[發明專利]基于區塊鏈的在線教育方法及在線教育平臺

在審

• 申請號: 202110396190.3
• 申請日: 2021-04-13
• 公開（公告）號: CN113205463A
• 公開（公告）日: 2021-08-03
• 發明（設計）人: 周朋
• 申請（專利權）人: 上海球熊電子科技有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06K9/62;G06N3/04;G06N3/08;G06Q50/20;H04L29/08
• 代理公司: 武漢華強專利代理事務所(普通合伙) 42237
• 代理人: 康晨

1.一種基于區塊鏈的在線教育方法，其特征在于，所述方法包括：

步驟S100：獲取在線學習的學習圖像數據，并將各所述學習圖像數據作數據整合并生成學習圖像數據集；

步驟S200：基于所述學習圖像數據集對所述學習圖像數據集作圖像增強處理并生成增強后的增強學習圖像；

步驟S300：將所述增強學習圖像導入至預設的在線學習模型庫中，并將所述增強學習圖像依序存儲，在存儲完成后生成網絡可導入指令；

步驟S400：根據所述網絡可導入指令生成網絡載入界面，并在所述網絡載入界面上設置網絡載入端口，所述網絡載入端口用于使載入不同的網絡，基于區塊鏈技術將經所述網絡載入端口載入的信息哈希上鏈。

2.根據權利要求1所述的基于區塊鏈的在線教育方法，其特征在于，所述學習圖像數據集為圖像超解析度重建數據集；

步驟S200：基于所述學習圖像數據集對所述學習圖像數據集作圖像增強處理并生成增強后的增強學習圖像，具體包括：

步驟S210：從所述學習圖像數據集的圖像中的不同位置隨機裁剪出若干張預設大小的圖像，并將這些圖像組建為圖像增容數據集；對所述圖像增容數據集中的圖像使用雙立方插值方法，篩選距離預設像素最近的M個像素點作為運算其在目標圖像中的像素的參數，將圖像的寬高尺寸縮減至原始尺寸的一半，得到低解析度圖像增容數據集；對所述低解析度圖像增容數據集中的圖像進行歸一化處理，然后通過伽瑪變換生成非線性的低對比度圖像，得到低解析度低對比度圖像增容數據集；

步驟S220：構建圖像增強網絡，并基于所述圖像增強網絡對所述圖像增強網絡進行訓練直至所述圖像增強網絡收斂，保存學習好的圖像增強網絡；

步驟S230：將待增強的圖像輸入學習好的圖像增強網絡的第一卷積層進行卷積運算，獲取圖像的淺層特征；然后通過殘差網絡中的跳躍連接，將獲取的淺層特征輸入到卷積稠密殘差模塊進行運算，最后一個卷積稠密殘差模塊輸出的特征圖，經過第二卷積層卷積運算后，通過殘差結構與淺層特征連接，并進行全局殘差學習，其中，輸出特征圖數量是目標放大圖像倍數的二次方的整數倍；經過全局殘差學習之后，再通過亞像素卷積層對特征圖進行上采樣，將特征圖尺寸增大到目標尺寸，最后經過第三卷積層將特征圖輸出為增強后的增強學習圖像。

3.根據權利要求2所述的基于區塊鏈的在線教育方法，其特征在于，所述圖像增強網絡包括依次連接的第一卷積層、若干個卷積稠密殘差模塊、第二卷積層、亞像素卷積層以及第三卷積層，各個卷積稠密殘差模塊進行跨層連接，第一卷積層與第二卷積層具有相同的卷積核數量；其中，所述卷積稠密殘差模塊又包括卷積層和稠密殘差單元，稠密殘差單元之前的卷積層用于對輸入進行維度的調整；其中，稠密殘差單元又包括N個卷積層，在同一稠密殘差單元內的任意兩個卷積層之間均可直接連接，每一層都從同一稠密殘差單元內的所有先前層獲取數據；

步驟S220：構建圖像增強網絡，并基于所述圖像增強網絡對所述圖像增強網絡進行訓練直至所述圖像增強網絡收斂，保存學習好的圖像增強網絡；具體包括：

步驟S221：累加前幾層的特征圖，增加特征圖的數量，同時將第一層卷積層和最后一層卷積層的輸出進行殘差連接，所述稠密殘差單元中的卷積層包含卷積處理和激活處理，所述激活處理采用抑制其最大值激活函數；

步驟S222：除所述亞像素卷積外，所有卷積層在卷積時均對特征圖進行邊緣補零處理；

步驟S223：將低解析度低對比度圖像增容數據集中的圖像批量輸入所述圖像增強網絡進行學習，直至所述圖像增強網絡收斂，保存學習好的圖像增強網絡。

4.根據權利要求2所述的基于區塊鏈的在線教育方法，其特征在于，步驟S230中將待增強的圖像輸入學習好的圖像增強網絡的第一卷積層基于以下公式進行卷積運算：

公式為：

其中，f(τ)和g(x-τ)為圖像增強網絡的第一卷積層中的兩個可積函數。