细胞/卷积神经网络智能视觉支付加速器的制造方法
【专利摘要】本实用新型提出了细胞/卷积神经网络智能视觉支付加速器，属于人工智能技术领域。本实用新型以细胞/卷积神经网络为核心，细胞/卷积神经网络芯片连接微处理器，微处理器连接内存模块、摄像头、通信接口模块、麦克风、扬声器、触摸显示屏和电源等必要的外围部件，构成一个具有模式识别功能的智能视觉支付加速器，对特定标识的图像或语音，提高了识别速度和精度，为用户和系统提供了更好的安全性和便利性，市场潜力巨大。
【专利说明】
细胞/卷积神经网络智能视觉支付加速器
技术领域
[0001]本实用新型属于人工智能技术领域，具体地说，涉及细胞/卷积神经网络(Cellular/Convolut1nal Neural Networks，CNN)智能视觉支付加速器。
【背景技术】
[0002]本实用新型是人工智能技术在电子支付领域中应用。
[0003]迄今为止，人类历史上已经历了三次工业革命，分别为机器工业革命、电汽工业革命、计算机工业革命，相对应解决了机器动力问题、能源传输问题、信息处理及传输问题，都为人类社会带来了生产力的巨大变革。目前，全球仍然在第三次工业革命的持续探索中，包括互联网、移动互联网浪潮都归属于其一系列衍生现象。下一次工业革命将是一次能完全替代人角色的人工智能革命。实质上，是人类复制了另一个自己，利用制造出来的机器人完全替代自身从事自主、智能的行为。目前这样一场轰轰烈烈的第四次工业革命，正在悄然向我们走来。
[0004]人工智能早在计算机学伊始时就已经产生，它最早是在1956年被作为一门学术学科建立起来。从那时起，科学界就认为每隔十年左右就会在此方面有大的突破性进展。在1940年的神经学研究中，人们就已经发现人类的大脑实际上就是一条神经网络，AlanTuring认为基于此概念建造一个电子大脑是可行的。1951年，一个24岁的研究生MarvinMinsky建造了世界第一个神经网络机，这台机器也被称为SNARC，它同时也是史上第一台人工自我学习机器。
[0005]机器学习属于人工智能的一个分支，而神经网络是机器学习的一个分支，是最实用、最有效的一个人工智能的分支。
[0006]早在1988年，杨林博士发表了如下两篇产生广泛影响的“细胞神经网络”论文和相关发明专利:
[0007]Leon O , Chua ； Lin Yang，“Cel lular Neural Networks: Theory，，，IEEETrans.Circuits and Systems,vo1.35(10)0ct.1988,pp.1257-12720
[0008]Leon 0,Chua ；Lin Yang，“Cellular Neural Networks-Applicat1ns，，，IEEETrans-Circuits and Systems,vo1.35(10)0ct.1988,pp.1273-12900
[0009]Leon 0,Chua；Lin Yang，“Cellular Neural Network”，United States Patent，Patent Number:5,I40,670,Date of Patent:Aug.18，1992。
[0010]在论文中，杨林博士提出了几个关键的基础性概念:并行处理、模拟电路、邻域直接连接、非邻域间接作用、非线性器件、多层网络、卷积算子、参数重新配置、应用于图像处理等，为神经网络的发展奠定了良好的基础，具体的技术细节在后面再描述。
[0011 ] 深度学习(Deep Learning)的概念由Hinton等人于2006年提出。深度学习领域中的突破引发了人工智能革命。近年来，微软、脸书、谷歌、IBM、百度等公司推出了各自的深度学习系统，运用“深度学习”技术提出了许多语音和图像的识别、合成算法。这些算法是一种计算机模拟人脑神经网络的算法。简单来说，就是用计算机搭建一个人工神经网络，然后通过已有的大量数据不断训练优化它。
