基于深度学习的远距离图像识别系统及方法与流程

本发明涉及图像识别，具体是一种基于深度学习的远距离图像识别系统及方法。

背景技术：

1、到目前为止，超视距技术已经被广泛应用于自动驾驶、无人机、机器人等领域，对远距离图像的处理是超视距技术中存在的难点之一。远距离图像指的是距离观测点较远，通常采用望远镜、长焦镜头等设备进行拍摄或观测，人眼无法直接观察到的物体或景象。由于人眼的视野范围有限，远距离的物体或景象通常无法直接被肉眼观察到，需要借助光学设备来放大或捕捉图像。在自动驾驶车辆、无人机和机器人等应用中，远距离图像的识别对于实现导航、避障、物体跟踪等功能非常重要。超视距技术可以通过高空俯视的视角获取更广阔的视野范围，以便于获取更多的信息。

2、传统的远距离图像识别方法主要采用图像处理和特征提取等技术，这些方法在一定程度上可以提高识别准确性,但是，由于复合型噪声、远距离传输失真等因素的影响，远距离图像的质量不稳定，传统的图像识别算法往往难以达到高快速性和准确度的要求。为了解决传统方法的固有问题，现将深度学习技术引入传统方法，深度学习模型可以利用大量的训练数据集和优化算法，自动学习图像中的特征，从而提高识别快速性和准确性。

技术实现思路

1、本发明为了解决现有技术的问题，提供了一种基于深度学习的远距离图像识别系统及方法，能够有效解决传统方法存在的鲁棒性差、识别效率低、速度慢等问题，并为超视距技术的发展提供了新的思路和方法。

2、本发明提供了一种基于深度学习的远距离图像识别系统，其包括以下模块：

3、前端视觉模块，用于获取可见光或红外图像数据；

4、通信模块，用于超视距远端通信和数据传输；

5、数据优化模块，用于对图像信息进行样本优化、背景抑制处理；

6、数据集构建模块，用于利用数据优化模块处理后的图像建立图像数据集；

7、训练模块，用于基于预先训练成熟的神经网络模型对所建立的图像数据集进行迁移学习，得到训练完成的神经网络模型；

8、模型轻量化模块，用于利用主动学习机制和模型剪枝等方法对已经训练好的模型进行轻量化处理。

9、本发明还提供了一种基于深度学习的远距离图像识别方法，包括以下步骤：

10、步骤一，由前端数据源端获取图像数据后从网口和mini hdmi将数据传输到通信端，再由通信段经由公网将图片数据发送至服务器处理端，并于显示端显示。

11、步骤二，通过边界样本生成方法，探究高斯噪声与已有样本间的变换方式，考虑余弦噪声变量的干扰作用，提升变换速度，结合贝叶斯理论应用马尔科夫链，研究无监督采样生成的子序列加速采样，设计概率模型下的重要样本生成算法，有效地生成出具有可解释性的样本，对已获取样本进行优化。

12、步骤三，采用多层次多尺度滤波算法，提取目标边缘信息，融合概率混合模型，并设计深度神经网络还原概率模型，计算置信度并自适应选取阈值，以实现叠加复合型噪声的复杂环境场景的背景抑制。

13、步骤四，从远距离图像中提取目标物体的图像区域，并手动标注物体类别和位置信息，形成训练数据集。本发明建议使用大量的训练数据集来提高识别快速性和准确性。

14、步骤五，基于预先训练成熟的神经网络模型对所建立的图像数据集进行迁移学习，得到训练完成的神经网络模型。

15、步骤六，本发明使用dropout、batch normalization、l1/l2正则化等技术来优化模型，避免过拟合和提高模型泛化能力，从而提高模型的鲁棒性和准确性。在优化过程中，本发明采用了自适应学习率、批量梯度下降、随机梯度下降等优化方法，以加速模型收敛。

16、步骤七，在测试阶段，本发明使用远距离图像数据集来测试训练好的模型，并计算模型的准确率、召回率、f1值等性能指标。如果测试结果不理想，本发明会对模型参数进行微调和再训练，以进一步提高识别快速性和准确性。

17、步骤八，采用主动学习机制和模型剪枝等方法进行模型轻量化，提高超视距识别实时性和可选择性训练能力。

18、本发明有益效果在于：

19、1、利用背景抑制算法和深度学习模型对远距离图像进行识别，鲁棒性好，能够处理多种存在噪声干扰失真的低质量图像。

20、2、通过使用大量的训练数据集和优化算法，能够进一步提高远距离图像识别的快速性和准确性。

21、3、深度模型经过轻量化，算法的泛用性和可移植性好，适用于无人机航拍、无人机巡检、无人机救援等领域，具有广泛的应用前景。

22、4、模型经过轻量化处理，算法泛用性和可移植性好。

技术特征：

1.一种基于深度学习的远距离图像识别系统，其特征在于包括以下模块：

2.一种基于深度学习的远距离图像识别方法，其特征在于包括以下步骤：

3.根据权利要求2所述的基于深度学习的远距离图像识别方法，其特征在于：步骤2）所述样本优化方法，通过边界样本生成方法，探究高斯噪声与已有样本间的变换方式，考虑余弦噪声变量的干扰作用，提升变换速度，结合贝叶斯理论应用马尔科夫链，研究无监督采样生成的子序列加速采样，设计概率模型下的重要样本生成算法，生成出具有可解释性的样本。

4.根据权利要求2所述的基于深度学习的远距离图像识别方法，其特征在于：步骤6）所述优化模型过程使用dropout、batch normalization、l1/l2正则化技术。

5.根据权利要求4所述的基于深度学习的远距离图像识别方法，其特征在于：步骤6）所述优化过程中，本采用自适应学习率、批量梯度下降、随机梯度下降方法，以加速模型收敛。

技术总结
本发明提供了一种基于深度学习的远距离图像识别系统及方法，系统包括前端视觉模块，通信模块，数据优化模块，数据集构建模块，用于利用数据优化模块处理后的图像建立图像数据集，训练模块和模型轻量化模块。采用本发明能够有效解决传统方法存在的鲁棒性差、识别效率低、速度慢等问题，并为超视距技术的发展提供了新的思路和方法。本发明的应用领域包括但不限于无人机航拍、无人机巡检、无人机救援等领域，远距离图像数据主要来自于工作中无人机携带的图像传感器经超视距通讯传输。

技术研发人员：张赫文,李小光,徐冠华,顾天昊
受保护的技术使用者：南京壮大智能科技研究院有限公司
技术研发日：
技术公布日：2024/1/16