[發明專利]一種基于深度學習的云計算模型方法

在審

• 申請號: 202010058318.0
• 申請日: 2020-01-19
• 公開（公告）號: CN111259821A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 蘇安鑫;石明坤;李宏
• 申請（專利權）人: 山西國芯科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04
• 代理公司: 北京同輝知識產權代理事務所(普通合伙) 11357
• 代理人: 楊敬

本發明公開了一種基于深度學習的云計算模型方法，屬于人工智能和云計算技術領域，包括數據采集層、數據處理層、云計算層和服務層，數據處理層用于處理數據采集層采集的數據，數據處理層利用數據采集層采集的數據訓練卷積神經網絡，得到最優的卷積神經網絡參數。云計算層用于輔助數據處理層，云計算層上包括服務器，服務器上部署有卷積神經網絡，當數據處理層的在單位時間的計算量超過設定的閾值，數據處理層將部分數據通過網絡傳遞至云計算層，利用數據采集層采集的數據訓練卷積神經網絡，得到最優的卷積神經網絡參數，并回傳至數據處理層，本方案解決了現有技術中在高速公路路口識別車輛的型號準確率較低的問題。

技術領域

本發明涉及人工智能和云計算技術領域，更具體地說，涉及一種基于深度學習的云計算模型方法。

背景技術

隨著監控視頻應用的日益普及，監控視頻出現了高清化、海量化、網絡化、智能化的趨勢，監控視頻的智能化、實時化處理需求日益突出。云計算技術的出現使得海量的視頻數據處理、挖掘成為可能。自2006年以來，深度學習已經成為機器學習領域的一個新興領域。在過去幾年中，深度學習技術的發展已經對信號和信息過程領域產生廣泛的影響，并將繼續影響到機器學習和人工智能的其它關鍵領域。

現有技術中，在高速公路路口識別車輛的型號由于車輛型號多又復雜且車輛在行駛過程中處于運動狀態，識別車輛的型號的準確率較低，一般不能準確識別。

發明內容

針對現有技術的不足，本發明的目的在于提供一種基于深度學習的云計算模型方法，解決了現有技術中在高速公路路口識別車輛的型號準確率較低的問題。

本發明的目的可以通過以下技術方案實現：

一種基于深度學習的云計算模型方法，包括數據采集層、數據處理層、云計算層和服務層，

所述數據采集層用于采集數據，所述數據采集層包括攝像頭，所述攝像頭用于采集視頻圖像數據；

所述數據處理層用于處理數據采集層采集的數據，所述數據處理層利用數據采集層采集的數據訓練卷積神經網絡，得到最優的卷積神經網絡參數。

所述云計算層用于輔助數據處理層，所述云計算層上包括服務器，所述服務器上部署有卷積神經網絡，當數據處理層的在單位時間的計算量超過設定的閾值，數據處理層將部分數據通過網絡傳遞至云計算層，利用數據采集層采集的數據訓練卷積神經網絡，得到最優的卷積神經網絡參數，并回傳至數據處理層。

所述服務層用于展示和配置數據采集層、數據處理層和云計算層，所述服務層將結果可視化，提供給用戶。

作為本發明的一種優選方案，所述數據采集層還包括雷達，所述雷達用于采集距離數據。

作為本發明的一種優選方案，所述數據采集層還包括錄音設備，所述錄音設備用于采集音頻數據。

作為本發明的一種優選方案，所述服務層接入互聯網，所述服務層通過移動端設備訪問。

作為本發明的一種優選方案，所述移動端設備包括安卓系統設備、蘋果系統和微軟窗口系統設備。

作為本發明的一種優選方案，所述基于深度學習的云計算模型方法用于在高速公路路口識別車輛的型號。

本發明的有益效果：

本方案應用于高速公路路口識別車輛的型號解決了現有技術中在高速公路路口識別車輛的型號準確率較低的問題，采用本方案的可以提高在高速公路路口識別車輛的型號準確率。數據采集層還包括雷達，雷達用于采集距離數據，用于計算車輛與高速公路路口之間的距離，通過時間差進一步可以計算車輛行駛的速度。數據采集層還包括錄音設備，錄音設備用于采集音頻數據，用于車輛行駛過程中產生的噪音。

附圖說明