一种进行物体类别识别的人工智能系统及方法技术方案

本申请公开了一种进行物体类别识别的人工智能系统及方法，包括：可编程逻辑器件，用于采集原始图像数据，对原始图像数据进行预处理；通过用于进行物体类别识别的人工智能AI模型，对预处理后获得的图像数据中的物体的类别进行识别，得出初步识别结果；处理芯片，用于获取可编程逻辑器件得出的初步识别结果；对初步识别结果进行优化处理，得出并输出最终识别结果。本申请实施例的人工智能系统具有低功耗、低延时、低成本、高性能和易扩展等优点，适合在AI边缘端移动设备中使用。AI边缘端移动设备中使用。AI边缘端移动设备中使用。

【技术实现步骤摘要】
一种进行物体类别识别的人工智能系统及方法


[0001]本申请实施例涉及但不限于人工智能领域，尤其涉及一种进行物体类别识别的人工智能系统及方法。

技术介绍

[0002]随着AI(Artificial Intelligence，人工智能)技术的发展与广泛应用，对不同场景下的AI计算提出了越来越大的挑战。AI计算的应用从一开始的云端逐渐扩展到边缘端嵌入式系统。
[0003]目前对物体识别与检测方法有以下三种：
[0004]第一种方法是使用复杂的图像处理算法，分析处理图像采样数据，识别以及检测图像中的物体类别；
[0005]第二种方法是基于AI服务器、AI处理器或GPU(Graphics Processing Unit，图形处理器)等专用硬件，通过强大的硬件AI计算能力来推理图像中的物体类别；
[0006]第三种方法是基于高端的边缘端芯片，内嵌AI算法来识别以及检测图像中的物体类别。
[0007]其中，第一种和第二种方法不利于在边缘端移动设备中应用，第三种方法需要使用价格较昂贵的高端芯片，高成本也不利于在追求小而价廉的边缘端移动设备中应用。

