【技术实现步骤摘要】
本专利技术涉及图像识别，具体涉及一种图像识别系统及方法。
技术介绍
1、图像识别是计算机视觉领域的一个重要分支，它旨在通过计算机算法自动识别和分类图像中的对象、场景和特征。然而，目前的图像识别技术存在识别效率低和适应性低的问题。
2、基于此，如何提高图像识别的识别效率和适应性，成为了亟待解决的技术问题。
技术实现思路
1、有鉴于此，为了解决上述技术问题，本专利技术提供了一种图像识别系统及方法。
2、本专利技术采用如下技术方案：
3、第一方面，本专利技术提供了一种图像识别系统，包括：图像预处理模块、动态去雾增强模块、神经网络加速模块、智能数据调度模块和能耗管理模块；
4、所述图像预处理模块用于对待识别图像进行预处理，并将预处理后的图像发送给所述动态去雾增强模块；
5、所述动态去雾增强模块用于判断所述预处理后的图像是否需要进行去雾增强处理，在所述预处理后的图像需要进行去雾增强处理时，对所述预处理后的图像进行去雾增强处理，并将去雾增强处理后的图像发送给所述神经网络加速模块，在所述预处理后的图像不需要进行去雾增强处理时，将所述预处理后的图像发送给所述神经网络加速模块；
6、所述神经网络加速模块用于在多个神经网络模型中选择适用于当前图像的目标神经网络模型，并通过所述目标神经网络模型对当前图像进行识别；所述目标神经网络模型基于并行分块卷积加速算法对当前图像进行识别；
7、所述智能数据调度模块用于对其他各模块的数
8、所述能耗管理模块用于对其他各模块进行能耗管理。
9、可选的，所述图像预处理模块具体用于对所述待识别图像进行如下至少一种预处理操作：
10、颜色空间转换、边缘检测与增强、双边滤波、腐蚀膨胀、角点检测、图像配准和无极缩放。
11、可选的，所述动态去雾增强模块具体基于暗通道去雾技术和光照自适应调节策略，对所述预处理后的图像进行去雾增强处理。
12、可选的，所述神经网络加速模块还用于在选择出所述目标神经网络模型后，根据所述目标神经网络模型每层的负载情况，给该层分配计算资源，使得负载越重的层，其得到的计算资源越多。
13、可选的，所述智能数据调度模块具体用于：
14、针对所述图像预处理模块、所述动态去雾增强模块、所述神经网络加速模块和所述能耗管理模块中的每个第一模块，根据所述第一模块的当前数据需求、计算能力和平均响应时间，计算所述第一模块的负载权重；
15、根据所述负载权重，计算所述第一模块的缓冲区大小；
16、按照所述缓冲区大小，为所述第一模块分配缓冲区。
17、可选的，所述智能数据调度模块具体还用于：
18、在计算出各所述第一模块的负载权重后，根据所述负载权重，计算各所述第一模块的资源分配比率；
19、按照所述资源分配比率，为各所述第一模块分配计算和存储资源。
20、可选的，所述智能数据调度模块具体还用于：
21、针对所述图像预处理模块、所述动态去雾增强模块、所述神经网络加速模块和所述能耗管理模块中的任意第二模块，根据所述第二模块的历史数据相关性系数和前一时刻输入数据流，预测所述第二模块的下一时刻数据需求量；
22、基于所述下一时刻数据需求量，提前加载所述第二模块在下一时刻所需的目标数据，以在所述目标数据的数据需求产生之前完成所述目标数据的加载。
23、可选的，所述能耗管理模块具体用于：
24、针对所述图像预处理模块、所述动态去雾增强模块、所述神经网络加速模块和所述智能数据调度模块中的任意第三模块，根据所述第三模块的瞬时功耗、负载程度和关于当前任务的执行时间，计算所述第三模块的能耗权重；
25、根据所述能耗权重和所述第三模块当前的功率状态，判断是否需要切换所述第三模块的功率状态；所述功率状态包括高功率状态、中等功率状态和低功率状态；
26、在需要切换所述第三模块的功率状态时，对所述第三模块进行功率状态切换。
27、可选的，所述能耗管理模块具体还用于：
28、根据所述第三模块的当前任务的优先级和所述能耗权重，计算所述第三模块的电能分配比例；
29、按照所述电能分配比例，给所述第三模块分配电能。
30、第二方面，本专利技术提供了一种图像识别方法，应用于如上所述的图像识别系统，所述图像识别方法，包括：
31、图像预处理模块在接收到待识别图像后，对所述待识别图像进行预处理，并将预处理后的图像发送给动态去雾增强模块；
