一种基于深度学习算法的智能识重的图像识别系统

摘要

本发明公开了一种基于深度学习算法的智能识重的图像识别系统，属于图像识别技术领域，包括图像采集模块、图像处理模块、图像识别模块和中央处理器，所述图像采集模块的输出端与图像处理模块的输入端电性连接，所述图像处理模块的输出端与图像识别模块的输入端电性连接，图像识别模块与中央处理器双向电性连接。本发明中，通过设置图像处理模块，使得当图像发送模块A将信息传到给图像接受模块A时，使得图像识别模块能够更为有效且精准的对其图像信息进行识别的工作，避免了因图像采集拍摄出的图像不够清晰或图像受损时，图像识别技术难以将图像中的特征进行提取，从而导致后续的识别认证工作无法很好进行的情况，有利于人们的使用。

说明书

技术领域

本发明属于图像识别技术领域，尤其涉及一种基于深度学习算法的智能识重的图像识别系统。

背景技术

随着社会的发展和进步，图像识别的技术也越发的先进，应用也十分的广泛，图像识别是通过拍摄物件的图像，并从所获取的物件图像中识别出物件的特征，主要用于从物件图像中提取重要部分的特征，通过识别机构对其进行判定所提取的特征是否与保存的信息是否一致，由此来进行对其图像的识别认证，现有技术中的图像识别系统存在着一定的缺陷，当图像采集拍摄出的图像不够清晰时，图像识别技术难以将图像中的特征进行提取，从而导致后续的识别认证工作无法很好的进行，进而不利人们的使用，同时当图像受损时，图像识别模块也无法对其受损的图像进行识别，降低了适用性，且现有技术中的图像识别系统不具有自主学习改进的功能，故识别准确性较差，无法快速的进行认证的工作，同时不能够适用于不同的情况下。

发明内容

本发明的目的在于：为了解决图像受损或拍摄不清晰时无法很好的进行识别认证的工作，且不具有自主学习改进的问题，而提出的一种基于深度学习算法的智能识重的图像识别系统。

为了实现上述目的，本发明采用了如下技术方案：

一种基于深度学习算法的智能识重的图像识别系统，包括图像采集模块、图像处理模块、图像识别模块和中央处理器，所述图像采集模块的输出端与图像处理模块的输入端电性连接，所述图像处理模块的输出端与图像识别模块的输入端电性连接，图像识别模块与中央处理器双向电性连接，所述中央处理器的输出端分别与图像采集模块和图像处理模块的输入端电性连接；

其中，所述图像采集模块包括，红外探测模块、图像扫描模块、数据整理模块和图像发送模块A，所述红外探测模块的输出端与图像扫描模块的输入端电性连接，图像扫描模块的输出端与数据整理模块的输入端电性连接，数据整理模块的输出端与图像发送模块A的输入端电性连接，所述图像发送模块A的输出端与图像处理模块的输入端电性连接。

作为上述技术方案的进一步描述：

所述图像处理模块包括设置有图像接受模块A，图像接受模块A的输入端与图像发送模块A的输出端电性连接，图像接受模块A的输出端与图像平滑度修复模块的输入端电性连接，图像平滑度修复模块的输出端与边缘检测模块的输入端电性连接。

作为上述技术方案的进一步描述：

所述边缘检测模块的输出端与边缘修复模块的输入端电性连接，边缘修复模块的输出端与图像降噪模块的输入端电性连接，图像降噪模块的输出端与图像增强模块的输入端电性连接，图像增强模块的输出端与图像发送模块B的输入端电性连接，所述图像发送模块B的输出端与图像识别模块的输入端电性连接。

作为上述技术方案的进一步描述：

所述图像识别模块包括设置有图像接受模块B，图像接受模块B的输入端与图像发送模块B的输出端电性连接，所述图像接受模块B的输出端与图像特征提取模块的输入端电性连接，图像特征提取模块的输出端与图像信息提取模块的输入端电性连接。

作为上述技术方案的进一步描述：

所述图像信息提取模块的输出端与图像声音提取模块的输入端电性连接，图像声音提取模块的输出端与信息分类模块的输入端电性连接，信息分类模块的输出端与中央处理器的输入端电性连接。

