基于AI视觉卷积神经网络技术的终端支架制造技术

本实用新型专利技术提供一种基于AI视觉卷积神经网络技术的终端支架，包括：夹持部件，用于夹持固定终端；摄像头，设于所述夹持部件上并与所述夹持部件的朝向基本相同，所述摄像头用于获取环境信息；底座，承载所述夹持部件并与所述夹持部件转动连接；驱动器，用于驱使所述夹持部件相对于所述底座转动；AI芯片模组，具有视觉卷积神经网络模型，用于当通过卷积神经网络模型计算并判断出所述摄像头所获取的环境信息中包括人体结构信息时，则通过控制所述驱动器转动以使所述摄像头跟随所述人体结构。本实用新型专利技术能够跟随用户，提高终端支架的智能性和实用性。实用性。实用性。

【技术实现步骤摘要】
基于AI视觉卷积神经网络技术的终端支架


[0001]本技术涉及一种支架，尤其涉及一种基于AI视觉卷积神经网络技术的终端支架。

技术介绍

[0002]终端支架是一种用于将终端夹持固定的装置，其应用的领域广泛，例如可应用在视频直播或者视频拍摄。现有的支架只能够通过用户主动调节角度以使自己能够被夹持的终端设备拍到，非常不方便。

技术实现思路

[0003]鉴于此，为了在一定程度上解决相关技术中的技术问题之一，有必要提供一种基于AI视觉卷积神经网络技术的终端支架，将现有的AI技术应用到终端支架上，能够跟随用户，提高终端支架的智能性和实用性。
[0004]本技术提供一种基于AI视觉卷积神经网络技术的终端支架，包括：
[0005]夹持部件，用于夹持固定终端；
[0006]摄像头，设于所述夹持部件上并与所述夹持部件的朝向基本相同，所述摄像头用于获取环境信息；
[0007]底座，承载所述夹持部件并与所述夹持部件转动连接；
[0008]驱动器，用于驱使所述夹持部件相对于所述底座转动；
[0009]AI芯片模组，具有视觉卷积神经网络模型，用于当通过卷积神经网络模型计算并判断出所述摄像头所获取的环境信息中包括人体结构信息时，则通过控制所述驱动器转动以使所述摄像头跟随所述人体结构。
[0010]进一步的，所述AI芯片模组包括CMOS图像传感器以及运行卷积神经网络模型的GPU，所述CMOS图像传感器与所述GPU通过SOC的方式接合在一起。
[0011]进一步的，所述人体结构包括人脸和/或人形。
[0012]进一步的，当通过卷积神经网络模型计算并判断出所述摄像头所获取的环境信息中不包括人体结构信息时，则控制所述驱动器持续转动以侦测人体结构。
[0013]进一步的，所述终端支架还包括拾音器，所述拾音器用于采集环境声音信息，所述AI芯片模组还具有AI语音模型，用于根据所述拾音器所采集的环境声音信息向所述终端发送进行拍照或者视频的指令。
[0014]进一步的，所述底座上设有用于连接三脚架的接口。
[0015]通过以上方案可知，本技术将终端固定在夹持部件上，通过AI芯片模组来计算并判断摄像头所获取的环境信息中是否包括人体结构信息，当通过卷积神经网络模型计算并判断出摄像头所获取的环境信息中包括人体结构信息时，则通过控制驱动器转动以使摄像头跟随人体结构，进而使得被夹持固定在支架上的终端摄像头能够跟随用户以使用户始终被拍摄。
附图说明
[0016]图1为本技术的结构示意图。
[0017]图2为本技术的电路原理图。
[0018]图3为本技术的具体电路图。
[0019]如下具体实施方式将结合上述附图进一步说明本专利技术。
具体实施方式
[0020]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得所有其他实施例，都属于本专利技术的保护范围。可以理解的是，附图仅仅提供参考与说明用，并非用来对本专利技术加以限制。附图中显示的连接关系仅仅是为了便于清晰描述，并不限定连接方式。
