CN116091844A - 一种基于边缘计算的图像数据处理方法及系统 - Google Patents

一种基于边缘计算的图像数据处理方法及系统 Download PDF

Info

Publication number
CN116091844A
CN116091844A CN202310186137.XA CN202310186137A CN116091844A CN 116091844 A CN116091844 A CN 116091844A CN 202310186137 A CN202310186137 A CN 202310186137A CN 116091844 A CN116091844 A CN 116091844A
Authority
CN
China
Prior art keywords
image
layer
edge calculation
model
image 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.)
Pending
Application number
CN202310186137.XA
Other languages
English (en)
Inventor
陈婉琴
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.)
Chen Wanqin Network Technology Co ltd In Wanzhou District Wuhu City
Original Assignee
Chen Wanqin Network Technology Co ltd In Wanzhou District Wuhu City
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 Chen Wanqin Network Technology Co ltd In Wanzhou District Wuhu City filed Critical Chen Wanqin Network Technology Co ltd In Wanzhou District Wuhu City
Priority to CN202310186137.XA priority Critical patent/CN116091844A/zh
Publication of CN116091844A publication Critical patent/CN116091844A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本申请实施例公开了一种基于边缘计算的图像数据处理方法及系统，涉及边缘计算技术领域，本申请实施例通过使用Sobel算子对待检测图像进行边缘检测后获取边缘计算图像，构建基于VGG‑16模型的图像处理模型，使用卷积层替换VGG‑16模型中的原全连接层，网络模型包括卷积层、批归一化层、ReLu激活函数层、最大池化层和分类层；使用损失函数指导网络模型学习；使用采集设备实时采集待检测图像，将待检测图像转换成边缘计算图像并输入进训练好的网络模型中完成图像数据处理。将边缘计算和图像处理进行结合，可以提高检测精度并降低资源损耗，增强网络模型的表征能力。

