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

一种基于FPGA和卷积神经网络的图像采集与目标识别方法，它属于图像处理技术领域。本发明专利技术解决了现有方法对图像中目标识别的准确率低的问题。本发明专利技术将采集的图像分为训练集和测试集两部分，利用训练集对卷积神经网络模型进行训练，利用测试集对训练好的卷积神经网络模型进行测试，通过不断的循环训练，最终获得训练好的卷积神经网络模型。再利用训练好的卷积神经网络模型对待测图像进行处理，根据模型的输出判断待测图像中是否包含目标。采用本发明专利技术方法获得的训练好的卷积神经网络模型，可以将图像中目标识别的准确率提升至96％以上。本发明专利技术可以应用于图像处理技术领域。

A method of image acquisition and target recognition based on FPGA and convolutional neural network

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模型，根据最终卷积神经网络模型的输出结果判断待测图像中是否包含目标。本专利技术的有益效果是：本专利技术的一种基于FPGA和卷积神经网络的图像采集与目标识别方法，本专利技术将采集的图像分为训练集和测试集两部分，利用训练集对卷积神经网络模型进行训练，利用测试集对训练好的卷积神经网络模型进行测试，通过不断的循环训练，最终获得训练好的卷积神经网络模型。再利用训练好的卷积神经网络模型对待测图像进行处理，根据模型的输出判断待测图像中是否包含目标。采用本专利技术方法获得的训练好的卷积神经网络模型，可以将图像中目标识别的准确率提升至96％以上。附图说明图1是本专利技术的一种基于FPGA和卷积神经网络的图像采集与目标识别方法的流程图。具体实施方式具体实施方式一：如图1所示，本实施方式所述的一种基于FPGA和卷积神经网络的图像采集与目标识别方法，该方法包括以下步骤：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模型，根据最终卷积神经网络模型的输出结果判断待测图像中是否包含目标。本实施方式中的FPGA控制器包括采样控制单元、存储器控制单元和滤波单元：所述采样控制单元与图像传感器相连接，用于采集图像传感器发出的图像信息；所述存储器控制单元与存储器相连接，用于控制存储器的工作状态，并从存储器中读取图像信息；所述滤波单元用于对读取出的图像信息进行滤波处理。本专利技术中采用的损失函数的具体形式为：对于一张图像中的任意一个像素点，该像素点的损失值CE(p,y)为：CE(p,y)＝-log(pt)其中：y代表该像素点的真实类别，p代表该像素点预测为类别y的概率；将一张图像中的全部像素点的损失值做和，得到总损失值，在训练过程中，当总损失值不再减小时，获得训练好的卷积神经网络模型。而且，通过本专利技术的步骤一至步骤三的图像采集和处理过程，可以大大加快图像的采集和处理速度，提高图像中目标识别的效率。本专利技术可以应用于电力系统图像中是否包含某种元器件的检测。具体实施方式二：本实施方式与具体实施方式一不同的是：所述利用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；其具体过程为：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滤波处理，获得滤波处理后图像。具体实施方式三：本实施方式与具体实施方式二不同的是：所述步骤四中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，其中：标注后的图像分为包含目标的图像与不包含目标的图像两类。其中：图像中目标区域的类别被标注为1，非目标区域的类别被标注为0。具体实施方式四：本实施方式与具体实施方式三不同的是：所述最大迭代次数的取值为15000次。本实施方式的目的是确保获得的卷积神经网络模型的预测准确率。具体实施方式五：本实施方式与具体实施方式四不同的是：所述卷积神经网络模型为CNN分类模型。具体实施方式六：本实施方式与具体实施方式一、二、三、四或五不同的是：所述步骤六中调整卷积神经网络模型的模型参数，是指调整学习率和dropout参数的值。本专利技术的上述算例仅为详细地说明本专利技术的计算模型和计算流程，而并非是对本专利技术的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本专利技术的技术方案所引伸出的显而易见的变化或变动仍处于本专利技术的保护本文档来自技高网...

【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模型；/n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模型，根据最终卷积神经网络模型的输出结果判断待测图像中是否包含目标。/n...

【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