。
第四实施例
本发明第四实施例提供的双向监控装置与第一实施例提供的双向监控装置仅在于:第一采样电路(第一采样电路包括串联的电阻R3和电阻R4)连接于反相比较器OP2的反相端,第二采样电路(第一采样电路包括串联的电阻R1和电阻R2)连接于反相比较器OP2的同相端。设计时,使供电电路10的输出电压低于上位机的供电电压,如此,当反相比较器OP2输出的电平为高电平时,通过USB接口60连接的设备为外接存储设备,此时,处理器可以控制以将存储器30内存储的数据和程序通过USB接口的数据线D+和D-导出到外接存储设备;当反相比较器OP2输出的电平为低电平时,通过USB接口60连接的设备为上位机,上位机将监控装置作为外接存储设备,将上位机存储数据和程序通过USB接口的数据线D+和D-注入到监控装置的存储器30中。
虽然以上已结合附图对按照本发明目的构思和实例作了详尽说明,但本领域技术人员应当认识到,在没有脱离本发明构思的前提下,任何基于本发明作出的改进和变换仍然属于本发明保护范围内的内容。
Claims (9)
1.一种双向监控装置,其特征在于,其包括供电电路、输入输出电路、处理器和USB接口,输入输出电路包括二极管、比较器、第一取样电路和第二取样电路,其中,供电电路的第一电源输出端经二极管连接于USB接口的电源接线端Vusb,供电电路的第二电源输出端连接于USB接口的地GND;第一取样电路连接于USB接口的电源接线端Vusb和地GND之间,用于采样通过USB接口连接于外部设备的电压,采样值提供给比较器的第一输入端;第二取样电路连接于供电电路的第一电源输出端和供电电路的第二电源输出端之间,用于采样供电电路的电压,采样值提供给比较器的第二输入端;比较器的输出端连接于处理器,处理器根据比较器提供的电平值判断通过USB接口连接于外部设备是上位机、充电器或者是外接存储设备。
2.根据权利要求1所述的双向监控装置,其特征在于,二极管的正极连接于供电电路的第一电源输出端,负极连接于USB接口的电源接线端Vusb;第一采样电路连接于比较器的反相端,第二采样电路连接于比较器的同相端,当比较器输出的电平为高电平时,通过USB接口连接的设备为外接存储设备; 当比较器输出的电平为低电平时,通过USB接口连接的设备为上位机。
3.根据权利要求1所述的双向监控装置,其特征在于,二极管的正极连接于供电电路的第一电源输出端,负极连接于USB接口的电源接线端Vusb;第一采样电路连接于比较器的同相端,第二采样电路连接于比较器的反相端,当比较器输出的电平为高电平时,通过USB接口连接的设备为上位机; 当比较器输出的电平为低电平时,通过USB接口连接的设备为外接存储设备。
4.根据权利要求1所述的双向监控装置,其特征在于,所述比较器为反相比较器,二极管的正极连接于供电电路的第一电源输出端,负极连接于USB接口的电源接线端Vusb;第一采样电路连接于反相比较器的同相端,第二采样电路连接于反相比较器的反相端,当反相比较器输出的电平为高电平时,通过USB接口连接的设备为上位机; 当比较器输出的电平为低电平时,通过USB接口连接的设备为外接存储设备。
5.根据权利要求1所述的双向监控装置,其特征在于,所述比较器为反相比较器,二极管的正极连接于供电电路的第一电源输出端,负极连接于USB接口的电源接线端Vusb;第一采样电路连接于反相比较器的反相端,第二采样电路连接于反相比较器的同相端,当反相比较器输出的电平为高电平时,通过USB接口连接的设备为外接存储设备; 当比较器输出的电平为低电平时,通过USB接口连接的设备为上位机。
6.根据权利要求1-5任一所述的双向监控装置,其特征在于,包括录音设备、摄像头、语音活动检测器、视频变化检测器和存储器,语音活动检测器根据录音设备提供的信息是否包含语音产生有无语音的标识及无语音的时间间隔数据;视频变化检测器根据摄像头提供的信息是否包含视频变化产生有无视频变化的标识及无视频变化的时间间隔数据;处理器根据语音活动检测器、视频变化检测器提供的信息,分别将有效语音数据帧、无音时间间隔数据、有视频变化的视频数据帧、无视频变化的时间间隔数据存储到存储器中或者通过USB接口发送给上位机或者外接存储设备。
7.根据权利要求6所述的双向监控装置,其特征在于,处理器至少包括人工智能处理模块,其至少包括语音识别模块和图像识别模块,所述语音识别模块包括自组织竞争神经网络,其被配置为根据接收的有效语音数据帧进行语音特征提取;图像识别模块包括卷积神经网络,其被配置为根据接收的有视频变化的视频数据帧进行图像特征提取。
8.根据权利要求7所述的双向监控装置,其特征在于,语音识别模块包括特征抽取模块、模式识别模和控制模块,其中,特征抽取模块被配置为抽取有效的语音语言信息的特征,输出特征数据;模式识别模块被配置为根据从特征抽取模块输出的特征数据,进行模式识别的处理,生成音素数据;控制模块,被配置为控制特征抽取模块以及模式识别模块,控制模式识别模块内的自组织竞争神经网络的构建或学习处理、以及基于构建的自组织竞争神经网络的语音语言数据的识别处理。
9.根据权利要求8所述的双向监控装置,其特征在于,自组织竞争神经网络包括N层神经元,其通过如下步骤构建: 在步骤1中,在控制模块的控制下,控制从特征抽出模块输出的特征数据的大小,将句子单位的声音语言数据输入模式识别模块,此时,模式识别模块在预定时间段内基于从外部输入的以句子为单位的语音语言数据,将具有以句子为单位的语音语言数据作为核心函数的模板数据的神经元作为新神经元添加到第1级网络层;在步骤2中,在控制模块的控制下,从特征提取模块输出的输入数据的大小被改变,以短语为单位的语音语言数据被输入到模式识别模块,此时,模式识别模块在预定时间段内,基于从外部输入的以短语为单位的语音语言数据,将具有以短语为单位的语音语言数据作为核心函数的模板数据的神经元作为新的神经元添加到第2级网络层;依次类推,在将与上述步骤2同样的处理,构建第n(n=3,..,N)级网络层网络层次,如果建立N层神经元,则过程可以返回到步骤 1,并且可以从句子级别网络层级重复建立或学习。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110575861.2A CN113382206B (zh) | 2021-05-26 | 2021-05-26 | 一种双向监控装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110575861.2A CN113382206B (zh) | 2021-05-26 | 2021-05-26 | 一种双向监控装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113382206A true CN113382206A (zh) | 2021-09-10 |
CN113382206B CN113382206B (zh) | 2022-02-15 |
Family
