申请/专利权人:国华(赤城)风电有限公司;北京国氢中联氢能科技研究院有限公司
申请日:2023-12-25
公开(公告)日:2024-04-12
公开(公告)号:CN117876850A
主分类号:G06V10/94
分类号:G06V10/94;G06V10/82;G06N3/0464;G06N3/08
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.30#实质审查的生效;2024.04.12#公开
摘要:本说明书实施例提供了一种AI摄像头的图像识别优化方法、装置、设备及存储介质,其中,方法包括:获取多媒体数据,对所述多媒体数据进行预处理得到待输入数据,构建卷积神经网络模型,根据所述待输入数据训练所述卷积神经网络模型,将训练完成的所述卷积神经网络模型部署到AI摄像头中进行图像识别,以解决AI摄像头在复杂场景和多样化数据的图像识别过程中图像识别准确率不高的问题。
主权项:1.一种AI摄像头的图像识别优化方法,其特征在于,包括步骤:S1、获取多媒体数据,对所述多媒体数据进行预处理得到待输入数据;S2、构建卷积神经网络模型;S3、根据所述待输入数据训练所述卷积神经网络模型,将训练完成的所述卷积神经网络模型部署到AI摄像头中进行图像识别;其中,所述卷积神经网络模型包括输入层、卷积层、第一激活函数、池化层、第二激活函数、全连接层和输出层;所述输入层将接收的多媒体数据转换成适合卷积神经网络的数据格式;所述卷积层通过在图像上滑动的滤波器执行卷积操作,提取图像数据的纹理信息特征和空间信息特征或提取视频数据的时间信息特征和空间信息特征,再将提取的特征表示为神经元的激活;所述第一激活函数和所述第二激活函数均采用ReLU函数,将线性函数的输出数据转换为非线性函数;所述池化层用于降低特征向量的维度并保持重要的特征信息;所述全连接层将提取的特征向量整合为全局特征向量映射到输出层,所述输出层将所述全局特征向量映射到最终的输出数据;采用Dropout和正则化避免过拟合,损失函数采用分类交叉熵损失函数和鲁棒性损失函数的组合;通过Adam优化器进行参数更新;通过早停技术防止过度训练;使用批量归一化方法加速卷积神经网络模型的训练。
全文数据:
权利要求:
百度查询: 国华(赤城)风电有限公司;北京国氢中联氢能科技研究院有限公司 AI摄像头的图像识别优化方法、装置、设备及存储介质
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。