Description

一种基于边缘计算的图像数据处理方法及系统
技术领域
本申请涉及边缘计算技术领域，尤其涉及一种基于边缘计算的图像数据处理方法及系统。
背景技术
随着人工智能的发展，在数字信息时代的背景下，以互联网和物联网为载体的信息正在爆炸式的增长，因此，信息的智能化处理和规范操作显得尤为重要，其中如何让机器拥有类似人类视觉的功能更是重中之重。近些年，越来越多的科研人员加入此项研究，使得计算机视觉方向得到了快速发展。通过机器学习算法处理机器捕获的图像，学习得到图像识别模型已经成为常见的图像数据处理方法。然而，在此过程中如何在降低资源损耗成为了目前存在的一个重要问题。
近年来，随着移动互联网、物联网及工业应用的蓬勃发展，以及跨领域信息通信技术融合创新的不断深入，移动通信网络将承载数以千倍计的数据流量增长和千亿数量级的设备联网需求，边缘计算技术在紧邻移动设备的无线接入网中提供互联网技术服务环境和云计算功能，可有效降低时延，确保网络高效运行和良好用户体验。
将边缘计算和图像处理进行结合，可以提高检测精度并降低资源损耗，因此，亟需一种基于边缘计算的图像数据处理方法，增强网络模型的表征能力。
发明内容
申请实施例提供一种基于边缘计算的图像数据处理方法。
为达到上述目的，本申请的实施例采用如下技术方案：
第一方面，提供了一种基于边缘计算的图像数据处理方法，该方法包括以下步骤：
步骤S1，使用采集设备采集待检测图像，使用Sobel算子对待检测图像进行边缘检测后获取边缘计算图像，对边缘计算图像进行标注并按标准格式构成训练集和测试集；
步骤S2，构建基于VGG-16模型的图像处理模型，使用卷积层替换VGG-16模型中的原全连接层，所述网络模型包括卷积层、批归一化层、ReLu激活函数层、最大池化层和分类层；
步骤S3，使用损失函数指导网络模型学习；
步骤S4，预设相关超参数，通过不断迭代衰减损失值达到网络参数权重优化的目的，直到迭代次数等于最大迭代次数，中止对训练集和测试集的训练，最后在实际场景下测试网络模型的性能；
步骤S5，使用采集设备实时采集待检测图像，将待检测图像转换成边缘计算图像并输入进训练好的网络模型中完成图像数据处理。
在一种可能的实施方式中，所述步骤S1中使用Sobel算子对待检测图像进行边缘检测的方法包括：
步骤S1.1，使用Sobel算子对待检测图像进行高斯模糊获取第一图像；
步骤S1.2，将第一图像转换成灰度图像；
步骤S1.3，使用Sobel函数在x轴方向和y轴方向上进行求导；
步骤S1.4，将x轴方向和y轴方向上的边缘进行整合获取边缘计算图像。
在一种可能的实施方式中，所述步骤S1.4中将x轴方向和y轴方向上的边缘进行整合的方法包括线性混合叠加方法、近似相加方法、近似梯度相加方法。
在一种可能的实施方式中，所述步骤S2中图像处理模型的结构包括：
所述图像处理模型包括依次连接的第一卷积层、批归一化层、ReLu激活函数层、最大池化层、第二卷积层和分类层。
在一种可能的实施方式中，将边缘计算图像输入进第一卷积层提取图像特征，将边缘计算图像数据输入进批归一化层；
通过批归一化层对输入的边缘计算图像数据进行处理，调整中间输出参数，再使用ReLu激活函数层引入非线性因素，在第一卷积层、批归一化层、ReLu激活函数层进行对应第一次处理后使用最大池化层进行第一次滤波，当最大池化层完成第三次滤波后使用第二卷积层进行全连接，最后使用softmax分类器输出预测结果。
在一种可能的实施方式中，所述步骤S3中的损失函数包括人眼感知loss损失函数。
在一种可能的实施方式中，采用批量训练的方法对训练集和测试集进行训练。
第二方面，本发明还提供了一种基于边缘计算的图像数据处理系统，包括采集单元、模型构建单元、模型训练单元和图像数据处理单元，其中：
采集单元，用于使用采集设备采集待检测图像，使用Sobel算子对待检测图像进行边缘检测后获取边缘计算图像，对边缘计算图像进行标注并按标准格式构成训练集和测试集；
模型构建单元，用于构建基于VGG-16模型的图像处理模型，使用卷积层替换VGG-16模型中的原全连接层，所述网络模型包括卷积层、批归一化层、ReLu激活函数层、最大池化层和分类层；
模型训练单元，用于使用损失函数指导网络模型学习，用于预设相关超参数，通过不断迭代衰减损失值达到网络参数权重优化的目的，直到迭代次数等于最大迭代次数，中止对训练集和测试集的训练，最后在实际场景下测试网络模型的性能；
图像数据处理单元，用于使用采集设备实时采集待检测图像，将待检测图像转换成边缘计算图像并输入进训练好的网络模型中完成图像数据处理。
第三方面，本发明还提供了一种电子设备，该电子设备包括处理器和存储器；处理器中包括上述第二方面所记载的基于图像识别进行智能监控的系统。
第四方面，本发明还提供了一种计算机可读存储介质，该计算机可读存储介质包括指令；当指令在上述第三方面所记载的电子设备上运行时，使得电子设备执行上述第一方面所记载的方法，
附图说明
