[发明专利]一种基于神经网络的图像识别方法、计算机设备及介质

说明书

本发明公开一种基于神经网络的图像识别方法、计算机设备及介质，涉及半导体器件及集成电路技术领域，方法包括：采用神经网络对目标图像进行识别，得到目标图像的输出类别；神经网络包括输入编码模块、树突模块、胞体模块和突触阵列模块。树突模块包括树突器件，树突模块将所述中心像素点的脉冲信号集合转换成电压信号，通过树突器件对电压信号进行运算。本发明在神经网络中添加树突模块，利用树突模块完成运算过程，使得单层网络就具备强大的信息处理功能，基于此，本发明采用具有树突模块结构的神经网络进行图像识别，降低了系统复杂度、提高了运算效率。

技术领域

本发明涉及半导体器件及集成电路领域，特别是涉及一种基于神经网络的图像识别方法、计算机设备及介质。

背景技术

图像识别属于神经网络在图像处理、模式识别、机器视觉综合领域的一个典型应用场景。神经网络计算模拟人类大脑的结构和信息处理方式，具有大规模并行、存算一体的特点，满足大数据时代对数据处理高速、低功耗的需求。图像识别需要进行大量运算，运算包括非线性和线性运算。目前，大部分神经网络计算系统在实现运算时，采用外围电路或多层神经网络，其系统复杂度高、运算效率低。因此，亟需一种系统复杂度低、运算效率高的基于神经网络的图像识别方法。

发明内容

本发明的目的是提供一种基于神经网络的图像识别方法、计算机设备及介质，可降低系统复杂度、提高运算效率。

为实现上述目的，本发明提供了如下方案：

一种基于神经网络的图像识别方法，所述方法包括：

获取目标图像；

采用神经网络对所述目标图像进行识别，得到所述目标图像的输出类别；所述神经网络包括输入编码模块、树突模块、胞体模块和突触阵列模块；

其中，所述输入编码模块用于以所述目标图像中的每一像素点为中心像素点，对所述中心像素点的灰度值以及所述中心像素点对应的邻近像素点的灰度值分别进行编码，得到每一所述中心像素点的脉冲信号集合；所述脉冲信号集合包括所述中心像素点的第一脉冲信号以及所述中心像素点对应的邻近像素点的第二脉冲信号；所述邻近像素点为以所述中心像素点为中心的预设大小的区域内除所述中心像素点之外的像素点；所有所述中心像素点的第一脉冲信号的幅值相同、频率不同；所述中心像素点对应的所有所述邻近像素点的第二脉冲信号的幅值不同、频率相同；

所述树突模块与所述中心像素点一一对应；所述树突模块，包括树突器件，用于将所述中心像素点的脉冲信号集合转换成电压信号，通过所述树突器件对所述电压信号进行运算，得到树突器件响应电流信号；

所述胞体模块包括前神经元胞体模块；所述前神经元胞体模块与所述中心像素点一一对应；所述前神经元胞体模块用于对所述中心像素点的树突器件响应电流信号进行编码，得到所述中心像素点对应的前神经元胞体脉冲信号；

所述突触阵列模块用于利用突触阵列对所有所述中心像素点对应的前神经元胞体脉冲信号进行转换，得到n个突触器件响应电流信号；所述突触阵列为m行n列，其中，m为中心像素点的数量，n为类别的数量；

所述胞体模块还包括后神经元胞体模块；所述后神经元胞体模块与所述突触器件响应电流信号一一对应；所述后神经元胞体模块用于将所述突触器件响应电流信号进行编码，得到后神经元胞体脉冲信号；所述目标图像的输出类别根据所有所述后神经元胞体脉冲信号的频率确定。

可选的，所述对所述中心像素点的灰度值以及所述中心像素点对应的邻近像素点的灰度值分别进行编码具体包括：

利用泊松采样或高斯采样对所述中心像素点的灰度值以及所述中心像素点对应的邻近像素点的灰度值分别进行编码。

可选的，所述树突模块还包括树突电阻并联电路和跨阻放大器；