An image acquisition and target recognition method based on FPGA and convolution neural network belongs to the field of image processing technology. The invention solves the problem that the accuracy rate of the existing method for target recognition in the image is low. In the invention, the collected image is divided into two parts: training set and test set. The training set is used to train the convolution neural network model, the test set is used to test the trained convolution neural network model, and the trained convolution neural network model is finally obtained through continuous cycle training. Then the trained convolution neural network model is used to process the image to be tested, and the output of the model is used to determine whether the image to be tested contains the target. The trained convolution neural network model obtained by the method of the invention can improve the accuracy of target recognition in the image to more than 96%. The invention can be applied to the technical field of image processing.
【技术实现步骤摘要】
一种基于FPGA和卷积神经网络的图像采集与目标识别方法
本专利技术属于图像处理
,具体涉及一种基于FPGA和卷积神经网络的图像采集与目标识别方法。
技术介绍
目前,图像识别技术已广泛应用于多个领域,如生物医学、卫星遥感、机器人视觉、货物检测、目标跟踪、自主车导航、公安、银行、交通、军事、电子商务和多媒体网络通信等。随着技术的发展,出现了基于机器视觉的目标识别等方法。虽然,现有的图像识别技术在图像目标识别方面已经取得了一定的成就,但是,现有方法对图像中目标识别的准确率较低。
技术实现思路
本专利技术的目的是为了解决现有方法对图像中目标识别的准确率低的问题,而提出了一种基于FPGA和卷积神经网络的图像采集与目标识别方法。本专利技术为解决上述技术问题采取的技术方案是:一种基于FPGA和卷积神经网络的图像采集与目标识别方法,所述方法具体包括以下步骤:步骤一、利用图像传感器对包含目标的区域进行图像采集;步骤二、将采集的图像输入给存储器进行存储;步骤三、利用FPGA控制器从存储器中读取出图像信息,并对读取出的图像信息进行处理,获得处理后图像;步骤四、对步骤三获得的处理后图像中的目标进行标注,获得标注后的图像;将标注后图像分为训练集图像和测试集图像两部分;步骤五、将训练集图像输入卷积神经网络模型,利用训练集图像对卷积神经网络模型进行训练,直至损失函数值不再减小或达到设置的最大迭代次数时停止训练,获得训练好的卷积神经网络模型;步骤六、利用测试集 ...
【技术保护点】
1.一种基于FPGA和卷积神经网络的图像采集与目标识别方法,其特征在于,所述方法具体包括以下步骤:/n步骤一、利用图像传感器对包含目标的区域进行图像采集;/n步骤二、将采集的图像输入给存储器进行存储;/n步骤三、利用FPGA控制器从存储器中读取出图像信息,并对读取出的图像信息进行处理,获得处理后图像;/n步骤四、对步骤三获得的处理后图像中的目标进行标注,获得标注后的图像;将标注后图像分为训练集图像和测试集图像两部分;/n步骤五、将训练集图像输入卷积神经网络模型,利用训练集图像对卷积神经网络模型进行训练,直至损失函数值不再减小或达到设置的最大迭代次数时停止训练,获得训练好的卷积神经网络模型;/n步骤六、利用测试集图像对训练好的卷积神经网络模型进行测试,若卷积神经网络模型输出的对测试集的识别准确率大于等于95%,则将训练好的卷积神经网络模型作为最终的卷积神经网络模型用于待测图像的识别;/n若卷积神经网络模型输出的对测试集的识别准确率小于95%,则调整卷积神经网络模型的模型参数,重复执行步骤五和步骤六的过程,直至卷积神经网络模型输出的对测试集的识别准确率大于等于95%,获得最终的卷积神经网络 ...
【技术特征摘要】
1.一种基于FPGA和卷积神经网络的图像采集与目标识别方法,其特征在于,所述方法具体包括以下步骤:
步骤一、利用图像传感器对包含目标的区域进行图像采集;
步骤二、将采集的图像输入给存储器进行存储;
步骤三、利用FPGA控制器从存储器中读取出图像信息,并对读取出的图像信息进行处理,获得处理后图像;
步骤四、对步骤三获得的处理后图像中的目标进行标注,获得标注后的图像;将标注后图像分为训练集图像和测试集图像两部分;
步骤五、将训练集图像输入卷积神经网络模型,利用训练集图像对卷积神经网络模型进行训练,直至损失函数值不再减小或达到设置的最大迭代次数时停止训练,获得训练好的卷积神经网络模型;
步骤六、利用测试集图像对训练好的卷积神经网络模型进行测试,若卷积神经网络模型输出的对测试集的识别准确率大于等于95%,则将训练好的卷积神经网络模型作为最终的卷积神经网络模型用于待测图像的识别;
若卷积神经网络模型输出的对测试集的识别准确率小于95%,则调整卷积神经网络模型的模型参数,重复执行步骤五和步骤六的过程,直至卷积神经网络模型输出的对测试集的识别准确率大于等于95%,获得最终的卷积神经网络模型;
步骤七、对于待测图像,采用步骤二至步骤四的方法对图像进行预处理,获得预处理后的图像,再将预处理后的图像输入步骤六获得的最终卷积神经网络...
【专利技术属性】
技术研发人员:孙绍辉,李岳泽,曹勇,齐枫,尚书智,
申请(专利权)人:黑龙江电力调度实业有限公司,
类型:发明
国别省市:黑龙;23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。