[0012]人工神经网络的训练方式是通过向它展示大量的训练范例，然后逐渐对网络参数进行调整，直至它能够反馈出令人满意的分类。一个典型的网络是由10-30层(目前最深的达到了 150层)人工神经元堆积架构而成的。举例说明，当将一个图片信息发送给一个神经网络时，输入层接收信息并且进行低层次的处理后将结果输出给下一个层级，周而复始，直到到达最后一个层级，来决定该图像的分析结果。
[0013]为了获得更好的学习结果，神经网络的规模越来越大，层数越来越多，就成为了深度神经网络，深度神经网络是深度学习的一个重要分支。最早Google的深度神经网络Distblief用了 1000台机器、16000核处理，网络规模大概是10亿个神经元，而后Andrew Ng在Stanford大学用16台服务器，总共64个GPU，并且用了一个超级性能的交换机InfiniBand，可训练的网络规模达到了 112亿个神经元。最近，百度深度学习的网络规模已经达到了200亿的节点。估计不远的将来，深度神经网络的规模将达到1000亿个神经元，规模越大，对并行架构、优化算法提出前所未有的挑战，但超大规模后可能会获得更多新的认知。
[0014]基于上述深度学习的新算法和技术的部分性能已超过了人类大脑。人工智能在深度学习领域算法方面获得了一定突破的同时，国内外一些公司就将商业机会瞄准了如何用芯片实现这些已优化参数的深度神经网络算法，获得人工智能行为。例如，近期麻省理工(MIT)、高通(Qualcomm)、英特尔(Intel)、Nvidia、Movidius等都在研发深度学习芯片。
[0015]麻省理工学院(MIT)日前在国际固态电路大会(Internat1nal Solid StateCircuits Conference，ISSCC)发表一款深度学习芯片Eyeriss，用来实现人工神经网路。MIT宣称该芯片的效能是一般常用GPU的10倍，能够直接在设备上执行人工智能算法，不需要通过网络来处理资料。MIT表示，提升Eyeriss效能的关键在于最小化GPU核(Core)和存储器间交换资料的频率，而一般GPU核是共享单一的存储器，但是Eyeriss的每个核有自己的专用存储器。此外，每一个核都能够和邻近的核直接沟通，如果需要共享资料时，就不用透过主要存储器来传递，当卷积神经网路有很多节点在处理相同资料时，邻近的核间能够直接沟通很重要。而提升芯片效能还有一个关键是跨核心分配任务的专用电路，可以在不同类型的类神经网路重新配置，或是跨核自动配置资料。这些性能提高的关键点符合当年杨林博士提出的基本原则。
[0016]随着互联网和无线网络技术的发展，电子商务在我国得到了令人瞩目的成长，而电子支付是电子商务的关键环节，是电子商务得以顺利发展的基础。没有实时的电子支付手段相配合，交易就无法实现。电子支付是交易的当事人，包括消费者、商家和金融机构之间，使用安全电子手段，通过网络进行的货币或资金流转，即用户通过支付终端获得电子现金、信用卡、借记卡、金融卡等的支付信息，通过网络安全地传送到银行或相应的处理机构来实现电子支付。
[0017]电子商务的基本构成如图1所示，其中支付系统通常由以下功能模块组成:支付终端、客户端模块、与业务应用系统相连的支付服务器、与银行专用网相连的支付网关等。
[0018]客户端模块是在支付过程中，支付服务器根据用户的不同选择而触发的相应模块。当用户访问关键的业务数据，或在用户提交支付信息时，服务器端将激活用户端的安全代理模块，获取用户的证书、私钥、帐号信息、订单状态等信息，在用户与支付服务器之间建立安全链路，保障数据点对点通信的机密性和完整性。
