应用云端处理的对象类型辨识平台的制作方法

1.本发明涉及云端处理领域，尤其涉及一种应用云端处理的对象类型辨识平台。


背景技术：

2.云端处理是按需(on—demand)计算将计算机资源打包成类似公共设施的可计量的服务。在这一模式中，客户只需为他们所需的处理能力和存储支付费用。那些具有很大的需求高峰并伴有低得多的正常使用期的公司特别受益于效用计算。当然，该公司需要为高峰使用支付更多，但是，当高峰结束，正常使用模式恢复时，他们的费用会迅速下降。
3.按需计算服务的客户端基本上将这些服务作为异地虚拟服务器来使用。无须投资自己的物理基础设施，公司与云服务提供商之间执行现用现付的方案。按需计算本身并不是一个新概念，但它因云计算而获得新的生命。在过去的岁月里，按需计算由一台服务器通过某种分时方式而提供。
4.目前，在现场出现红色液体时，只能根据人工经验从具体颜色分布粗略判断是否动物血迹，以及根据人工经验从颜色陈旧情况大致判断出血时长，但是，现场血迹具体属于哪一种动物对象，根据人工经验是无法判断的，需要更精细化的电子化分析机制。


技术实现要素：

5.为了解决现有技术中的技术问题，本发明提供了一种应用云端处理的对象类型辨识平台，能够采用人工智能模式实现现场血块视觉数据到出血动物名称的智能化鉴定，尤为关键的是，还通过不同动物类型的血迹画面和动物名称完成对执行智能化鉴定的神经网络的针对性训练，从而保证现场鉴定的精度和效果。
6.相比较于现有技术，本发明需要具备以下三处突出的实质性特点：
7.(1)从每一种动物类型的血迹画面中提取最靠近所述血迹画面中央位置的固定数量的多个像素点分别对应的多个r成分值作为归属于所述动物类型的一批输入数据作为前馈神经网络模型的固定数量的输入数据，将对应动物类型名称字符串的的二进制数值作为前馈神经网络模型的单个输入数据，对前馈神经网络模型进行单次训练；
8.(2)针对每一种动物类型，执行的单次训练的次数不少于预设数目阈值，以获得针对性训练后的前馈神经网络模型；
9.(3)采用针对性训练后的前馈神经网络模型，实现对现场血块视觉数据到出血动物名称的智能化鉴定。
10.根据本发明的一方面，提供了一种应用云端处理的对象类型辨识平台，所述平台包括：
11.画面抓拍设备，用于对现场出血环境执行抓拍处理，以获得对应的实时抓拍画面；
12.信号分割设备，与所述画面抓拍设备连接，用于从所述实时抓拍画面从分割只包括血块的现场血块图像。
13.更具体地，在所述应用云端处理的对象类型辨识平台中，所述平台还包括：
14.语音播放芯片，设置在便携式终端内，用于接收出血动物名称并播放所述出血动物名称。
15.更具体地，在所述应用云端处理的对象类型辨识平台中：
16.所述画面抓拍设备以及所述信号分割设备都设置在所述便携式终端内。
17.更具体地，在所述应用云端处理的对象类型辨识平台中，所述平台还包括：
18.第一采集机构，设置在云端，通过无线网络与所述便携式终端连接，用于采集用于训练前馈神经网络模型的多批输入数据，每一批输入数据包括的输入数据的数量都等于固定数量且每一批输入数据中的每一个输入数据取值在0到ff之间，所述ff为16位进制数值；
19.数据准备机构，设置在云端，与所述第一采集机构连接，用于从每一种动物类型的血迹画面中提取最靠近所述血迹画面中央位置的固定数量的多个像素点分别对应的多个r成分值作为归属于所述动物类型的一批输入数据发送给所述第一采集机构；
20.第二采集机构，与所述数据准备机构连接，用于记录每一批输入数据所归属的动物类型的动物名称所对应的字符串的二进制数值，以用作训练前馈神经网络模型的每一批输出数据，每一批输出数据仅仅包括单个二进制数值；
21.模型构建设备，分别与所述第一采集机构和所述第二采集机构连接，用于将每一种动物类型所拥有的每一批输入数据作为前馈神经网络模型的固定数量的输入数据，将所述动物类型对应的二进制数值作为前馈神经网络模型的单个输入数据，对前馈神经网络模型进行单次训练；
22.所述模型构建设备还用于针对每一种动物类型，执行的单次训练的次数不少于预设数目阈值，以获得针对性训练后的前馈神经网络模型；
