[发明专利]基于人工智能的全时全域训练大数据平台

权利要求书

1.一种基于人工智能的全时全域训练大数据平台，其特征在于，包括：

标准化训练素材采集系统，用于通过身份制和界面化的方式利用泛在物联网进行训练数据的标准化采集；

素材智能化识别系统，用于对所述训练数据进行图像特征智能化识别；

基于OCR的训练素材处理系统，用于对所述训练数据进行文本素材识别与提取处理；

微服务架构系统，用于基于所述训练数据提供平台微服务处理；所述微服务处理包括动态负载均衡处理、分布式消息传输与数据交互处理和信息安全处理；

综合可视化系统，用于根据所述训练数据和微服务处理结果进行训练数据可视化展示。

2.根据权利要求1所述的基于人工智能的全时全域训练大数据平台，其特征在于，所述素材智能化识别系统包括：

数据标准化模块，用于获取不同型号和分辨率的训练采集图像，对各所述训练采集图像进行标准化处理得到尺寸统一的各训练图像；

小尺度识别模块，用于采用小尺度判别模型进行各所述训练图像的归属部位及质量判别，得到小尺度判别结果；所述小尺度判别模型为基于深度卷积神经网络搭建的训练数据质量及部位的小尺度判别模型，所述小尺度判别结果包括图像质量的达标情况以及图像所属的部位；

对抗识别模块，用于采用基于监督式生成对抗网络的图像显著性检测模型，对判别的非显性训练图像进行非显著性信息识别检测，输出精确的显著图像；所述非显性训练图像为所述小尺度判别结果中识别到疑似非规范动作的所述训练图像；

大尺度识别模块，用于采用大尺度判别模型对所述显著图像进行特征识别，得到代表所述显著图像对应的所述训练图像的最优特征图；所述大尺度判别模型为基于多尺度特征融合的训练图像质量及部位的大尺度判别模型。

3.根据权利要求2所述的基于人工智能的全时全域训练大数据平台，其特征在于，所述基于监督式生成对抗网络的图像显著性检测模型包括生成器网络和鉴别器网络，所述生成器网络为U-Net网络结构；

对抗识别模块用于对判别的非显性训练图像进行非显著性信息识别检测，输出精确的显著图像的过程中，包括用于：

将所述非显性训练图像经过所述生成器网络和鉴别器网络进行交替训练，提取图像高级显著特征并将编码器输出直连至同层级的解码器；

通过所述鉴别器采用监督式学习调整优化网络参数且所述生成器持续更新参数输出更逼真图，进行对抗训练；

采用混合损失函数进行预测图像处理，输出精确的所述显著图像；所述混合损失函数包括基础损失函数和改进损失函数，所述改进损失函数为：

其中，x表示输入像素，表示真值图像的代取期望，表示图像元素的代取期望，D(x,y)表示采样数据，y表示真值图像数据，G(x)表示生成器输出值。

4.根据权利要求2所述的基于人工智能的全时全域训练大数据平台，其特征在于，所述大尺度判别模型通过在经典卷积神经网络的基础上，引出conv4_3、conv7、conv8_2、conv9_2、conv10_2和conv11_2卷积层并在不同方向的特征图前增加BN层训练得到。

5.根据权利要求1所述的基于人工智能的全时全域训练大数据平台，其特征在于，所述微服务架构系统包括：

负载均衡模块，用于采用基于处理能力的动态权重调度算法，对全时全域训练大数据平台的各服务节点进行负载均衡处理；

分布式处理模块，用于采用基于消息中间件的非阻塞两段提交协议，对所述全时全域训练大数据平台进行分布式消息传输与数据交互处理；

信息安全模块，用于采用分层结构存储和代理重加密的方式，对所述全时全域训练大数据平台的数据进行数据存储及信息加密处理。

6.根据权利要求5所述的基于人工智能的全时全域训练大数据平台，其特征在于，所述负载均衡模块包括：

节点参数子模块，用于定期向所述全时全域训练大数据平台的服务节点采集对象参数；所述对象参数包括所述服务节点的利用率及空闲率；

均衡处理子模块，用于根据引入的边界阈值以及所述对象参数进行负载情况监控与均衡处理。