作为上述技术方案的进一步描述：

所述中央处理器包括设置有智能分析模块，智能分析模块的输入端与信息分类模块的输出端电性连接，所述智能分析模块的输出端分别与学习资料库和图像资料库的输入端电性连接。

作为上述技术方案的进一步描述：

所述学习资料库的输出端分别与存储模块A、存储模块B和存储模块C的输入端电性连接，所述存储模块A、存储模块B和存储模块C的输出端均与定时检索模块的输入端电性连接。

作为上述技术方案的进一步描述：

所述定时检索模块的输出端与学习资料库的输入端电性连接。

作为上述技术方案的进一步描述：

所述中央处理器的输出端与定时检索模块的输入端电性连接。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明中，通过设置图像处理模块，使得当图像发送模块A将信息传到给图像接受模块A时，图像接受模块A能够将信息传达给图像平滑度修复模块，图像平滑度修复模块能够对其图像信息进行平滑度的修复，修复后的图像信息会传递给边缘检测模块，边缘检测模块对其图像信息的边缘处进行检测，检测完毕后，边缘检测模块将检测后的图像信息传递给边缘修复模块，边缘修复模块能够根据边缘检测模块检测出的残缺信息进行修复，修复后的图像信息能够传递给图像降噪模块，图像降噪模块对其图像信息进行降噪的工作，之后图像降噪模块能够将降噪后的图像信息传递给图像增强模块，图像增强模块能够对其图像信息的部分特征进行增强放大，最后通过图像发送模块将修复好且特征放大的图像信息传递给图像识别模块，使得图像识别模块能够更为有效且精准的对其图像信息进行识别的工作，避免了因图像采集拍摄出的图像不够清晰或图像受损时，图像识别技术难以将图像中的特征进行提取，从而导致后续的识别认证工作无法很好进行的情况，有利于人们的使用。

2、本发明中，通过设置中央处理器，使得被识别且分类后的图像信息能够传递给智能分析模块，智能分析模块传递图像信息给图像资料库，从而通过图像资料库中原有的图像信息进行识别认证的工作，同时智能分析模块能够将图像信息传递给学习资料库，学习资料库能够将收到的图像信息进行整合并依次将不同特征的信息传递给存储模块A、存储模块B和存储模块C，存储模块A、存储模块B和存储模块C能够对其提取出的不同特征进行存储，方便后续的检索工作，同时定时检索模块能够定时的传递信息给学习资料库，学习资料库将信息传递给存储模块A、存储模块B和存储模块C，从而存储模块A、存储模块B和存储模块C能够将信息传递给定时检索模块，使得定时检索模块能够对其存储模块A、存储模块B和存储模块C中的特征进行学习，之后定时检索模块能将检索得到的信息传递给中央处理器，从而便于后续的识别认证的工作，使得该系统具有了定时自主学习改进的功能，从而识别认证的准确性更高，能够适用于不同的识别情况下。

附图说明

图1为本发明提出的一种基于深度学习算法的智能识重的图像识别系统的整体流程结构示意图；

图2为本发明提出的一种基于深度学习算法的智能识重的图像识别系统的图像采集模块的子模块结构示意图；

图3为本发明提出的一种基于深度学习算法的智能识重的图像识别系统的图像处理模块的子模块结构示意图；

图4为本发明提出的一种基于深度学习算法的智能识重的图像识别系统的图像识别模块的子模块结构示意图；

图5为本发明提出的一种基于深度学习算法的智能识重的图像识别系统的中央处理器的子模块结构示意图。

图例说明：

1、图像采集模块；11、红外探测模块；12、图像扫描模块；13、数据整理模块；14、图像发送模块A；2、图像处理模块；21、图像接受模块A；22、图像平滑度修复模块；23、边缘检测模块；24、边缘修复模块；25、图像降噪模块；26、图像增强模块；27、图像发送模块B；3、图像识别模块；31、图像接受模块B；32、图像特征提取模块；33、图像信息提取模块；34、图像声音提取模块；35、信息分类模块；4、中央处理器；41、智能分析模块；42、学习资料库；43、存储模块A；44、存储模块B；45、存储模块C；46、图像资料库；47、定时检索模块。

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。

请参阅图1-5，本发明提供一种技术方案：一种基于深度学习算法的智能识重的图像识别系统，包括图像采集模块1、图像处理模块2、图像识别模块3和中央处理器4，所述图像采集模块1的输出端与图像处理模块2的输入端电性连接，所述图像处理模块2的输出端与图像识别模块3的输入端电性连接，图像识别模块3与中央处理器4双向电性连接，所述中央处理器4的输出端分别与图像采集模块1和图像处理模块2的输入端电性连接；

其中，所述图像采集模块1包括，红外探测模块11、图像扫描模块12、数据整理模块13和图像发送模块A14，所述红外探测模块11的输出端与图像扫描模块12的输入端电性连接，图像扫描模块12的输出端与数据整理模块13的输入端电性连接，数据整理模块13的输出端与图像发送模块A14的输入端电性连接，所述图像发送模块A14的输出端与图像处理模块2的输入端电性连接；

所述图像处理模块2包括设置有图像接受模块A21，图像接受模块A21的输入端与图像发送模块A14的输出端电性连接，图像接受模块A21的输出端与图像平滑度修复模块22的输入端电性连接，通过设置图像平滑度修复模块22，使得图像平滑度修复模块22能够对其图像信息进行平滑度的修复，更为方便后续的识别工作，图像平滑度修复模块22的输出端与边缘检测模块23的输入端电性连接；