23.场景分析设备，与所述模型构建设备连接，用于将现场血块画面中提取最靠近所述现场血块画面中央位置的固定数量的多个像素点分别对应的多个r成分值作为针对性训练后的前馈神经网络模型的固定数量的输入数据以执行针对性训练后的前馈神经网络模型，获得针对性训练后的前馈神经网络模型的单个输出数据；
24.名称提取设备，设置在便携式终端内，分别与所述语音播放芯片和所述场景分析设备连接，用于对针对性训练后的前馈神经网络模型的单个输出数据执行二进制数值到字符串的转换以获得对应的字符串，并将所述对应的字符串作为出血动物名称输出；
25.其中，所述信号分割设备还与所述场景分析设备连接，用于将所述现场血块图像发送给所述信号分割设备；
26.其中，从每一种动物类型的血迹画面中提取最靠近所述血迹画面中央位置的固定数量的多个像素点分别对应的多个r成分值作为归属于所述动物类型的一批输入数据发送给所述第一采集机构包括：每一种动物类型的血迹画面中仅仅包括血迹而不包括其他内容；
27.其中，从每一种动物类型的血迹画面中提取最靠近所述血迹画面中央位置的固定数量的多个像素点分别对应的多个r成分值作为归属于所述动物类型的一批输入数据发送给所述第一采集机构还包括：获取所述血迹画面中每一个像素点到所述血迹画面中心位置的像素点的距离，将距离最短的固定数量的多个像素点分别对应的多个r成分值作为归属于所述动物类型的一批输入数据发送给所述第一采集机构。
28.根据本发明的另一方面，还提供了一种应用云端处理的对象类型辨识方法，所述
方法包括使用一种如上述的应用云端处理的对象类型辨识平台，用于采用针对性训练后的前馈神经网络模型实现对现场血块的动物类型鉴定。
29.本发明的应用云端处理的对象类型辨识平台设计紧凑、方便操控。由于能够在针对性训练机制的基础上采用人工智能模式完成现场血块视觉数据到出血动物名称的智能化鉴定，从而有效扩展现场识别设施的功能。
具体实施方式
30.下面将对本发明的应用云端处理的对象类型辨识平台的实施方案进行详细说明。
31.神经网络，是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。
32.目前，在现场出现红色液体时，只能根据人工经验从具体颜色分布粗略判断是否动物血迹，以及根据人工经验从颜色陈旧情况大致判断出血时长，但是，现场血迹具体属于哪一种动物对象，根据人工经验是无法判断的，需要更精细化的电子化分析机制。
33.为了克服上述不足，本发明搭建了一种应用云端处理的对象类型辨识平台，能够有效解决相应的技术问题。
34.根据本发明实施方案示出的应用云端处理的对象类型辨识平台包括：
35.画面抓拍设备，用于对现场出血环境执行抓拍处理，以获得对应的实时抓拍画面；
36.信号分割设备，与所述画面抓拍设备连接，用于从所述实时抓拍画面从分割只包括血块的现场血块图像。
37.接着，继续对本发明的应用云端处理的对象类型辨识平台的具体结构进行进一步的说明。
38.所述应用云端处理的对象类型辨识平台中还可以包括：
39.语音播放芯片，设置在便携式终端内，用于接收出血动物名称并播放所述出血动物名称。
40.所述应用云端处理的对象类型辨识平台中：
41.所述画面抓拍设备以及所述信号分割设备都设置在所述便携式终端内。
42.所述应用云端处理的对象类型辨识平台中还可以包括：
43.第一采集机构，设置在云端，通过无线网络与所述便携式终端连接，用于采集用于训练前馈神经网络模型的多批输入数据，每一批输入数据包括的输入数据的数量都等于固定数量且每一批输入数据中的每一个输入数据取值在0到ff之间，所述ff为16位进制数值；
44.数据准备机构，设置在云端，与所述第一采集机构连接，用于从每一种动物类型的血迹画面中提取最靠近所述血迹画面中央位置的固定数量的多个像素点分别对应的多个r成分值作为归属于所述动物类型的一批输入数据发送给所述第一采集机构；
45.第二采集机构，与所述数据准备机构连接，用于记录每一批输入数据所归属的动物类型的动物名称所对应的字符串的二进制数值，以用作训练前馈神经网络模型的每一批输出数据，每一批输出数据仅仅包括单个二进制数值；
46.模型构建设备，分别与所述第一采集机构和所述第二采集机构连接，用于将每一种动物类型所拥有的每一批输入数据作为前馈神经网络模型的固定数量的输入数据，将所述动物类型对应的二进制数值作为前馈神经网络模型的单个输入数据，对前馈神经网络模型进行单次训练；