[0019]支付服务器是与业务应用系统相关联的支付模块，它发起并控制一个支付流程的运作。通过一组标准的与具体业务部不相关的支付控制应用接口，支付服务器实现对多种业务的支持，主要功能包括:认证用户、支付网关的身份;提供订单管理服务;提供用户访问通道接口，以实现用户监控支付状态;处理各种支付消息；加解密交易数据;管理与之相连的业务服务实体的支付信息;管理配制多个支付网关;为上层业务应用提供标准接口，用于关联业务与支付过程。
[0020]支付网关是连接银行端的支付模块，负责连接银行内部专网与支付公网的连接，主要功能包括:提供银行和支付数据格式之间的相互转换；管理证书、私钥;认证用户与业务服务单位的身份;加解密支付数据;判断支付服务器提交的支付数据的完整性;提供用户访问通道接口，以实现用户监控支付状态;提供与多个不同银行内部网相连的配置。
[0021]支付终端是用户在消费时，连接于POS机的各种采集器，完成不同银行信用卡、借记卡、金融卡、二维码、特定标识等的信息采集和一定的信息识别，送给后端或远端的支付服务器做进一步处理。
[0022]对于传统信用卡、借记卡、金融卡等的POS机支付流程，大家已经习以为常。二维条码/二维码(Dimens1nal Barcode)是按一定规律用特定的几何图形在黑白相间分布的图形平面(二维方向)上记录数据符号信息，目前最常见的是QR码(Quick Response,QR)。(?码由空白区包围，分为功能图形和编码区格式两部分，前者包括位置探测图形及分隔符、定位图形和校正图形;后者包括格式信息、版本信息和数据纠错信息。通过图像输入设备或光电扫描设备自动识读，以实现信息自动处理。二维码生成过程就是条码的编码，将可读信息转换成码字，再加上必要的附加信息，然后绘制条码。在现在电子商务中，可以用手机生成二维条码或QR码，然后由扫描枪自动识读，完成支付。
[0023]银行卡和QR码等的电子支付活动给人民的日常金融消费带来了极大的便捷，但同时带来了诸多不便，比如银行卡过多，携带不便;忘记携带银行卡或手机，影响正常刷卡或扫QR码;银行卡遗失，不但补卡费时费力，而且存在极大的安全隐患。另外，银行卡或手机的密码容易被窃取或者被黑客攻击而破解，比如当用户在ATM终端输入密码时，别人只要注意观察其动作就可以猜测出密码。
[0024]由于存在这些问题，为了更好地确保系统的安全性和方便性，人们将目光转移到了生物特征或特定标识的识别技术上，因为人体某些生物特征或特定标识各不相同并且很难遗失和仿制。目前使用的生物识别技术主要有指纹、虹膜、视网膜、语音、面部和DNA，以及特定标识的识别技术。特定标识是一些具有明显区别于其它事物特征的物品或饰品、图案和生物特征，比如签名、纹身、领带、戒指或项链等，以及面孔、语音声纹等，或者更进一步，把图像、视频、文字和声音等多种标识组合到一起，构成一个多模态的特定标识。
[0025]在这些生物和特定标识识别技术中，指纹识别已经得到了实际应用，特别是在智能手机中，许多已经带有指纹识别器。指纹可以看作是一种特定标识，用于支付身份的鉴权。指纹支付就是利用每个人所特有的指纹信息，完成电子支付的系统。指纹支付终端会采集用户的指纹，进行处理后提取特征信息，然后将这些特征信息和消费金额封装成规定的协议格式通过WIFI或网卡发送到支付服务器，以完成支付过程。指纹的采集对硬件要求不高，比较容易实现，快速可靠的指纹图像处理、识别算法也迅速发展，已经可以用于支付终端。美国Paybytouch公司将指纹采集设备放置在连锁超市，消费者能够通过指纹进行身份认证和支付，减少客户的等待时间，降低商家的交易成本，这样方式同样也适用于电子商务支付。
[0026]虽然指纹识别支付得到了应用，也存在极大的安全隐患，由于每个人的指纹独一无二且很难发生变化，在某些场合容易留下指纹而被窃取，而且有的地方已有贩卖指纹膜的，这样就能模仿盗取他人的指纹。