图1为本申请实施例提供的一种基于边缘计算的图像数据处理方法及系统中图像处理模型的结构示意图；
图2为本申请实施例提供的一种基于边缘计算的图像数据处理方法及系统中系统的结构示意图。
本发明提出的一种基于边缘计算的图像数据处理方法及系统，将边缘计算和图像处理进行结合，可以提高检测精度并降低资源损耗，增强网络模型的表征能力。
本发明本基于VGG-16模型进行优化改进，优化了全连接层，在识别准确率、模型的泛化能力、稳定性方面相对提高。
具体实施方式
需要说明的是，本申请实施例涉及的术语“第一”、“第二”等仅用于区分同一类型特征的目的，不能理解为用于指示相对重要性、数量、顺序等。
本申请实施例涉及的术语“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请实施例涉及的术语“耦合”、“连接”应做广义理解，例如，可以指物理上的直接连接，也可以指通过电子器件实现的间接连接，例如通过电阻、电感、电容或其他电子器件实现的连接。
实施例1：
本实施例的一种基于边缘计算的图像数据处理方法，VGG-16模型由5层卷积层、3层全连接层、softmax输出层构成，层与层之间使用最大化池层分开，所有隐层的激活单元都采用ReLU激活函数。VGG-16模型共有16层，13个卷积层和3个全连接层，第一次经过64个卷积核的两次卷积后，采用一次最大池化，第二次经过两次128个卷积核卷积后，再采用最大池化，再重复两次三个512个卷积核卷积后，再最大池化，最后经过三次全连接。
如图1所示，BN为批归一化层，C1为第一卷积层，C2为第二卷积层，ReLu为ReLu激活函数层，Max Pooling为最大池化层，Softmax为分类层。如图2所示，是系统的结构示意图，包括采集单元、模型构建单元、模型训练单元和图像数据处理单元。
本发明使用使用卷积层替换VGG-16模型中的全连接层，通过批归一化层对输入的边缘计算图像数据进行处理，卷积层用来提取图像特征，在卷积层之后、激活函数之前，进行批归一化处理，从而不断调整中间输出参数，使整个网络的输出更加稳定，调整卷积神经网络的中间输出参数，提高模型的收敛速度。VGG-16模型由3层全连接层构成，使用卷积层替换VGG-16模型中的全连接层以提高模型的识别精度和效率。使用ReLu激活函数层来加入非线性因素，提高模型的抽象表达能力。将VGG-16模型的三个全连接层替换为三个卷积层，使得测试得到的全卷积网络因为没有全连接的限制，因而可以接收任意宽或高为的输入。将批量归一化层置于针对机器学习算法所需图像数据处理的资源损耗大的问题，将边缘计算和图像处理进行结合，可以提高检测精度和识别准确率。使用卷积层替换VGG-16模型中的全连接层，可适应各种尺寸的图片。
实施例2：
本实施例在实施例1的基础上做进一步优化，对高斯核函数x轴方向和y轴方向求导，并将其模板化即得Sobel算子。Sobel算子具有更强的抗噪能力，因为其结合了高斯滤波的效果。
使用Sobel函数在x轴方向和y轴方向上进行求导中：对于一元连续函数的导数，直接通过公式求导就可以；对于多元连续函数的导数，需要求各个方向的偏导。但是对于存储在计算机中的图像来说，计算机只能够处理离散的像素值，不能够使用公式求解导数，因此只能够使用导数的定义来求解x和y方向的导数。比如求解x方向的导数：dx＝I(i+1)-I(i)；求解y方向的导数：dx＝I(j+1)-I(j)，某点的导数＝该点x(y)方向的下一个像素值-该点的像素值，就可以得到该点x或者y方向的导数。因为sobel函数在求x或者y方向的导数时，使用的核是不一样的，得到的导数可能小于0，或者大于255，因此为了保护细节，最好选用16位(CV_16S)的输出图像的深度，并且调用convertScaleAbs(输出图像为8位)，将所得结果尽可能的保护下来。
本实施例的其他部分与实施例1相同，故不再赘述。
实施例3：
本实施例在上述实施例1或2的基础上做进一步优化，将x轴方向和y轴方向上的边缘进行整合的方法包括线性混合叠加方法、近似相加方法、近似梯度相加方法。
线性混合叠加方法调用函数所需要的瞬间很短，得到的效果也很一般。
近似相加方法是将x轴方向的导数和y轴方向的导数进行叠加，消耗的时间较长。
近似梯度相加方法，根据向量的加法，如果要求得图像整体的梯度，就要求x和y向量加法的模，也就是x和y构成的直角三角形的斜边，消耗的时间比近似相加方法长些且效果差不多。
实施例4：
本实施例在上述实施例1-3任一项的基础上做进一步优化，损失函数选用人眼感知loss损失函数，预设迭代次数、学习率等相关超参数，通过不断迭代衰减损失值达到网络参数权重优化的目的，直到迭代次数等于最大迭代次数，中止对训练集的训练，最后在实际场景下测试网络模型性能。
使用人眼感知loss损失函数，人眼感知loss损失函数的计算公式如下所示：
Figure BDA0004103967530000041
在公式中，
Figure BDA0004103967530000042
