一种基于深度学习芯片的行车记录仪制造技术

本实用新型专利技术涉及行车安全领域，尤其涉及一种基于深度学习芯片的行车记录仪。包括记录仪本体及设置于所述记录仪本体内的深度学习模块，所述记录仪本体包括本体及设置于所述本体中的转向球，及设置于所述转向球中后置摄像头，及设置于本体侧面的的警示灯和报警器，及用于控制电源的电源开关，及与嵌入所述本体中的显示屏，及设置于本体前端的前置摄像头，以及设置于本体上端的音量调节按钮，所述后置摄像头、前置摄像头均与所述深度学习模块连接。本实用新型专利技术可以进行汽车超员检测及提醒司机及乘客。

A dash cam based on deep learning chip

【技术实现步骤摘要】
一种基于深度学习芯片的行车记录仪
本技术涉及行车安全领域，尤其涉及一种基于深度学习芯片的行车记录仪。
技术介绍
汽车作为人民生活的主要代步工具，给大众带去诸多便利同时也存在诸多安全隐患，有关报道显示目前客运车辆存在严重的超员现象。客车超载极易导致：客运车辆抗侧翻能力下降，易发生侧翻、倾覆；车辆制动能力下降，刹车距离延长；车辆转向稳定性下降，增大侧滑、侧翻风险；且客车长时间超负荷运转，极易导致车辆转动轴、轮胎等故障，给人们的出行埋下了巨大隐患。同时，现有的超员检测仅依靠交通警察监督，需耗费大量人力物力。随着科技的发展，人工智能已融入人们生活的方方面面，深度学习作为机器学习研究中的一个新领域，其原理是模拟人脑进行分析学习，它模仿人脑的机制来分析数据，如人脸识别、目标检测、语音分析等。近几年深度学习通过卷积神经网络取得巨大的突破，掀起新一轮人工智能热潮，卷积神经网络不仅可以识别出人脸还可判断人物性别、年龄、是否佩戴眼镜等属性，能够给人们生活带来更多便利。现有技术中还没有关于防止超员检测的装置，一般由交通警察监督，不方便。
技术实现思路
本技术要解决的技术问题是提供一种能进行超员检测及提醒司机及乘客的基于深度学习芯片的行车记录仪。为了解决上述技术问题，本技术的方案为：一种基于深度学习芯片的行车记录仪，包括记录仪本体及设置于所述记录仪本体内的深度学习模块，所述记录仪本体包括本体及设置于所述本体中的转向球，及设置于所述转向球中后置摄像头，及设置于本体侧面的的警示灯和报警器，及用于控制电源的电源开关，及与嵌入所述本体中的显示屏，及设置于本体前端的前置摄像头，以及设置于本体上端的音量调节按钮，所述后置摄像头、前置摄像头均与所述深度学习模块连接。所述转向球为360度旋转摄像头座。所述显示屏为触摸显示屏。所述警示灯为闪光灯，所述报警器为扬声器。与现有技术相比，本技术的有益效果为：通过转向球旋转后置摄像头采集车内乘客实时视频信息并送入行车记录仪内的深度学习模块，内置深度学习模块统计乘客数量，并标注识别的人脸，以人脸框形式显示在显示屏上，与设定的可搭载人数对比，判断是否超员，并对视频中无座、两人同坐等乘客标红，以提醒司机或乘客该车超员，深度学习芯片的卷积神经网络可有效识别幼儿和年龄较小乘客，对该类乘客不计数，防止判断错误；若车内出现超员现象，警示灯闪烁并发出超员警报，若无超员现象，车辆照常运行，前置摄像头为记录仪本体摄像头，可有效记录车辆行驶途中的影像及声音等相关信息，并且若显示屏切换至前置摄像头可提醒司乘人员前方有行人，警惕通行。附图说明图1为本技术的结构示意图；图2为本技术的俯视图。具体实施方式下面结合附图对本技术的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本技术，但并不构成对本技术的限定。此外，下面所描述的本技术各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。请参照图1至图2，本技术的一种基于深度学习芯片的行车记录仪，包括记录仪本体1及设置于所述记录仪本体1内的深度学习模块，所述记录仪本体1包括本体11及设置于所述本体11中的转向球12，及设置于所述转向球12中后置摄像头13，及设置于本体11侧面的的警示灯14和报警器15，及用于控制电源的电源开关16，及与嵌入所述本体11中的显示屏17，及设置于本体11前端的前置摄像头18，以及设置于本体11上端的音量调节按钮19，所述后置摄像头13、前置摄像头18均与所述深度学习模块通过网络连接。所述深度学习模块包括深度学习芯片GPU和预训练的ResNet-50网络，所述深度学习芯片GPU借助预训练的ResNet-50网络可对图片进行学习，以更好的进行人脸属性识别。通过TensorFlow调用预训练的ResNet-50网络模型，所述网络可进行数据分析处理，其中包括多层卷积层，池化层，全连接层，并通过反向传播算法进行信息反馈，学习获得卷积参数(即具有检测视频帧的能力)。同时，所述深度学习芯片为用于深度学习的GPU或类似的深度学习芯片，如：FPGA、ASIC等。所述FPGA、ASIC都为现有的主流深度学习芯片，可根据要求在市场上直接购买进行更换本技术中的GPU。为了提高拍摄照片的可靠性和环境的适应性，转向球12为360度旋转摄像头座。后置摄像头13通过转向球12可实现360度旋转，保证拍摄照片的可靠性和拍摄环境的适应性。为了增加本技术拍摄的全面性，后置摄像头13数量可根据车内具体情况设定，并且脱离行车记录仪的后置摄像头13与行车记录仪芯片通过无线WIFI连接；显示屏17为触摸显示屏，司机可通过显示屏17切换各内置摄像头以及切换各摄像头角度；所述前置摄像头18、后置摄像头13均为3000×4000的高像素摄像头，保证拍摄视频清晰；具体的，警示灯14为闪光灯，所述报警器15为扬声器。警示灯3、报警器4与内置深度学习芯片连接，本实施例中深度学习芯片运行预训练的ResNet-50网络，该预训练后的深度卷积网络不仅能够识别人脸，还能有效识别出幼儿和年龄较小乘客等防止统计错误，并清晰标注其余乘客人脸框位置，通过显示屏17显示；预训练网络通过各摄像头传回的信息统计车内人数，并将人数与设定的可搭载人数对比。若超员，警示灯14与报警器15发出警报。以提醒司机或乘客，若未超员，汽车正常运行；为了提高汽车行驶的安全性，可将本技术的深度学习芯片与汽车的汽车刹车装置及点火装置进行连接，利用深度学习芯片采集的信息处理后，决定是否能启动汽车或强制刹车。前置摄像头18为记录仪本体1的摄像头，可有效记录车辆行驶途中的影像及声音等相关信息，并且，若显示屏切换至前置摄像头可提醒司机前方有行人，警惕通行。以上结合附图对本技术的实施方式作了详细说明，但本技术不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本技术原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本技术的保护范围内。本文档来自技高网...