[0027]为了提高系统的安全性，需要更多地采用非固定的特定标识，例如签名、戒指、纹身、饰物、图案、物品的图像等，以及面孔、声纹等生物特征，或者图像、视频、文字和声音等组合到一起，构成多模态特征，更不容易被别人猜测到，而不是诸如指纹、虹膜等面积较少的、固定的生物特征。但采用签名、纹身、饰物、特定图案、面孔、声纹等特定标识，需要大量计算来完成特征提取和识别，这对一般计算机或传统的支付终端来讲，是非常困难的。如果摄像头采集的图像直接传给后端做识别处理，对传输线路会提出很高的要求，即使采用了数据压缩，以现有的压缩算法，数据量还是很大的。这对市场推广很不利。
[0028]让计算机识别和理解图像，是人工智能最重要的目标之一。尤其是在互联网时代，摄像头将人们选定的某个特定物品或图案捕捉下来，如果能够让手机、便携设备、支付终端等很好地识别和理解图像，将对电子商务产生巨大的应用场景。
[0029]但从上面所述看，不管是谷歌、百度等的大规模深度神经网络，还是MIT等单位的深度学习芯片，由于规模、功耗、体积、成本或计算效率等问题，现阶段用于支付终端还存在一定的难度。
【发明内容】
[0030]针对现有深度神经网络芯片存在的功耗高、芯片面积大和计算速度慢等，不适用于支付终端的问题，本实用新型提出了一种细胞/卷积神经网络智能视觉支付加速器，以蜂窝/卷积神经网络(Cellular/Convolut1nal Neural Networks，CNN)为核心，由摄像头(图像获取)、内存、微处理器MCU和通信接口模块等组成了一个图像识别深度学习的神经网络加速器，提高了集成度，降低了功耗，提供了图像识别速度和精度，能够实时完成图像识别，并且配置灵活，通过可编程配置可完成不同的图像识别功能，增强了电子支付的安全性和便利性。
[0031 ]本实用新型提出的细胞/卷积神经网络智能视觉支付加速器，由以下模块组成:
[0032]摄像头，用于获得特定标识的图像或视频，把得到的图像或视频送给机器视觉识别芯片；
[0033]机器视觉识别芯片，按预置的功能处理摄像头输入的图像信号或麦克风输入的声音信号，得到相应的特征值，送给微处理器；
[0034]微处理器，设置和检测机器视觉识别芯片的工作状态，接收机器视觉识别芯片送来的图像特征数据，运行图像识别和身份确认算法，控制显示屏的显示；
[0035]内存模块，保存输入的原始数据、中间计算结果和最终的图像特征数值；
[0036]显示屏，用以显示机器视觉识别芯片或系统的工作状态和系统配置信息，以及展不相关图片或视频资料；
[0037]通信接口模块，完成加速器内部和外部的命令、数据交换，使得芯片按配置的方式工作，并输入输出计算结果；
[0038]麦克风，拾取用户的声音信号，经微处理器送给机器视觉识别芯片；
[0039]扬声器，用于播放语音信息；
[0040]电源模块，为机器视觉识别芯片和系统提供稳定的供电；
[0041]其特征在于所述的机器视觉识别芯片连接摄像头和微处理器，微处理器连接内存模块、显示屏、通信接口模块、麦克风、扬声器和电源，构成基于智能视觉识别的支付加速器。
[0042]所述的细胞/卷积神经网络智能视觉支付加速器，其特征在于，所述的机器视觉识别芯片是细胞/卷积神经网络芯片。
[0043]所述的细胞/卷积神经网络智能视觉支付加速器，其特征在于，所述的细胞/卷积神经网络支付加速器可以内置于平板电脑、笔记本电脑，以及两者二合一的设备。
[0044]由上述方案可以看出，本实用新型围绕细胞/卷积神经网络CNN，和摄像头、
