[发明专利]一种基于深度学习的边缘计算烟火识别方法及智能终端在审

专利信息
申请号: 201810701630.X 申请日: 2018-06-29
公开(公告)号: CN110728284A 公开(公告)日: 2020-01-24
发明(设计)人: 景象 申请(专利权)人: 南京汇承科技有限公司
主分类号: G06K9/46 分类号: G06K9/46;G06K9/62;G06N3/04;G06N20/00
代理公司: 31306 上海愉腾专利代理事务所(普通合伙) 代理人: 唐海波
地址: 210019 江苏省南京市建邺*** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 图像 烟火 烟火识别 智能终端 卷积神经网络 特征数据库 模型提取 算法识别 图像输入 样本数据 构建 预处理 学习 采集图像 分类识别 模型获得 连接层 卷积 算法 嵌入 架构
【权利要求书】:

1.一种基于深度学习的边缘计算烟火识别方法,其特征在于,所述基于深度学习的边缘计算烟火识别方法包括以下步骤:

通过边缘计算架构在智能终端嵌入烟火识别算法;

通过智能终端采集图像后通过烟火识别算法识别烟火图像;

其中通过烟火识别算法识别烟火图像具体包括:

对图像进行预处理,对图像的样本数据集进行扩充;

基于VGG16模型利用卷积层代替全连接层构建卷积神经网络模型;

训练卷积神经网络模型获得深度学习模型;

将图像的样本数据集中的图像输入深度学习模型提取烟火特征并构建特征数据库;

将待识别图像输入深度学习模型提取烟火特征;

根据特征数据库通过SVM对提取的待识别图像烟火特征进行分类识别。

2.根据权利要求1所述的基于深度学习的边缘计算烟火识别方法,其特征在于,所述训练卷积神经网络模型获得深度学习模型包括:采用反向传播算法和随机梯度下降方法,根据前向传播loss值的大小,来进行反向传播迭代更新每一层,直到模型的loss值趋向于收敛时,停止训练模型,得到深度学习模型。

3.根据权利要求2所述的基于深度学习的边缘计算烟火识别方法,其特征在于,所述将图像的样本数据集中的图像输入深度学习模型提取烟火特征并构建特征数据库包括:将数据集中的每一幅图像输入到所述的深度学习模型中,针对输入的图像,在图像的倒数第二层全卷积层提取深度学习特征。

4.根据权利要求1所述的基于深度学习的边缘计算烟火识别方法,其特征在于,所述待识别图像为智能终端摄像头实时拍摄的图像。

5.根据权利要求1至4之一所述的基于深度学习的边缘计算烟火识别方法,其特征在于,所述对图像进行预处理包括:

对图像进行以下操作之一或组合:随机裁剪、旋转、翻转、调整亮度和调整对比度。

6.根据权利要求5所述的基于深度学习的边缘计算烟火识别方法,其特征在于,将处理后的图像数据存入预先建立的内存数据库以扩充样本数据集。

7.一种基于深度学习的边缘计算烟火识别智能终端,其特征在于,所述基于深度学习的边缘计算烟火识别智能终端包括壳体和设置在壳体内的控制板,所述控制板上设有CPU、FLASH、内存以及TCP/IP接口;所述CPU为智能终端的核心模块,其内设有烟火识别单元;所述FLASH和内存用于存储和缓存前端摄像头的图片以及CPU的分析中间数据和分析结果数据,分别与CPU相连,实现数据的读写处理;所述TCP/IP接口分别与CPU和内存相连,用于从前端摄像头获取图片以及将分析结果传至后端,所述烟火识别单元包括以下部分:

预处理模块,用于对图像进行预处理,对图像的样本数据集进行扩充;

模型构建模块,用于基于VGG16模型利用卷积层代替全连接层构建卷积神经网络模型;

模型训练模块,用于训练卷积神经网络模型获得深度学习模型;

特征数据库模块,用于将图像的样本数据集中的图像输入深度学习模型提取烟火特征并构建特征数据库;

特征提取模块,用于将图像输入深度学习模型提取烟火特征;

识别模块,用于根据特征数据库通过SVM对提取的待识别图像烟火特征进行分类识别。

8.根据权利要求7所述的基于深度学习的边缘计算烟火识别智能终端,其特征在于,所述图像采集装置为摄像头。

9.根据权利要求8所述的基于深度学习的边缘计算烟火识别智能终端,其特征在于,还包括1.25V产生电路,用于将3.3V电压经过稳压变换为1.25V电压供电路使用。

10.根据权利要求9所述的基于深度学习的边缘计算烟火识别智能终端,其特征在于,还包括电源线接口和电源指示灯,分别与CPU相连。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京汇承科技有限公司,未经南京汇承科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201810701630.X/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top