【技术保护点】
1.一种基于深度学习芯片的行车记录仪，其特征在于：包括记录仪本体(1)及设置于所述记录仪本体(1)内的深度学习模块，所述记录仪本体(1)包括本体(11)及设置于所述本体(11)中的转向球(12)，及设置于所述转向球(12)中后置摄像头(13)，及设置于本体(11)侧面的警示灯(14)和报警器(15)，及用于控制电源的电源开关(16)，及与嵌入所述本体(11)中的显示屏(17)，及设置于本体(11)前端的前置摄像头(18)，以及设置于本体(11)上端的音量调节按钮(19)，所述后置摄像头(13)、前置摄像头(18)均与所述深度学习模块通过网络连接。/n

【技术特征摘要】
1.一种基于深度学习芯片的行车记录仪，其特征在于：包括记录仪本体(1)及设置于所述记录仪本体(1)内的深度学习模块，所述记录仪本体(1)包括本体(11)及设置于所述本体(11)中的转向球(12)，及设置于所述转向球(12)中后置摄像头(13)，及设置于本体(11)侧面的警示灯(14)和报警器(15)，及用于控制电源的电源开关(16)，及与嵌入所述本体(11)中的显示屏(17)，及设置于本体(11)前端的前置摄像头(18)，以及设置于本体(11)上端的音量调节按钮(19)，...

【专利技术属性】
技术研发人员：马原东，罗子江，倪照风，崔潇，孙收余，吴凤娇，杨秀璋，
申请(专利权)人：贵州财经大学，
类型：新型
国别省市：贵州;52