[0045]由上述方案可以看出，本实用新型围绕细胞/卷积神经网络CNN，和摄像头、内存、微处理器和通信接口等，构成一个具有模式识别功能的智能视觉支付加速器，提高图像识别速度和精度，克服了现有大规模深度神经网络或深度学习芯片的不足，具有集成度高、功耗小、计算速度快、配置灵活等特点。智能视觉支付加速器使得支付终端像人类视觉系统一样，具有“看懂”世界的能力，使得支付无需密码，不要要定期更换，没有记忆负担;无需携带银行卡片或手机，就可以随时支付，避免了银行卡或手机的丢失、被盗、被复制等;可以选择不同的特定标识作为多重密码或登入多个账户；网络上传输的是某个特定标识的图像特征数据，具有很好的随机性，这些都为用户和系统提供了更好的安全性和便利性。本实用新型适用范围广，市场潜力巨大。
【附图说明】
[0046]图1是电子商务系统构成框图。
[0047]图2是本实用新型提出的CNN智能视觉支付加速器原理框图。
[0048]图3是4 X 4两维蜂窝神经网络示意图。
[0049]图4是单个细胞等效电路的举例。
【具体实施方式】
[0050]下面将结合附图对本实用新型的具体实施例进行详细描述。
[0051]本实用新型以先进的细胞/卷积神经网络(CNN)芯片为核心，和摄像头(图像获取)、微处理器、内存和通信接口等构造一个深度学习的智能视觉支付加速器，提高支付终端的识别速度和精度，加速器原理框图如图2所示。
[0052]细胞/卷积神经网络(CNN)芯片:用于图像特征提取，提取出摄像头送来的图像或视频中的所关注的图像主要特征。CNN芯片的核心是细胞/卷积神经网络(CNN)，CNN网络的原理框图如图3所示，CNN网络可以构建现在正火热的深度学习系统。如同人类的神经网络，CNN由大量非线性模拟电路组成，能够实时处理输入的信号，当然现在这些非线性模拟电路的功能也可以采用数字电路来实现。这些非线性模拟电路构成的单元称之为细胞(Cell)，达数百万个的细胞按一定的规则排列，只有最邻近的细胞才直接互相相连，交换信息。远端的细胞通过耦合间接地发挥影响。每个细胞由线性电容、线性电阻、非线性的压控电流源、独立的电压源和独立的电流源等组成，如图4所示，也可以用数字电路实现与图4等效的功能。CNN利用了模拟和数字两个世界的优势，它的连续时间特性可以实时处理信号，本地互联特性使得它便于大规模集成电路实现，CNN特别适用于信号平行处理。
[0053]图3给出的是二维一层CNN网络结构，可以进一步构筑多层的CNN，增加学习的深度，如同现在的深度学习网络架构。CNN细胞的参数是可以通过事先设置，并在后面使用过程中通过程序再次设置。
[0054]不同的CNN细胞、不同的CNN层可以完成不同的图像处理功能，比如不同细胞分别完成图像降噪、图像纹理、边缘检测、图像分割、凸凹角检测、边界提取、孔洞填充、骨架提取、裁剪等，从而实时地得到图像的各种特征，便于后续微处理进一步实现图像识别、表示和描述。当然，图像的识别、表示和描述同样可以由不同配置的CNN实现。
[0055]这里描述的CNN主要是从提取图像特征出发的，当然CNN也可用于语音或声音的深度学习，提取语音信号或声音信号的特征提取，比如声纹特征，然后用于语音或声音的识另U，原理和图像是类似的。
[0056]CNN获得的图像特征信号可以直接送给微处理器MCU，两者连接接口可以是串行或并行数据接口。
[0057]关于CNN更详细的原理，请参见前面给出的杨林博士所申请的发明专利和发表的学术论文。基于CNN原理，已完成集成电路一智能视觉芯片(Smart Vis1n IntegratedCircuit，SViC)的设计和流片。
[0058]摄像头:用于拍摄我们所关注或要处理的特定标识的图像或视频，把获得的图像或者视频送给CNN芯片。市场上摄像头非常多，一般都能满足本实施例的要求，本实施例中采用了索尼頂X135，采用背照式成像传感器，分辨率为4224X3176。
