深度学习网络处理装置、方法及图像处理单元与流程

本发明涉及深度学习网络技术领域，具体为深度学习网络处理装置、方法及图像处理单元。

背景技术：

“深度学习是机器学习的一系列算法，它试图在多个层次中进行学习，每层对应于不同级别的抽象。它一般使用人工神经网络，学习到的统计模型中的不同层对应于不同级别的概念，高层概念取决于低层概念，而且同一低层的概念有助于确定多个高层概念。”

现有的基于深度学习的图像识别算法，它们的计算大多放到云端进行，终端计算能力不足导致现有的方案只能在终端上实现简单的深度学习网络。比如，现有人脸识别方案都是在终端实现人脸的检测，然后再将人脸图像数据放到云端进行匹配。这样的方式导致检测速度不及时，同时要负担云端的高额成本。同时现有的深度学习网络处理装置不能对所识别的图片进行预处理，因此在使用的过程中存在着一定的局限性，所以需要研发一直新型的深度学习网络处理装置、方法及图像处理单元解决上述问题。

技术实现要素：

本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于现有深度学习网络处理装置、方法及图像处理单元中存在的问题，提出了本发明。

因此，本发明的目的是提供深度学习网络处理装置、方法及图像处理单元，能够实现深度学习网络处理装置使用的过程中，实现对图像的预处理，保证深度学习网络装置的精准性和高效性。

为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：

深度学习网络处理装置、方法及图像处理单元，其包括控制盒，所述控制盒的顶部中间固定安装有高清摄像头，所述控制盒的顶部左侧和右侧设置有补光灯，所述控制盒的内腔固定安装有神经网络单元、深度学习网络处理单元和应用处理单元，所述高清摄像头电性连接神经网络单元，所述神经网络单元电性连接深度学习网络处理单元，所述深度学习网络处理单元电性连接应用处理单元。

作为本发明所述的深度学习网络处理装置、方法及图像处理单元的一种优选方案，其中：所述控制盒的顶部中间固定安装有高清摄像头，所述控制盒的顶部左侧和右侧设置有补光灯，所述控制盒的内腔固定安装有神经网络单元、深度学习网络处理单元和应用处理单元，所述高清摄像头电性连接神经网络单元，所述神经网络单元电性连接深度学习网络处理单元，所述深度学习网络处理单元电性连接应用处理单元。

作为本发明所述的深度学习网络处理装置、方法及图像处理单元的一种优选方案，其中：所述深度学习网络处理单元包括图像传感器、图像采集单元和图像输入接口；

作为本发明所述的深度学习网络处理装置、方法及图像处理单元的一种优选方案，其中：所述神经网络单元包括图像处理单元和属性预测单元；

作为本发明所述的深度学习网络处理装置、方法及图像处理单元的一种优选方案，其中：所述图像处理单元包括卷积层、激励层、池化层和连接层：

作为本发明所述的深度学习网络处理装置、方法及图像处理单元的一种优选方案，其中：该处理方法如下：

步骤一：通过高清摄像头采集图像信息，通过补光灯保证图像信息采集的准确性；

步骤二：将待处理的图像传输至神经网络单元，通过神经网络单元对待处理的图像进行图像处理；

步骤三：将神经网络单元处理好的图像信息传输至深度学习网络处理单元；

步骤四：深度学习网络处理单元将图像识别到的图像信息传输至应用处理单元。

与现有技术相比，本发明的有益效果是：通过该深度学习网络处理装置、方法及图像处理单元的设置，结构设计合理，通过神经网络单元中的图像处理模块和属性预测模块对采集到的图像进行预处理，通过图像处理单元中的卷积层、激励层、池化层和连接层的配合，实现深度网络结构获取到更多高维度图像的特征用来处理图像，并且通过卷积运算使得参数得以控制，通过深度学习网络处理单元中的图像传感器、图像采集单元和图像输入接口，实现了图像处理，并将图像处理结果传输至应用处理单元。

附图说明

为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明结构示意图；

图2为本发明系统框图；

图3为本发明步骤流程结构示意图；

图4为本发明神经网络单元结构示意图。

图中；100控制盒、110高清摄像头、120补光灯。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施方式的限制。

其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。

本发明提供如下技术方案：深度学习网络处理装置、方法及图像处理单元，能够实现深度学习网络处理装置使用的过程中，实现对图像的预处理，保证深度学习网络装置的精准性和高效性，请参阅图1至图4，包括包括控制盒100、高清摄像头110、神经网络单元、深度学习网络处理单元和应用处理单元；

