[实用新型]一种基于深度学习的图像目标识别模型训练系统有效

专利信息
申请号: 202022475969.8 申请日: 2020-10-31
公开(公告)号: CN213361678U 公开(公告)日: 2021-06-04
发明(设计)人: 宋清卿 申请(专利权)人: 宋清卿
主分类号: F16M11/04 分类号: F16M11/04;F16M11/12;F16M11/18;G06K9/20;H04N5/232
代理公司: 暂无信息 代理人: 暂无信息
地址: 215009 江苏省苏州市虎*** 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: 一种 基于 深度 学习 图像 目标 识别 模型 训练 系统
【说明书】:

实用新型公开了一种基于深度学习的图像目标识别模型训练系统,属于图像识别领域,包括安装座、转动平台结构、圆弧导轨、弧形齿条、行走结构、伸缩图像采集结构。通过安装座上的转动平台结构对需要进行图像识别的目标进行承载,通过伸缩图像采集结构可改变在伸缩图像采集结构上的采集摄像头距离图像识别目标的远近,通过圆弧导轨上的行走结构带动伸缩图像采集结构运动进而改变采集摄像头的拍摄角度,配合转动平台结构的转动可实现对图像识别目标的水平任意方向的角度调节,进而通过上述三者相配合实现了对图像采集目标的转动平台结构上方的空间各个角度的图像采集且可调节距离图像识别目标的远近,便于对图像识别目标的图像采集。

技术领域

本实用新型涉及图像识别领域,特别是一种基于深度学习的图像目标识别模型训练系统。

背景技术

图像识别技术是人工智能的一个重要领域,它是对图像进行对象识别,以分辨各种不同模式的目标和对象的技术。在现有的图像识别技术中,通常采用深度学习技术创建图像识别模型以提升图像目标识别的准确率。当现有的图像识别模型不能满足需求时,则通常采用深度学习中的迁移学习(Transfer learning)技术,来让一个已经训练好且源数据量较大的模型适配自身的问题。例如,使用imageNet数据集预训练好的模型进行图像特征提取,然后用提取到的特征输入一个分类器进行训练,最终得到所需的新模型。

然而,无论是创建新的图像识别模型还是对现有的图像识别模型进行迁移学习,都需要对模型进行不同程度的训练,训练时需要采集几千张甚至上万张不同角度的关于目标的图像,这个图像采集过于繁琐,因此需要一种解决上述问题的基于深度学习的图像目标识别模型训练系统。

实用新型内容

本实用新型的目的是为了解决背景技术中提出的问题,设计了一种基于深度学习的图像目标识别模型训练系统。

实现上述目的本实用新型的技术方案为,一种基于深度学习的图像目标识别模型训练系统,包括安装座、转动平台结构、圆弧导轨、弧形齿条、行走结构、伸缩图像采集结构,所述转动平台结构安装于安装座上,所述圆弧导轨固定安装于安装座一侧且其顶点位于转动平台结构正上方,所述弧形齿条固定贴合安装于圆弧导轨侧表面上且与圆弧导轨形状对应,所述行走结构滑动套装于圆弧导轨外,所述伸缩图像采集结构滑动插装于行走结构上。

进一步的,所述转动平台结构包括一号减速电机、转台、橡胶垫,所述一号减速电机固定安装与安装座内,所述转台固定安装于一号减速电机上部的输出端上,所述橡胶垫固定贴合安装于转台上表面上。

进一步的,所述行走结构包括滑块、容纳槽、二号减速电机、行走齿轮,所述滑块滑动套装于圆弧导轨外,所述容纳槽开于滑块前侧且所述弧形齿条位于其内,所述二号减速电机固定嵌装安装于滑块上且位于容纳槽下方,所述行走齿轮固定安装于二号减速电机上部的输出端上且与弧形齿条咬合连接。

进一步的,所述伸缩图像采集结构包括直齿条、三号减速电机、伸缩齿轮、采集摄像头,所述直齿条滑动插装于滑块内侧且与圆弧导轨相垂直,所述三号减速电机固定安装于滑块后侧上部,所述伸缩齿轮固定安装于三号减速电机输出端上且与直齿条咬合,所述采集摄像头固定安装于直齿条内端。

进一步的,所述直齿条为前后两侧开有槽状结构的齿条状结构,所述直齿条的齿面不与滑块相接触。

有益效果

本实用新型提供了一种基于深度学习的图像目标识别模型训练系统,具备以下有益效果,本装置通过其结构设计,利用安装座上的转动平台结构对需要进行图像识别的目标进行承载,通过伸缩图像采集结构可改变在伸缩图像采集结构上的采集摄像头距离图像识别目标的远近,进而便于采集距离图像识别目标不同距离的图像;

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宋清卿,未经宋清卿许可,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/202022475969.8/2.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