表示损失网络，Cj表示网络的第j层，CjHjWj表示第j层的特征图的大小，y代表神经网络的原始输出，
Figure BDA0004103967530000043
代表神经网络的预测输出。
在进行模型训练的过程中，采用批量训练的方法将训练集和测试集分为多个批次进行训练，批处理大小为8，整个训练过程一共迭代500次；学习率设为0.0001；使用随机失活层避免训练过程中发生过拟合，并以0.5的概率对神经元进行随机失活。
本实施例的其他部分与上述实施例1-3任一项相同，故不再赘述。
实施例5：
本实施例在上述实施例1-4任一项基础上做进一步优化，将边缘计算图像输入进第一卷积层提取图像特征，将边缘计算图像数据输入进批归一化层；
通过批归一化层对输入的边缘计算图像数据进行处理，调整中间输出参数，再使用ReLu激活函数层引入非线性因素，在第一卷积层、批归一化层、ReLu激活函数层进行对应第一次处理后使用最大池化层进行第一次滤波，当最大池化层完成第三次滤波后使用第二卷积层进行全连接，最后使用softmax分类器输出预测结果。
第一卷积层提取特征之后，将边缘计算图像数据依次输入进批归一化层、ReLu激活函数层，提取对应的特征信息。
举例如下：输入224x224x3的图片，经64个3x3的卷积核作两次卷积+ReLu激活函数，卷积后的尺寸变为224x224x64,使用最大池化层进行池化，令图像尺寸减半，池化尺寸为2x2，池化后的尺寸变为112x112x64。经128个3x3的卷积核作两次卷积+ReLu激活函数，尺寸变为112x112x128。作2x2的池化，尺寸变为56x56x128。经256个3x3的卷积核作三次卷积+ReLu激活函数，尺寸变为56x56x256。作2x2的池化，尺寸变为28x28x256。经512个3x3的卷积核作三次卷积+ReLu激活函数，尺寸变为28x28x512。作2x2的池化，尺寸变为14x14x512。经512个3x3的卷积核作三次卷积+ReLu激活函数，尺寸变为14x14x512。作2x2的max pooling池化，尺寸变为7x7x512。与两层1x1x4096，一层1x1x1000进行全连接+ReLu激活函数，最后通过softmax输出1000个预测结果。
本实施例的其他部分与上述实施例1-4任一项相同，故不再赘述。
实施例6：
本发明还提供了一种电子设备，该电子设备包括处理器和存储器；处理器中包括上述实施例所记载的基于图像识别进行智能监控的系统。
实施例7：
本发明还提供了一种计算机可读存储介质，该计算机可读存储介质包括指令；当指令在上述实施例所记载的电子设备上运行时，使得电子设备执行上述实施例所记载的方法。可选地，计算机可读存储介质可以为存储器。
本申请实施例涉及的处理器可以是一个芯片。例如，可以是现场可编程门阵列(field programmable gate array，FPGA)，可以是专用集成芯片(application specificintegrated circuit，ASIC)，还可以是系统芯片(system on chip，SoC)，还可以是中央处理器(central processor unit，CPU)，还可以是网络处理器(networkprocessor，NP)，还可以是数字信号处理电路(digital signal processor，DSP)，还可以是微控制器(microcontroller unit，MCU)，还可以是可编程控制器(programmable logic device，PLD)或其他集成芯片。
本申请实施例涉及的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-onlymemory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic RAM，DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double datarateSDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlinkDRAM，SLDRAM)和直接内存总线随机存取存储器(directrambus RAM，DR RAM)。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，设备或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个设备，或者也可以分布到多个设备上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个设备中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个设备中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital Subscriber Line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于边缘计算的图像数据处理方法，其特征在于，包括以下步骤：
