本发明涉及人工智能和云计算技术领域,更具体地说,涉及一种基于深度学习的云计算模型方法。
背景技术:
随着监控视频应用的日益普及,监控视频出现了高清化、海量化、网络化、智能化的趋势,监控视频的智能化、实时化处理需求日益突出。云计算技术的出现使得海量的视频数据处理、挖掘成为可能。自2006年以来,深度学习已经成为机器学习领域的一个新兴领域。在过去几年中,深度学习技术的发展已经对信号和信息过程领域产生广泛的影响,并将继续影响到机器学习和人工智能的其它关键领域。
现有技术中,在高速公路路口识别车辆的型号由于车辆型号多又复杂且车辆在行驶过程中处于运动状态,识别车辆的型号的准确率较低,一般不能准确识别。
技术实现要素:
针对现有技术的不足,本发明的目的在于提供一种基于深度学习的云计算模型方法,解决了现有技术中在高速公路路口识别车辆的型号准确率较低的问题。
本发明的目的可以通过以下技术方案实现:
一种基于深度学习的云计算模型方法,包括数据采集层、数据处理层、云计算层和服务层,
所述数据采集层用于采集数据,所述数据采集层包括摄像头,所述摄像头用于采集视频图像数据;
所述数据处理层用于处理数据采集层采集的数据,所述数据处理层利用数据采集层采集的数据训练卷积神经网络,得到最优的卷积神经网络参数。
所述云计算层用于辅助数据处理层,所述云计算层上包括服务器,所述服务器上部署有卷积神经网络,当数据处理层的在单位时间的计算量超过设定的阈值,数据处理层将部分数据通过网络传递至云计算层,利用数据采集层采集的数据训练卷积神经网络,得到最优的卷积神经网络参数,并回传至数据处理层。
所述服务层用于展示和配置数据采集层、数据处理层和云计算层,所述服务层将结果可视化,提供给用户。
作为本发明的一种优选方案,所述数据采集层还包括雷达,所述雷达用于采集距离数据。
作为本发明的一种优选方案,所述数据采集层还包括录音设备,所述录音设备用于采集音频数据。
作为本发明的一种优选方案,所述服务层接入互联网,所述服务层通过移动端设备访问。
作为本发明的一种优选方案,所述移动端设备包括安卓系统设备、苹果系统和微软窗口系统设备。
作为本发明的一种优选方案,所述基于深度学习的云计算模型方法用于在高速公路路口识别车辆的型号。
本发明的有益效果:
本方案应用于高速公路路口识别车辆的型号解决了现有技术中在高速公路路口识别车辆的型号准确率较低的问题,采用本方案的可以提高在高速公路路口识别车辆的型号准确率。数据采集层还包括雷达,雷达用于采集距离数据,用于计算车辆与高速公路路口之间的距离,通过时间差进一步可以计算车辆行驶的速度。数据采集层还包括录音设备,录音设备用于采集音频数据,用于车辆行驶过程中产生的噪音。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的模块示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图所示,一种基于深度学习的云计算模型方法,包括数据采集层、数据处理层、云计算层和服务层,
数据采集层用于采集数据,数据采集层包括摄像头,摄像头用于采集视频图像数据;
数据处理层用于处理数据采集层采集的数据,数据处理层利用数据采集层采集的数据训练卷积神经网络,得到最优的卷积神经网络参数。
云计算层用于辅助数据处理层,云计算层上包括服务器,服务器上部署有卷积神经网络,当数据处理层的在单位时间的计算量超过设定的阈值,数据处理层将部分数据通过网络传递至云计算层,利用数据采集层采集的数据训练卷积神经网络,得到最优的卷积神经网络参数,并回传至数据处理层。
服务层用于展示和配置数据采集层、数据处理层和云计算层,服务层将结果可视化,提供给用户。本方案应用于高速公路路口识别车辆的型号解决了现有技术中在高速公路路口识别车辆的型号准确率较低的问题,采用本方案的可以提高在高速公路路口识别车辆的型号准确率。
数据采集层还包括雷达,雷达用于采集距离数据,用于计算车辆与高速公路路口之间的距离,通过时间差进一步可以计算车辆行驶的速度。数据采集层还包括录音设备,录音设备用于采集音频数据,用于车辆行驶过程中产生的噪音。
服务层接入互联网,服务层通过移动端设备访问。移动端设备包括安卓系统设备、苹果系统和微软窗口系统设备。便于用户访问和管理本方案。
基于深度学习的云计算模型方法用于在高速公路路口识别车辆的型号。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
1.一种基于深度学习的云计算模型方法,其特征在于,包括数据采集层、数据处理层、云计算层和服务层,
所述数据采集层用于采集数据,所述数据采集层包括摄像头,所述摄像头用于采集视频图像数据;
所述数据处理层用于处理数据采集层采集的数据,所述数据处理层利用数据采集层采集的数据训练卷积神经网络,得到最优的卷积神经网络参数。
所述云计算层用于辅助数据处理层,所述云计算层上包括服务器,所述服务器上部署有卷积神经网络,当数据处理层的在单位时间的计算量超过设定的阈值,数据处理层将部分数据通过网络传递至云计算层,利用数据采集层采集的数据训练卷积神经网络,得到最优的卷积神经网络参数,并回传至数据处理层。
所述服务层用于展示和配置数据采集层、数据处理层和云计算层,所述服务层将结果可视化,提供给用户。
2.根据权利要求1所述的一种基于深度学习的云计算模型方法,其特征在于,所述数据采集层还包括雷达,所述雷达用于采集距离数据。
3.根据权利要求1所述的一种基于深度学习的云计算模型方法,其特征在于,所述数据采集层还包括录音设备,所述录音设备用于采集音频数据。
4.根据权利要求1所述的一种基于深度学习的云计算模型方法,其特征在于,所述服务层接入互联网,所述服务层通过移动端设备访问。
5.根据权利要求4所述的一种基于深度学习的云计算模型方法,其特征在于,所述移动端设备包括安卓系统设备、苹果系统和微软窗口系统设备。
6.根据权利要求1所述的一种基于深度学习的云计算模型方法,其特征在于,所述基于深度学习的云计算模型方法用于在高速公路路口识别车辆的型号。