[0059]微处理器MCU:微处理连接到CNN芯片，和CNN芯片进行通讯，设置和检查CNN芯片的工作状态。设置CNN芯片的初始工作模式，在系统运行期间，它可以读取CNN芯片的工作状态，并重新设置CNN中各个细胞的配置参数，获得不同的图像特征。根据所选用微处理器的能力，让微处理器依据CNN获得的图像特征，参与部分图像识别工作，微处理器和CNN芯片配合加速完成不同的图像识别功能，提高识别速度和识别性能，一起起到图像识别加速的作用。依靠识别出的图像内容，可以完成用户认证和鉴别;或者微处理器把相关特征和初步识别结果通过无线网络上传到云端，由云端进行处理后返回结果，再进行支付。
[0060]在本实施例中，微处理选用了ARM内核的处理器，具有功耗低、运行速度快、种类多等特性，目前占据市场主导地位，高通、三星、联发科、华为、全志、瑞芯微、晶晨等众多公司都能提供ARM微处理器。在本实施例中选用了三星公司的S5PV210作为微处理器，S5PV210采用了ARM CortexTM-A8内核，ARM V7指令集，主频可达IGHZ，64/32位内部总线结构，32/32KB的数据/指令一级缓存，512KB的二级缓存，可以实现2000DMIPS(每秒运算2亿条指令集)的高性能运算能力。S5PV210具有强大的硬件编解码功能，内建MFC(Multi Format Codec)和PowerVR SGX5403D图形引擎和2D图形引擎，能够支持DX9，SM3.0，0penGL2.0等PC级别显示技术。具备IVA3硬件加速器，内建的HDMIvl.3，可以将高清视频输出到外部显示器上。S5PV210的存储控制器支持LPDDRl，LPDDR2和DDR2类型的RAM，Flash支持Nandf Iash，Norflash，OneNand等。
[0061]内存:用于保存CNN芯片和微处理器等涉及到的输入的原始数据、中间计算结果和最终的图像特征数值等。CNN芯片自身也有存储器，也可以部分保存图像特征过程中涉及到的数据。本实施例中内存选用了美光MT47H64M16HR，是DDR2 SDRAM，容量IGbi t。微处理器的Flash扩展采用了三星K9F1G08U0E，属于NAND Flash，容量为IGb。
[0062]通信接口模块:完成加速器和外部的命令、数据交换，支持串行数据接口，包括USB、I2C等，并行数据接口，诸如三星S5PV210等，一般ARM处理器本身就具有USB、I2C、并行数据接口、0TG等接口。还支持RJ45接口的以太网，以及无线网络WiFi接口。本实施例中以太网控制器选用了 WIZnet公司的W5500，支持通过有线网与支付服务器的通信。WiFi模块选用了安信可ESP8266。
[0063]触摸液晶显示屏LCD:微处理器还连接有触摸液晶显示屏，用以显示CNN芯片或系统的工作状态和系统配置等信息，以及通过触摸屏接受用户的输入。本实施例的触摸液晶显示屏采用了淘晶驰TJC4024T032_011R屏，触摸方式为电阻式。
[0064]麦克风:用于将用户的声音信号转换为电信号，通过微处理器M⑶送给CNN芯片，进行声音特征提取，进而完成声音识别，实现用户认证和基于声音的支付，也可以和图像、视觉等组合到一起构成多模态支付。本实施例对麦克风没有特殊要求，一般市场上的麦克风都可满足要求。
[0065]扬声器:用于播放语音信息，比如提示音。本实施例对扬声器没有特殊要求，一般市场上的扬声器都可满足要求。
[0066]电源:用于给CNN芯片和系统提供所需的稳定供电。
[0067]上述内存芯片、通信接口芯片或模块、麦克风、扬声器以及触摸液晶显示屏都通过合适的管脚连接到微处理芯片上。
[0068]本实施例的特征在于所述的细胞/卷积神经网络(CNN)芯片和摄像头、内存、微处理器、通信接口模块和电源等构成图像或视频支付中特征提取和识别加速器。
