[發(fā)明專利]一種智能看物識名的方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201810509423.4
• 申請日: 2018-05-24
• 公開（公告）號: CN108875959A
• 公開（公告）日: 2018-11-23
• 發(fā)明（設計）人: 李杰
• 申請（專利權(quán)）人: 四川斐訊信息技術有限公司
• 主分類號: G06N99/00
• 分類號: G06N99/00;G06F8/41;G06F8/61
• 代理公司: 成都金德聯(lián)合知識產(chǎn)權(quán)代理事務所(特殊普通合伙) 51271
• 代理人: 張嬋嬋;王曉普

1.一種智能看物識名的方法，其特征在于，包括：

S1：在服務器(1)中對深度學習框架(11)進行深度學習訓練以獲得訓練模型；

S2：使用NDK和/或SDK生成動態(tài)鏈接庫，并基于所述動態(tài)鏈接庫和所述訓練模型編譯生成安裝包(2)；

S3：將所述安裝包(2)安裝至終端設備(3)以用于離線識別。

2.根據(jù)權(quán)利要求1所述的智能看物識名的方法，其特征在于，在步驟S1中，使用AlexNet網(wǎng)絡對深度學習框架(11)進行深度學習訓練；

在步驟S2中，基于所述動態(tài)鏈接庫和所述訓練模型編譯生成安裝包(2)之前先生成JAVA接口，并通過所述JAVA接口編譯生成安裝包(2)。

3.根據(jù)權(quán)利要求1所述的智能看物識名的方法，其特征在于，步驟S1之后還包括：

S11：通過記錄文件記錄保存信息，且所述的記錄文件可用于定位最新保存的訓練模型。

S12：提取最新保存的訓練模型，并將最新保存的訓練模型與PB模型文件固化以獲得PB文件格式的訓練模型。

4.根據(jù)權(quán)利要求3所述的智能看物識名的方法，其特征在于，

在步驟S12之后還包括：

S13：將步驟S12中獲得的PB文件格式的訓練模型進行數(shù)據(jù)量化處理以使所述訓練模型的參數(shù)存儲空間要求變小。

5.根據(jù)權(quán)利要求3所述的智能看物識名的方法，其特征在于，

在步驟S3之后還包括：

接收所述終端設備(3)上傳的當前訓練模型中沒有記錄的目標圖片信息，并根據(jù)所述目標圖片信息定期或不定期對深度學習框架(11)進一步進行深度學習訓練并重復步驟S1～S3以更新終端設備(3)中的安裝包(2)。

6.一種智能看物識名的方法，其特征在于，包括：

S1：獲取目標圖片，對目標圖片進行識別，并將所述目標圖片與訓練模型的模型數(shù)據(jù)進行匹配；

S2：當讀取到匹配度高于預設閾值的時候，輸出讀取結(jié)果，否則，執(zhí)行步驟S3；

S3：保存包括目標圖片的目標圖片信息，并在檢測到處于wifi環(huán)境下時將所述目標圖片信息上傳至服務器(1)；

S4：定期或不定期從服務器(1)中下載更新后的安裝包(2)。

7.一種智能看物識名系統(tǒng)，其特征在于，包括服務器(1)，所述服務器(1)中具有深度學習框架(11)和訓練模塊(12)，以及NDK工具包(13)和/或SDK工具包(14)，且所述服務器(1)包括有安裝包編譯模塊(15)和信息交換模塊(16)，其中，

深度學習框架(11)，用于提供深度學習系統(tǒng)；

訓練模塊(12)，用于對深度學習框架(11)進行深度學習訓練以獲得訓練模型；

NDK工具包(13)和SDK工具包(14)，用于生成動態(tài)鏈接庫；

安裝包編譯模塊(15)，用于基于所述動態(tài)鏈接庫和訓練模型編譯安裝包(2)；

信息交換模塊(16)，用于與終端設備(3)進行信息交互以將所述安裝包(2)安裝至所述終端設備(3)中。

8.根據(jù)權(quán)利要求7所述的智能看物識名系統(tǒng)，其特征在于，所述服務器(1)還包括文件記錄模塊(17)、模型轉(zhuǎn)換模塊(18)和數(shù)據(jù)量化模塊(19)，其中，

文件記錄模塊(17)，用于記錄保存信息，以及定位最新保存的訓練模型；

模型轉(zhuǎn)換模塊(18)，用于提取最新保存的訓練模型，并將最新保存的訓練模型與PB模型文件固化以獲得PB文件格式的訓練模型；

數(shù)據(jù)量化模塊(19)，用于將所述PB文件格式的訓練模型進行數(shù)據(jù)量化處理以使所述訓練模型的參數(shù)存儲空間要求變小；

所述安裝包編譯模塊(15)還包括JAVA接口生成模塊(151)，用于基于所述動態(tài)鏈接庫和所述訓練模型生成JAVA接口，所述安裝包編譯模塊(15)又通過所述JAVA接口編譯生成安裝包(2)。