技术实现思路

[0008]本申请提供了一种进行物体类别识别的人工智能系统，可以实现低成本、高性能的物体识别，包括：
[0009]可编程逻辑器件，用于采集原始图像数据，对所述原始图像数据进行预处理；通过用于进行物体类别识别的人工智能AI模型，对预处理后获得的图像数据中的物体的类别进行识别，得出初步识别结果；
[0010]处理芯片，用于获取所述可编程逻辑器件得出的初步识别结果；对所述初步识别结果进行优化处理，得出并输出最终识别结果。
[0011]本申请实施例还提供一种进行物体类别识别的方法，应用于前述的进行物体类别识别的人工智能系统中，所述方法包括：
[0012]可编程逻辑器件采集原始图像数据，对所述原始图像数据进行预处理；通过用于进行物体类别识别的人工智能AI模型对所述图像数据中的物体的类别进行识别，得出初步识别结果；
[0013]处理芯片获取所述可编程逻辑器件得出的初步识别结果；对所述初步识别结果进行优化处理，得出并输出最终识别结果。
[0014]本申请实施例的人工智能系统通过处理芯片和可编程逻辑器件的相互配合，共同完成使用AI模型进行物体类别识别这一功能，可以充分利用处理芯片和可编程逻辑器件各自的优势，仅需较少逻辑资源和有限数据计算能力，就可以实现对于图像数据中物体类别
的识别，具有低功耗、低延时、低成本、高性能和易扩展等优点，适合在AI边缘端移动设备中使用。
[0015]在阅读并理解了附图和详细描述后，可以明白其他方面。
附图说明
[0016]附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
[0017]图1为本申请实施例的进行物体类别识别的人工智能系统的示意图；
[0018]图2为一种实施方式中采用片上系统实现AI系统的示意图；
[0019]图3为本申请实施例的进行物体类别识别的方法的流程示意图；
[0020]图4为示例中进行物体类别识别的流程示意图；
[0021]图5为示例中进行物体类别识别的AI系统的结构示意图；
[0022]图6为示例中图像采集模块的示意图；
[0023]图7为示例中AI多物体检测模型的示意图。
具体实施方式
[0024]本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
[0025]本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由所附权利要求限定的独特的专利技术方案。任何实施例的任何特征或元件也可以与来自其它专利技术方案的特征或元件组合，以形成另一个由所附权利要求限定的独特的专利技术方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
[0026]此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对所附权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。
[0027]实施例一
[0028]如图1所示，本实施例提供一种进行物体类别识别的人工智能系统，包括：
[0029]可编程逻辑器件11，用于采集原始图像数据，对所述原始图像数据进行预处理；通
过用于进行物体类别识别的人工智能AI模型，对预处理后获得的图像数据中的物体的类别进行识别，得出初步识别结果；
[0030]处理芯片12，用于获取所述可编程逻辑器件得出的初步识别结果；对所述初步识别结果进行优化处理，得出并输出最终识别结果。
[0031]本实施例的人工智能系统可以采用轻量级和低功耗的器件实现物体类别识别，解决了边缘端移动设备中使用AI方法识别图像中物体类别的高复杂、高功耗、高成本的问题，本实施例的人工智能系统通过使用中低端的轻量化系统装载用于进行物体类别识别的AI模型，降低了全系统功耗，降低了成本，提高了AI边缘端识别物体类别的性价比和效率。
[0032]本实施例中，物体可以是图像中的任何对象，例如可以包括但不限于动物、植物、人、交通工具、自然环境、建筑物等。例如，对于图像中某一动物，可以输出的最终识别结果为猫。物体类别还可以进一步细化，根据所使用的AI模型确定。本实施例中，物体可以是根据AI模型能识别的任何物体。
[0033]本实施例中，初步识别结果可以是识别出的图像数据中某一物体的至少一个类别，最终识别结果可以是从初步识别结果中该物体对应的所有类别中确定出精准度最高的类别。例如，对图像数据中物体A的初步识别结果为{猫，狗，鸡}，然后对该初步识别结果进行优化处理后，得出最终识别结果为{狗}。
[0034]本实施例中，物体类别的最终识别结果可以是将图像数据中所有物体的类别一次性输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种进行物体类别识别的人工智能系统，其特征在于，包括：可编程逻辑器件，用于采集原始图像数据，对所述原始图像数据进行预处理；通过用于进行物体类别识别的人工智能AI模型，对预处理后获得的图像数据中的物体的类别进行识别，得出初步识别结果；处理芯片，用于获取所述可编程逻辑器件得出的初步识别结果；对所述初步识别结果进行优化处理，得出并输出最终识别结果。2.如权利要求1所述的人工智能系统，其特征在于，还包括：共享存储器，用于保存所述可编程逻辑器件发送的预处理后获得的图像数据，以及保存所述可编程逻辑器件发送的初步识别结果；所述可编程逻辑器件通过并行总线连接所述共享存储器；所述处理芯片通过系统总线连接所述共享存储器；可编程逻辑器件，还用于将预处理后获得的图像数据发送至所述共享存储器；将得出的初步识别结果发送至所述共享存储器；所述处理芯片，还用于从所述共享存储器读取图像数据并发送给所述可编程逻辑器件，以及读取所述初步识别结果。3.如权利要求1所述的人工智能系统，其特征在于：所述可编程逻辑器件为现场可编程门阵列FPGA；所述处理芯片为微控制单元MCU，所述人工智能系统为片上系统。4.如权利要求2所述的人工智能系统，其特征在于，所述可编程逻辑器件包括：图像采集模块，用于通过摄像头或者高清多媒体接口HDMI设备获取原始图像数据，对所述原始图像数据进行预处理，并将所述预处理后获得的图像数据发送至所述共享存储器；推理模块，接收所述处理芯片发送的图像数据，通过用于进行物体类别识别的人工智能AI模型，对所述图像数据中的物体的类别进行识别，得出初步识别结果。5.如权利要求4所述的人工智能系统，其特征在于，所述图像采集模块包括：开关控制器，用于选择摄像头输入的原始图像数据或高清多媒体接口HDMI设备输入的原始图像数据；图像预处理子摸块，用于对接收到原始图像数据进行预处理，将预处理后的图像数据通过并行总线发送至所述共享存储器，其中，所述预处理包括以下处理中的一种或者多种：...

【专利技术属性】
技术研发人员：刘锴，宋宁，徐庆嵩，范召，杜金凤，詹宁斯，
申请(专利权)人：广东高云半导体科技股份有限公司，
类型：发明
国别省市：