[0021]需要说明的是，当一个组件被认为是“连接”另一个组件时，它可以是直接连接到另一个组件，或者可能同时存在居中组件。除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。
[0022]还需要说明的是，本专利技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0023]如图1和图2所示，本技术提供一种基于AI视觉卷积神经网络技术的终端支架，将AI视觉卷积神经网络技术应用于终端支架上。
[0024]所述终端支架包括：夹持部件10，用于夹持固定终端；摄像头20，设于所述夹持部件10上并与所述夹持部件10的朝向基本相同，所述摄像头20用于获取环境信息；底座30，承载所述夹持部件10并与所述夹持部件10转动连接；驱动器40，用于驱使所述夹持部件10相对于所述底座30转动；AI芯片模组50，具有视觉卷积神经网络模型，用于当通过卷积神经网络模型计算并判断出所述摄像头20所获取的环境信息中包括人体结构信息时，则通过控制所述驱动器40转动以使所述摄像头20跟随所述人体结构。
[0025]所述底座30可以作为支撑部，用于支撑所述夹持部件10，可以在所述底座30上设有用于连接三脚架的接口(可设于所述底座30的底面上)，以将所述底座30连接在三脚架上。
[0026]在本技术中，所述AI芯片模组50可以采用NB1001芯片，具体的电路结构可参看图3所示。所述AI芯片模组50包括CMOS图像传感器以及运行卷积神经网络模型的GPU，所述CMOS图像传感器与所述GPU通过SOC的方式接合在一起，简化了系统构建所需空间，可以
提供更低的功耗，更可将主板设计所需尺寸极尽缩小，减少制作PCB所需面积，更环保。
[0027]所述AI芯片模组50具有的视觉卷积神经网络模型可以采用现有技术中已存在的视觉卷积神经网络模型。视觉卷积神经网络模型属于较为成熟的算法模型，可以基于深度神经网络算法来检测感兴趣特征，包括人体结构，可以是人脸和/或人形。所述AI芯片模组50可选用现有的单算法或双算法视觉卷积神经网络模型。
[0028]基于单算法的视觉卷积神经网络模型，可以选择一个感兴趣的特征，例如人脸或人形，在图像中标定特征坐标，计算特征的移动。基于双算法的视觉卷积神经网络模型，可以在所述摄像头20所获取的环境信息图像中，同时计算人脸特征和人形特征，并在图像中标定人脸和人形坐标，计算人脸和人形的移动。通过AI芯片模组50的GPIO接口输出控制高低电平的指令，从而控制驱动器40转动，使得所述夹持部件10相对于所述底座30转动，进而实现摄像头20跟随人脸或人形，实现夹持固定在所述夹持部件10上的终端摄像头20能够自动地保持对准用户，无需用户手动操作，用户在直播的过程无需自己或者他人来手动地调节，提高直播或者视频拍摄效果，更加本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AI视觉卷积神经网络技术的终端支架，其特征在于，包括：夹持部件，用于夹持固定终端；摄像头，设于所述夹持部件上并与所述夹持部件的朝向基本相同，所述摄像头用于获取环境信息；底座，承载所述夹持部件并与所述夹持部件转动连接；驱动器，用于驱使所述夹持部件相对于所述底座转动；AI芯片模组，具有视觉卷积神经网络模型，用于当通过卷积神经网络模型计算并判断出所述摄像头所获取的环境信息中包括人体结构信息时，则通过控制所述驱动器转动以使所述摄像头跟随所述人体结构。2.根据权利要求1所述的基于AI视觉卷积神经网络技术的终端支架，其特征在于，所述AI芯片模组包括CMOS图像传感器以及运行卷积神经网络模型的GPU，所述CMOS图像传感器与所述GPU通过SOC的方式接合在一起。3.根...

【专利技术属性】
技术研发人员：张业超，刘峰，王振鹏，
申请(专利权)人：尚视宏图深圳科技有限公司，
类型：新型
国别省市：