步骤S1，使用采集设备采集待检测图像，使用Sobel算子对待检测图像进行边缘检测后获取边缘计算图像，对边缘计算图像进行标注并按标准格式构成训练集和测试集；
步骤S2，构建基于VGG-16模型的图像处理模型，使用卷积层替换VGG-16模型中的原全连接层，所述网络模型包括卷积层、批归一化层、ReLu激活函数层、最大池化层和分类层；
步骤S3，使用损失函数指导网络模型学习；
步骤S4，预设相关超参数，通过不断迭代衰减损失值达到网络参数权重优化的目的，直到迭代次数等于最大迭代次数，中止对训练集和测试集的训练，最后在实际场景下测试网络模型的性能；
步骤S5，使用采集设备实时采集待检测图像，将待检测图像转换成边缘计算图像并输入进训练好的网络模型中完成图像数据处理。
2.根据权利要求1所述的一种基于边缘计算的图像数据处理方法，其特征在于，所述步骤S1中使用Sobel算子对待检测图像进行边缘检测的方法包括：
步骤S1.1，使用Sobel算子对待检测图像进行高斯模糊获取第一图像；
步骤S1.2，将第一图像转换成灰度图像；
步骤S1.3，使用Sobel函数在x轴方向和y轴方向上进行求导；
步骤S1.4，将x轴方向和y轴方向上的边缘进行整合获取边缘计算图像。
3.根据权利要求2所述的一种基于边缘计算的图像数据处理方法，其特征在于，所述步骤S1.4中将x轴方向和y轴方向上的边缘进行整合的方法包括线性混合叠加方法、近似相加方法、近似梯度相加方法。
4.根据权利要求1所述的一种基于边缘计算的图像数据处理方法，其特征在于，所述步骤S2中图像处理模型的结构包括：
所述图像处理模型包括依次连接的第一卷积层、批归一化层、ReLu激活函数层、最大池化层、第二卷积层和分类层。
5.根据权利要求4所述的一种基于边缘计算的图像数据处理方法，其特征在于，包括：
将边缘计算图像输入进第一卷积层提取图像特征，将边缘计算图像数据输入进批归一化层；通过批归一化层对输入的边缘计算图像数据进行处理，调整中间输出参数，再使用ReLu激活函数层引入非线性因素，在第一卷积层、批归一化层、ReLu激活函数层进行对应第一次处理后使用最大池化层进行第一次滤波，当最大池化层完成第三次滤波后使用第二卷积层进行全连接，最后使用softmax分类器输出预测结果。
6.根据权利要求1所述的一种基于边缘计算的图像数据处理方法，其特征在于，所述步骤S3中的损失函数包括人眼感知loss损失函数。
7.根据权利要求1所述的一种基于边缘计算的图像数据处理方法，其特征在于，所述步骤S4包括：
采用批量训练的方法对训练集和测试集进行训练。
8.一种基于边缘计算的图像数据处理系统，其特征在于，包括采集单元、模型构建单元、模型训练单元和图像数据处理单元，其中：
采集单元，用于使用采集设备采集待检测图像，使用Sobel算子对待检测图像进行边缘检测后获取边缘计算图像，对边缘计算图像进行标注并按标准格式构成训练集和测试集；
模型构建单元，用于构建基于VGG-16模型的图像处理模型，使用卷积层替换VGG-16模型中的原全连接层，所述网络模型包括卷积层、批归一化层、ReLu激活函数层、最大池化层和分类层；
模型训练单元，用于使用损失函数指导网络模型学习，用于预设相关超参数，通过不断迭代衰减损失值达到网络参数权重优化的目的，直到迭代次数等于最大迭代次数，中止对训练集和测试集的训练，最后在实际场景下测试网络模型的性能；
图像数据处理单元，用于使用采集设备实时采集待检测图像，将待检测图像转换成边缘计算图像并输入进训练好的网络模型中完成图像数据处理。
9.一种电子设备，其特征在于，包括处理器和存储器；所述处理器中包括如权利要求8所述的基于图像识别进行智能监控的系统。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括指令；当指令在如权利要求9所述的电子设备上运行时，使得所述电子设备执行如权利要求1-7任一项所述的方法。
CN202310186137.XA 2023-03-01 2023-03-01 一种基于边缘计算的图像数据处理方法及系统 Pending CN116091844A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310186137.XA CN116091844A (zh) 2023-03-01 2023-03-01 一种基于边缘计算的图像数据处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310186137.XA CN116091844A (zh) 2023-03-01 2023-03-01 一种基于边缘计算的图像数据处理方法及系统