47.所述模型构建设备还用于针对每一种动物类型，执行的单次训练的次数不少于预设数目阈值，以获得针对性训练后的前馈神经网络模型；
48.场景分析设备，与所述模型构建设备连接，用于将现场血块画面中提取最靠近所述现场血块画面中央位置的固定数量的多个像素点分别对应的多个r成分值作为针对性训练后的前馈神经网络模型的固定数量的输入数据以执行针对性训练后的前馈神经网络模型，获得针对性训练后的前馈神经网络模型的单个输出数据；
49.名称提取设备，设置在便携式终端内，分别与所述语音播放芯片和所述场景分析设备连接，用于对针对性训练后的前馈神经网络模型的单个输出数据执行二进制数值到字符串的转换以获得对应的字符串，并将所述对应的字符串作为出血动物名称输出；
50.其中，所述信号分割设备还与所述场景分析设备连接，用于将所述现场血块图像发送给所述信号分割设备；
51.其中，从每一种动物类型的血迹画面中提取最靠近所述血迹画面中央位置的固定数量的多个像素点分别对应的多个r成分值作为归属于所述动物类型的一批输入数据发送给所述第一采集机构包括：每一种动物类型的血迹画面中仅仅包括血迹而不包括其他内容；
52.其中，从每一种动物类型的血迹画面中提取最靠近所述血迹画面中央位置的固定数量的多个像素点分别对应的多个r成分值作为归属于所述动物类型的一批输入数据发送给所述第一采集机构还包括：获取所述血迹画面中每一个像素点到所述血迹画面中心位置的像素点的距离，将距离最短的固定数量的多个像素点分别对应的多个r成分值作为归属于所述动物类型的一批输入数据发送给所述第一采集机构。
53.所述应用云端处理的对象类型辨识平台中：
54.将距离最短的固定数量的多个像素点分别对应的多个r成分值作为归属于所述动物类型的一批输入数据发送给所述第一采集机构包括：距离最短的固定数量的每一个像素点对应的每一个r成分值为在rgb空间下的红色成分值。
55.所述应用云端处理的对象类型辨识平台中：
56.从所述实时抓拍画面从分割只包括血块的现场血块图像包括：基于血体的灰度上限阈值和灰度下限阈值获得从所述实时抓拍画面从分割只包括血块的现场血块图像。
57.所述应用云端处理的对象类型辨识平台中：
58.基于血体的灰度上限阈值和灰度下限阈值获得从所述实时抓拍画面从分割只包括血块的现场血块图像包括：将所述实时抓拍画面中灰度值在血体的灰度上限阈值和灰度下限阈值之间的像素点作为血体像素点。
59.所述应用云端处理的对象类型辨识平台中：
60.基于血体的灰度上限阈值和灰度下限阈值获得从所述实时抓拍画面从分割只包括血块的现场血块图像包括：将所述实时抓拍画面中灰度值在血体的灰度上限阈值和灰度下限阈值之外的像素点作为其他像素点。
61.所述应用云端处理的对象类型辨识平台中：
62.基于血体的灰度上限阈值和灰度下限阈值获得从所述实时抓拍画面从分割只包括血块的现场血块图像包括：将所述实时抓拍图像中的各个血体像素点组合成只包括血块的现场血块图像并从所述实时抓拍图像中分割出去。
63.同时，为了克服上述不足，本发明还搭建了一种应用云端处理的对象类型辨识方法，所述方法包括使用一种如上述的应用云端处理的对象类型辨识平台，用于采用针对性训练后的前馈神经网络模型实现对现场血块的动物类型鉴定。
64.另外，云端处理是一个很好的软件聚合平台，很好的解决了“冷门”软件的使用问题。有些软件使用频率不高，经常呆在电脑中占用资源，用完卸载、安装又非常麻烦，这时候可以把他们在“云端”中安装，系统中只保留使用频率最高的几款安装、或绿色软件，平时云端可以不启动，是不错的使用方案。
65.云开发的优势之一就是规模经济。利用云计算供应商提供的基础设施，同在单一的企业内开发相比，开发者能够提供更好，更便宜和更可靠的应用。如果需要，应用能够利用云的全部资源而无须要求公司投资类似的物理资源。
66.本领域的普通技术人员可知，可以对本发明以上描述的实施例以及其他实施例作出各种修改而不脱离本发明的范围。因此可以理解，本发明并不局限于上述公开的特定实施例，而覆盖了本技术权利要求定义的范围内的任何改变、修改或替换。