32、所述动态去雾增强模块判断所述预处理后的图像是否需要进行去雾增强处理；
33、在所述预处理后的图像需要进行去雾增强处理时，所述动态去雾增强模块对所述预处理后的图像进行去雾增强处理，并将去雾增强处理后的图像发送给神经网络加速模块；在所述预处理后的图像不需要进行去雾增强处理时，所述动态去雾增强模块将所述预处理后的图像发送给所述神经网络加速模块；
34、所述神经网络加速模块在多个神经网络模型中选择适用于当前图像的目标神经网络模型，并通过所述目标神经网络模型对当前图像进行识别；所述目标神经网络模型基于并行分块卷积加速算法对当前图像进行识别。
35、本专利技术采用以上技术方案，一种图像识别系统，包括：图像预处理模块、动态去雾增强模块、神经网络加速模块、智能数据调度模块和能耗管理模块；图像预处理模块用于对待识别图像进行预处理，并将预处理后的图像发送给动态去雾增强模块；动态去雾增强模块用于判断预处理后的图像是否需要进行去雾增强处理，在预处理后的图像需要进行去雾增强处理时，对预处理后的图像进行去雾增强处理，并将去雾增强处理后的图像发送给神经网络加速模块，在预处理后的图像不需要进行去雾增强处理时，将预处理后的图像发送给神经网络加速模块；神经网络加速模块用于在多个神经网络模型中选择适用于当前图像的目标神经网络模型，并通过目标神经网络模型对当前图像进行识别；目标神经网络模型基于并行分块卷积加速算法对当前图像进行识别；智能数据调度模块用于对其他各模块的数据流进行动态管理；能耗管理模块用于对其他各模块进行能耗管理。
36、基于此，本专利技术通过预先设置多个神经网络模型，后续，神经网络加速模块可以在多个神经网络模型中选择适用于当前图像的目标神经网络模型，使得本专利技术能够根据任务需求在不同模型间快速切换，这种灵活的适应性使得在多任务处理、不同应用场景中表现出更高的通用性和适应性。以及，本专利技术通过目标神经网络模型基于并行分块卷积加速算法对当前图像进行识别，也即系统电路中的并行计算单元同时处理多个子块卷积操作，使得本专利技术提高了图像识别效率。
本文档来自技高网...【技术保护点】
1.一种图像识别系统，其特征在于，包括：图像预处理模块、动态去雾增强模块、神经网络加速模块、智能数据调度模块和能耗管理模块；
2.根据权利要求1所述的图像识别系统，其特征在于，所述图像预处理模块具体用于对所述待识别图像进行如下至少一种预处理操作：
3.根据权利要求1所述的图像识别系统，其特征在于，所述动态去雾增强模块具体基于暗通道去雾技术和光照自适应调节策略，对所述预处理后的图像进行去雾增强处理。
4.根据权利要求1所述的图像识别系统，其特征在于，所述神经网络加速模块还用于在选择出所述目标神经网络模型后，根据所述目标神经网络模型每层的负载情况，给该层分配计算资源，使得负载越重的层，其得到的计算资源越多。
5.根据权利要求1所述的图像识别系统，其特征在于，所述智能数据调度模块具体用于：
6.根据权利要求5所述的图像识别系统，其特征在于，所述智能数据调度模块具体还用于：
7.根据权利要求1至6中任一项所述的图像识别系统，其特征在于，所述智能数据调度模块具体还用于：
8.根据权利要求1所述的图像识别系统
9.根据权利要求8所述的图像识别系统，其特征在于，所述能耗管理模块具体还用于：
10.一种图像识别方法，其特征在于，应用于如权利要求1至9中任一项所述的图像识别系统，所述图像识别方法，包括：
...【技术特征摘要】
1.一种图像识别系统，其特征在于，包括：图像预处理模块、动态去雾增强模块、神经网络加速模块、智能数据调度模块和能耗管理模块；
2.根据权利要求1所述的图像识别系统，其特征在于，所述图像预处理模块具体用于对所述待识别图像进行如下至少一种预处理操作：
3.根据权利要求1所述的图像识别系统，其特征在于，所述动态去雾增强模块具体基于暗通道去雾技术和光照自适应调节策略，对所述预处理后的图像进行去雾增强处理。
4.根据权利要求1所述的图像识别系统，其特征在于，所述神经网络加速模块还用于在选择出所述目标神经网络模型后，根据所述目标神经网络模型每层的负载情况，给该层分配计算资源，使得负载越重的层，其...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。