[0069]本实施例采用了Android操作系统，所涉及到软件，在此就不再赘述了。
[0070]本实用新型以细胞/卷积神经网络(CNN)芯片为核心构成了智能视觉支付终端，可用于商场、超市等，以及网上商店，具有突出的优点:无需使用密码，密码也不需要定期更换，不怕忘记了，没有记忆负担;无需携带银行卡或手机，也可随时支付，给人们带来极大的方便，避免银行卡丢失、被盗、复制等不安全行为;可以利用多个特定标识构成多重密码，提高系统安全性，或者登入多个账户；图像特征的长度是普通密码无法比拟的，密码强度会非常高；网络上传输的是某个特定标识的图像特征数据，具有很好的随机性，即使得到了这些数据，破译难度也很大。这些都为用户和系统提供了更好的安全性和便利性。
[0071 ]上述实施例中是把CNN芯片内置在支付终端里，当然，所述的CNN加速器也可以内置于除支付终端以外的智能手机和其它便携设备里，例如把所述CNN加速器内置于平板电脑，像IPAD，和笔记本电脑，以及两者二合一的笔记本电脑等。
[0072]同样地，CNN芯片可以做成具有相应标准接口的计算机板卡，如同现在大规模深度神经网络中普遍采用的GPU板卡，插入个人台式计算机(PC机)、服务器、工作站以及大中型计算机等里面，构建基于CNN芯片的大规模深度神经网络系统，完成大数据的深度学习支付系统。
[0073]上述实施例中涉及到的细胞/卷积神经网络(Cellular/Convolut1nal NeuralNetWOrkS，CNN)芯片，在实际具体实施中，也可以替换为其它机器视觉识别芯片，例如基于浅度学习(Shallow Learning)的机器视觉识别芯片、基于自动编码器(AutoEncoder)、稀疏编码(Sparse Coding)、限制玻尔兹曼机(Restricted Boltzmann Machine，RBM)、深信度网络(Deep Belief Networks)等算法的深度学习(Deep Learning)的机器视觉识别芯片。
[0074]上述【具体实施方式】以较佳实施例对本实用新型进行了说明，但这只是为了便于理解而举的一个形象化的实例，不应被视为是对本实用新型范围的限制。同样，根据本实用新型的技术方案及其较佳实施例的描述，可以做出各种可能的等同改变或替换，而所有这些改变或替换都应属于本实用新型权利要求的保护范围。
【主权项】
1.细胞/卷积神经网络智能视觉支付加速器，由以下模块组成: 摄像头，用于获得特定标识的图像或视频，把得到的图像或视频送给机器视觉识别芯片； 机器视觉识别芯片，按预置的功能处理摄像头输入的图像信号或者麦克风输入的声音信号，得到相应的特征值，送给微处理器； 微处理器，设置和检测机器视觉识别芯片的工作状态，接收机器视觉识别芯片送来的图像特征数据，运行图像识别和身份确认算法，控制显示屏的显示； 内存模块，保存输入的原始数据、中间计算结果和最终的图像特征数值； 显示屏，用以显示机器视觉识别芯片或系统的工作状态和系统配置信息，以及展示相关图片或视频资料； 通信接口模块，完成命令、数据的交换； 麦克风，拾取用户的声音信号，经微处理器送给机器视觉识别芯片； 扬声器，用于播放语音信息； 电源模块，为机器视觉识别芯片和系统提供稳定的供电； 其特征在于所述的机器视觉识别芯片连接摄像头和微处理器，微处理器连接内存模块、显示屏、通信接口、麦克风、扬声器和电源，构成基于智能视觉识别的支付加速器。2.根据权利要求1所述的细胞/卷积神经网络智能视觉支付加速器，其特征在于，所述的机器视觉识别芯片是细胞/卷积神经网络芯片。
【文档编号】G06N3/02GK205665729SQ201620177655
【公开日】2016年10月26日
【申请日】2016年3月9日
【发明人】陈进民, 林建国
【申请人】陈进民, 林建国