基于图像识别算法的物体认知系统关键技术研究及应用

发布时间：2023-03-19 16:25

　　物体认知是指以嵌入式计算机为核心,利用传感器采集物体图像、形态、声音、气味等信息对物体进行识别的一种技术。传统的物体认知系统基于射频识别等传感技术,可快速进行物品追踪和数据交换,然而射频识别技术依赖于物品上的电子标签,有较高成本且有距离限制。随着硬件设备的升级以及网络技术的发展,图像逐渐成为了物联网大数据的组成部分。与此同时,针对图像数据的计算机视觉算法也得到了长足的发展。与纯粹的计算机视觉算法相比,物体认知系统更接近硬件设备与用户,与数据采集、传输以及交互过程结合的更加紧密。本文基于现有图像识别技术,从运算分布、数据传输、可增量学习等角度入手,研究了利用物联网设备采集到的图像进行物体认知所需的关键技术。本文的主要工作如下:(1)针对物体认知系统的图像处理能力,提出了适用于物联网环境的增量图像识别框架。本框架将特征提取、训练、推理的过程切分开来,使系统具有快速持续学习的能力,并使得设备的计算能力可以得到更好的使用。(2)针对物体认知系统的运算分配问题,提出了多层神经网络推理过程在多层物联网架构下的切分算法。与传统物体认知技术不同,在数据采集端完成图像识别的所有操作代价过于高昂。而物联网...

【文章页数】：81 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第一章 绪论
    1.1 研究背景
        1.1.1 物体认知系统概述
        1.1.2 研究目的和意义
    1.2 国内外研究现状
        1.2.1 智能物联网系统架构有关研究
        1.2.2 图像识别算法有关研究
    1.3 物体认知系统针对的问题
    1.4 研究内容
    1.5 论文结构
第二章 物体认知系统相关技术
    2.1 相关深度学习技术
        2.1.1 迁移学习
        2.1.2 增量学习
    2.2 物联网相关技术
        2.2.1 物联网概述
        2.2.2 物联网与云计算
        2.2.3 物联网与边缘计算
    2.3 深度学习与物联网的融合
        2.3.1 融合深度学习与物联网的意义
        2.3.2 在融合过程中需要解决的问题
        2.3.3 融合深度学习与物联网技术的相关研究
        2.3.4 物体认知系统所做工作
    2.4 本章小结
第三章 可增量图像识别框架
    3.1 系统概览
        3.1.1 适用于智能物联网的模型结构
        3.1.2 分布式部署
        3.1.3 框架描述
    3.2 具体实现方法
        3.2.1 特征提取
        3.2.2 增量训练
        3.2.3 实时推理
    3.3 实验结果及分析
        3.3.1 实验环境
        3.3.2 特征提取操作表现
        3.3.3 网络设备负载能力
        3.3.4 增量学习的准确度
    3.4 本章小结
第四章 多层神经网络推理过程切分算法
    4.1 系统模型与优化目标
        4.1.1 系统模型
        4.1.2 优化目标
    4.2 网络切分算法
        4.2.1 问题规模分析
        4.2.2 状态变量设计与计算
        4.2.3 获取最优运算分配策略
        4.2.4 算法分析
    4.3 实验结果及分析
        4.3.1 实验环境
        4.3.2 算法输入
        4.3.3 实验结果
    4.4 本章小结
第五章 物体认知系统设计及实现
    5.1 物体认知系统整体框架设计
    5.2 物体认知系统各模块实现方案
        5.2.1 移动端程序设计
        5.2.2 网络设备端程序设计
        5.2.3 服务器端程序设计
    5.3 系统测试
        5.3.1 实验环境
        5.3.2 运行流程
        5.3.3 系统实用性展示
    5.4 系统资源占用分析
    5.5 本章小结
第六章 低资源嵌入式设备上的实现
    6.1 算法设计
        6.1.1 特征提取
        6.1.2 增量训练
        6.1.3 实时推理
    6.2 算法测试
    6.3 系统设计
        6.3.1 硬件设计
        6.3.2 软件设计
    6.4 系统测试
    6.5 本章小结
第七章 总结与展望
    7.1 总结
    7.2 展望
参考文献
攻读硕士学位期间主要的研究成果
致谢



本文编号：3765571