所述边缘检测模块23的输出端与边缘修复模块24的输入端电性连接，边缘修复模块24的输出端与图像降噪模块25的输入端电性连接，图像降噪模块25的输出端与图像增强模块26的输入端电性连接，图像增强模块26的输出端与图像发送模块B27的输入端电性连接，通过设置图像增强模块26，使得图像增强模块26能够将图像信息中的特征进行增强放大，从而更为方便后续的特征提取的工作，所述图像发送模块B27的输出端与图像识别模块3的输入端电性连接；

所述图像识别模块3包括设置有图像接受模块B31，图像接受模块B31的输入端与图像发送模块B27的输出端电性连接，所述图像接受模块B31的输出端与图像特征提取模块32的输入端电性连接，图像特征提取模块32的输出端与图像信息提取模块33的输入端电性连接；

所述图像信息提取模块33的输出端与图像声音提取模块34的输入端电性连接，图像声音提取模块34的输出端与信息分类模块35的输入端电性连接，通过设置信息分类模块35，使得提取出的不同信息能够被信息分类模块35进行分类，从而更为简便快捷的进行识别认证的工作，信息分类模块35的输出端与中央处理器4的输入端电性连接；

所述中央处理器4包括设置有智能分析模块41，智能分析模块41的输入端与信息分类模块35的输出端电性连接，所述智能分析模块41的输出端分别与学习资料库42和图像资料库46的输入端电性连接；

所述学习资料库42的输出端分别与存储模块A43、存储模块B44和存储模块C45的输入端电性连接，通过设置存储模块A43、存储模块B44和存储模块C45，使得存储模块A43、存储模块B44和存储模块C45能够将提取出的不同特征进行存储，方便了后续的定时检索模块47的工作，所述存储模块A43、存储模块B44和存储模块C45的输出端均与定时检索模块47的输入端电性连接；

所述定时检索模块47的输出端与学习资料库42的输入端电性连接；

所述中央处理器4的输出端与定时检索模块47的输入端电性连接，通过设置定时检索模块47的输入端于中央处理器4的输出端电性连接，使得定时检索模块47检索出的信息能够传递给中央处理器4，从而便于中央处理器4后续的识别认证的工作。

工作原理：使用时，红外探测模块11能够将探测的图像信息传递给图像扫描模块12，图像扫描模块12将图像信息进行扫描，之后将图像信息传递给数据整理模块13，数据整理模块13对其图像信息进行整理并将整理后的图像信息传递给图像发送模块，此时图像发送模块A14将信息传到给图像接受模块A21，图像接受模块A21能够将信息传达给图像平滑度修复模块22，图像平滑度修复模块22能够对其图像信息进行平滑度的修复，修复后的图像信息会传递给边缘检测模块23，边缘检测模块23对其图像信息的边缘处进行检测，检测完毕后，边缘检测模块23将检测后的图像信息传递给边缘修复模块24，边缘修复模块24能够根据边缘检测模块23检测出的残缺信息进行修复，修复后的图像信息能够传递给图像降噪模块25，图像降噪模块25对其图像信息进行降噪的工作，之后图像降噪模块25能够将降噪后的图像信息传递给图像增强模块26，图像增强模块26能够对其图像信息的部分特征进行增强放大，最后通过图像发送模块将修复好且特征放大的图像信息传递给图像接受模块B31，图像接受模块B31将图像信息传递给图像特征提取模块32，图像特征提取模块32能够将图像信息中的特征进行提取，并将提取出的特征和图像信息传递给图像声音提取模块34，图像声音提取模块34将图像信息中的声音进行提取，并将提取出的信息和图像信息传递给信息分类模块35，信息分类模块35能够将提取的不同信息进行分类并将信息传递给智能分析模块41，被识别且分类后的图像信息传递给智能分析模块41后，智能分析模块41传递图像信息给图像资料库46，从而通过图像资料库46中原有的图像信息进行识别认证的工作，同时智能分析模块41能够将图像信息传递给学习资料库42，学习资料库42能够将收到的图像信息进行整合并依次将不同特征的信息传递给存储模块A43、存储模块B44和存储模块C45，存储模块A43、存储模块B44和存储模块C45能够对其提取出的不同特征进行存储，方便后续的检索工作，同时定时检索模块47能够定时的传递信息给学习资料库42，学习资料库42将信息传递给存储模块A43、存储模块B44和存储模块C45，从而存储模块A43、存储模块B44和存储模块C45能够将信息传递给定时检索模块47，使得定时检索模块47能够对其存储模块A43、存储模块B44和存储模块C45中的特征进行学习，之后定时检索模块47能将检索得到的信息传递给中央处理器4。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。