ID=77572241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110575861.2A Active CN113382206B (zh) | 2021-05-26 | 2021-05-26 | 一种双向监控装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113382206B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203759164U (zh) * | 2014-03-22 | 2014-08-06 | 深圳市伟文无线通讯技术有限公司 | 一种检测usb负载设备接入状态的电路 |
CN204068306U (zh) * | 2014-06-28 | 2014-12-31 | 青岛歌尔声学科技有限公司 | 一种电子产品的充电系统 |
US20150106314A1 (en) * | 2013-10-16 | 2015-04-16 | University Of Tennessee Research Foundation | Method and apparatus for constructing a dynamic adaptive neural network array (danna) |
US20150189209A1 (en) * | 2013-12-26 | 2015-07-02 | Han Yang | Correlated double sampling circuit, analog to digital converter and image sensor including the same |
CN109108947A (zh) * | 2018-10-08 | 2019-01-01 | 芜湖市越泽机器人科技有限公司 | 具有智能交互功能的机器人 |
CN109278047A (zh) * | 2018-10-08 | 2019-01-29 | 芜湖市越泽机器人科技有限公司 | 语音识别机器人 |
-
2021
- 2021-05-26 CN CN202110575861.2A patent/CN113382206B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150106314A1 (en) * | 2013-10-16 | 2015-04-16 | University Of Tennessee Research Foundation | Method and apparatus for constructing a dynamic adaptive neural network array (danna) |
US20150189209A1 (en) * | 2013-12-26 | 2015-07-02 | Han Yang | Correlated double sampling circuit, analog to digital converter and image sensor including the same |
CN203759164U (zh) * | 2014-03-22 | 2014-08-06 | 深圳市伟文无线通讯技术有限公司 | 一种检测usb负载设备接入状态的电路 |
CN204068306U (zh) * | 2014-06-28 | 2014-12-31 | 青岛歌尔声学科技有限公司 | 一种电子产品的充电系统 |
CN109108947A (zh) * | 2018-10-08 | 2019-01-01 | 芜湖市越泽机器人科技有限公司 | 具有智能交互功能的机器人 |
CN109278047A (zh) * | 2018-10-08 | 2019-01-29 | 芜湖市越泽机器人科技有限公司 | 语音识别机器人 |
Also Published As
Publication number | Publication date |
---|---|
CN113382206B (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7150770B2 (ja) | 対話方法、装置、コンピュータ可読記憶媒体、及びプログラム | |
CN110418210B (zh) | 一种基于双向循环神经网络和深度输出的视频描述生成方法 | |
Zhang et al. | Top-down tree long short-term memory networks | |
CN105679317B (zh) | 用于训练语言模型并识别语音的方法和设备 | |
CN112288075B (zh) | 一种数据处理方法及相关设备 | |
CN110534087A (zh) | 一种文本韵律层级结构预测方法、装置、设备及存储介质 | |
KR102483774B1 (ko) | 종단 간 스트리밍 키워드 탐지 | |
CN109960747B (zh) | 视频描述信息的生成方法、视频处理方法、相应的装置 | |
CN110489110A (zh) | 一种基于深度学习的代码生成方法及装置 | |
US11282501B2 (en) | Speech recognition method and apparatus | |
CN110580292A (zh) | 一种文本标签生成方法、装置和计算机可读存储介质 | |
CN108604311B (zh) | 利用层级式外部存储器的增强神经网络 | |
CN109961041B (zh) | 一种视频识别方法、装置及存储介质 | |
CN116415654A (zh) | 一种数据处理方法及相关设备 | |
KR20190129580A (ko) | 음성 인식 모델을 개인화하는 방법 및 장치 | |
EP3979098A1 (en) | Data processing method and apparatus, storage medium, and electronic apparatus | |
CN107844481A (zh) | 识别文本检错方法及装置 | |
KR20220130565A (ko) | 키워드 검출 방법 및 장치 | |
CN111985243B (zh) | 情感模型的训练方法、情感分析方法、装置及存储介质 | |
CN111144124A (zh) | 机器学习模型的训练方法、意图识别方法及相关装置、设备 | |
CN110992929A (zh) | 一种基于神经网络的语音关键词检测方法、装置及系统 | |
Zhang et al. | High order recurrent neural networks for acoustic modelling | |
CN113704410A (zh) | 情绪波动检测方法、装置、电子设备及存储介质 | |
CN113382206B (zh) | 一种双向监控装置 | |
CN111445545B (zh) | 一种文本转贴图方法、装置、存储介质及电子设备 |
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 |