请再次参阅图1至图4，控制盒100的顶部中间固定安装有高清摄像头110，控制盒100的顶部左侧和右侧设置有补光灯120，控制盒100的内腔固定安装有神经网络单元、深度学习网络处理单元和应用处理单元，高清摄像头110电性连接神经网络单元，神经网络单元电性连接深度学习网络处理单元，深度学习网络处理单元电性连接应用处理单元，具体的，控制盒100的顶部中间螺接有高清摄像头110，控制盒100的顶部左侧和右侧螺接有补光灯120，控制盒100的内腔粘接有神经网络单元、深度学习网络处理单元和应用处理单元，高清摄像头110电性输出连接神经网络单元，神经网络单元电性输出连接深度学习网络处理单元，深度学习网络处理单元电性输出连接应用处理单元，控制盒100用于承载高清摄像头110等电子元件，补光灯120用于提高亮度，保证图像采集的准确性，神经网络单元包括图像处理单元和属性预测单元，图像处理单元用于图像预处理，保证深度学习网络处理单元处理结果的准确性，属性预测模块用于结合图片特征预算出最合理的图片数据，深度学习网络处理单元用于图片接收处理和结果传输，应用处理单元用于显示图片分析结果。

请再次参阅图1至图4，深度学习网络处理单元包括图像传感器、图像采集单元和图像输入接口，具体的，图像传感器用于图像分析，图像采集单元用于接收图片，图像输出接口用于传输图片分析结果；

请再次参阅图1至图4，神经网络单元包括图像处理单元和属性预测单元，具体的，图像处理单元包括卷积层、激励层、池化层和连接层，实现深度网络结构获取到更多高维度图像的特征用来处理图像，图像预测模块用于结合图片特征预算出最合理的图片数据；

请再次参阅图1至图4，图像处理单元包括卷积层、激励层、池化层和连接层，具体的，卷积层通过卷积运算的作用是可用来获取图像的特征，激励层通常用在卷积运算之后，选择一个合适的激励函数(如sigmoid、relu等激励函数)来对卷积运算的结果进行处理，池化层对数据进行下采样(数据压缩)，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用：

请再次参阅图1至图4，该处理方法如下：

步骤一：通过高清摄像头110采集图像信息，通过补光灯120保证图像信息采集的准确性，具体的，首先调整高清摄像头110位置高度和角度，通过高清摄像头110采集图像信息，补光灯120用于当光线较暗时补充光源，保证图像采集的准确性；

步骤二：将待处理的图像传输至神经网络单元，通过神经网络单元对待处理的图像进行图像处理，具体的，高清摄像头110采集将采集到的图片信息通过数据传输模块传输给神经网络单元中的图像处理单元和属性预测单元进行预处理，卷积层对图像(不同的数据窗口数据)和滤波矩阵(一组固定的权重：因为每个神经元的权重固定，所以又可以看做一个恒定的滤波器filter)，卷积层通过卷积运算的作用是可用来获取图像的特征，通过堆叠这些模块，用不同的卷积核来获取更高阶的特征，堆叠起来的深度结构中，卷积核的权重参数是共享的，使得深度结构能获取更高维特征，激励层用在卷积运算之后，选择一个合适的激励函数(如sigmoid、relu等激励函数)来对卷积运算的结果进行处理，解决网络结构的非线性问题，对数据进行下采样(数据压缩)，可以避免过拟合，减少数据特征、数据计算量等操作，连接层用于神经网络结构中神经元在每一层之间的连接，全连接层在整个卷积神经网络中起到“分类器”的作用，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。通过这一层之后可接自定义的一层结构用来做分类或者回归问题；

步骤三：将神经网络单元处理好的图像信息传输至深度学习网络处理单元，具体来说，深度学习网络处理单元为能够控制图像采集单元，并处理控制指令和图像/视频数据的电子元件，同时具有图像传感器和图像输入接口，深度学习网络处理单元有指令处理功能和数据处理功能。“指令处理功能”指处理用于控制图像采集单元的控制指令，或者生成能够控制图像采集单元的控制指令的能力；而“数据处理功能”指处理图像采集单元生成的数据，或者生成与图像采集单元生成的数据相关的数据的能力，图像输出接口用于接收和发送数据给应用处理单元；

步骤四：深度学习网络处理单元将图像识别到的图像信息传输至应用处理单元，具体的，应用处理单元为能够控制图像采集单元以及深度学习网络处理单元的电子元件，用于显示深度学习网络处理单元所计算出的结果。

工作原理：在深度学习网络处理装置、方法及图像处理单元使用的过程中，首先调整高清摄像头110位置高度和角度，通过高清摄像头110采集图像信息，补光灯120用于当光线较暗时补充光源，保证图像采集的准确性，通过神经网络单元中的图像处理模块和属性预测模块对采集到的图像进行预处理，通过图像处理单元中的卷积层、激励层、池化层和连接层的配合，实现深度网络结构获取到更多高维度图像的特征用来处理图像，并且通过卷积运算使得参数得以控制，通过深度学习网络处理单元中的图像传感器、图像采集单元和图像输入接口，实现了图像处理，并将图像处理结果传输至应用处理单元。

虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。