Publications (1)

Publication Number Publication Date
CN116091844A true CN116091844A (zh) 2023-05-09

Family

ID=86200831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310186137.XA Pending CN116091844A (zh) 2023-03-01 2023-03-01 一种基于边缘计算的图像数据处理方法及系统

Country Status (1)

Country Link
CN (1) CN116091844A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116824281A (zh) * 2023-08-30 2023-09-29 浙江大学 一种隐私保护的图像分类方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116824281A (zh) * 2023-08-30 2023-09-29 浙江大学 一种隐私保护的图像分类方法及装置
CN116824281B (zh) * 2023-08-30 2023-11-14 浙江大学 一种隐私保护的图像分类方法及装置

Similar Documents

Publication Publication Date Title
CN112446270B (zh) 行人再识别网络的训练方法、行人再识别方法和装置
CN113066017B (zh) 一种图像增强方法、模型训练方法及设备
CN111914997B (zh) 训练神经网络的方法、图像处理方法及装置
CN113011562B (zh) 一种模型训练方法及装置
CN107657249A (zh) 多尺度特征行人重识别的方法、装置、存储介质及处理器
KR20180004898A (ko) 딥러닝 기반의 이미지 처리 기술 및 그 방법
CN110222718B (zh) 图像处理的方法及装置
CN111797882B (zh) 图像分类方法及装置
CN105631466B (zh) 图像分类的方法及装置
CN106650615B (zh) 一种图像处理方法及终端
CN110807362A (zh) 一种图像检测方法、装置和计算机可读存储介质
CN113095370A (zh) 图像识别方法、装置、电子设备及存储介质
WO2022012668A1 (zh) 一种训练集处理方法和装置
CN112862828A (zh) 一种语义分割方法、模型训练方法及装置
CN107463932A (zh) 一种使用二进制瓶颈神经网络来抽取图片特征的方法
CN116452810A (zh) 一种多层次语义分割方法、装置、电子设备及存储介质
CN114445651A (zh) 一种语义分割模型的训练集构建方法、装置及电子设备
CN115018039A (zh) 一种神经网络蒸馏方法、目标检测方法以及装置
CN116091844A (zh) 一种基于边缘计算的图像数据处理方法及系统
CN116977674A (zh) 图像匹配方法、相关设备、存储介质及程序产品
CN117711043A (zh) 基于遮挡人脸的身份登录认证方法及系统、设备、介质
CN111126250A (zh) 一种基于ptgan的行人重识别方法及装置
CN115169548A (zh) 基于张量的持续学习方法和装置
CN116888605A (zh) 神经网络模型的运算方法、训练方法及装置
CN112232292A (zh) 应用于移动端的人脸检测方法及装置

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