利用立体参数辨识的模型训练应用系统的制作方法

1.本发明涉及人工智能领域，尤其涉及一种利用立体参数辨识的模型训练应用系统。


背景技术：

2.人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
3.人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。
4.现有技术中，蜻蜓具有超人类的感知能力，尤其在天气预测方面，其运动轨迹能够对未来下雨预报提供参考数据，然而，尚且缺乏基于蜻蜓运动轨迹的高精度的下雨预测模型，鉴于此，可以考虑将人工智能机制用于搭建基于蜻蜓运动规定的下雨预测，同时，现有技术中并没有这样的人工智能机制。


技术实现要素：

5.为了解决相关领域的技术问题，本发明提供了一种利用立体参数辨识的模型训练应用系统，能够基于对同一只蜻蜓目标的预设数量的三维定位数据采用针对性训练后的单向循环神经网络对12小时内是否下雨进行预判，所述三维定位数据包括水平坐标、垂直坐标以及成像景深，从而将人工智能模式应用到下雨预报场景中。
6.为此，本发明需要具备以下三处重要的发明点：
7.(1)对每一只蜻蜓目标进行三维数据跟踪，以获取包括水平坐标、垂直坐标以及成像景深的三维定位数据；
8.(2)采用同一蜻蜓目标的分时的预设数量的三维定位数据作为训练后的单向循环神经网络的预设数量的输入数据，以运行所述训练后的单向循环神经网络并获得所述训练后的单向循环神经网络的单个输出数据即01或者00，其中，01代表12小时内下雨，00代表12小时内不下雨；
9.(3)引入网络建立设备用于采用已确定12小时内下雨或不下雨的判断结果对应同一蜻蜓目标的预设数量的历史三维定位数据对单向循环神经网络进行训练。
10.根据本发明的一方面，提供了一种利用立体参数辨识的模型训练应用系统，所述系统包括：
11.数据采集机构，设置在出现蜻蜓群体的水域的中央位置，用于面对水域的中央位置的上方执行图像画面采集操作，以获得各个采集时间戳分别对应的各帧水域上方图像；
12.第一增强机构，设置在所述数据采集机构附近的防水外壳的内部，与所述数据采集机构无线连接，用于对接收到的每一帧水域上方图像执行对比度提升操作，以获得对应的第一增强画面；
13.第二增强机构，设置在所述防水外壳内，与所述第一增强机构连接，用于对接收到的第一增强画面执行基于对数变换的图像数据增强操作，以获得对应的第二增强画面；
14.内容解析设备，与所述第二增强机构连接，用于基于蜻蜓颜色成像特征识别所述第二增强画面中的每一个蜻蜓目标，并以所述第二增强画面的中心位置的像素点为原点解析每一个蜻蜓目标在所述第二增强画面中的水平坐标和垂直坐标，同时解析所述第二增强画面中的每一个蜻蜓目标的景深数据；
15.数据规整设备，与所述内容解析设备连接，用于获取预设数量的多帧水域上方图像中同一蜻蜓目标的多个立体参数，每一个立体参数包括所述蜻蜓目标在相应水域上方图像帧中的水平坐标、垂直坐标和景深数据；
16.状态判断设备，分别与所述内容解析设备和所述数据规整设备连接，用于将同一蜻蜓目标的多个立体参数作为训练后的单向循环神经网络的预设数量的输入数据，以运行所述训练后的单向循环神经网络并获得所述训练后的单向循环神经网络的单个输出数据即01或者00，其中，01代表12小时内下雨，00代表12小时内不下雨；
17.网络建立设备，用于将12小时内下雨的判断结果对应的标识即01作为单向循环神经网络的单个输出数据，以12小时内下雨的判断结果对应的判断决定前的同一蜻蜓目标经过所述数据采集机构、所述第一增强机构、所述第二增强机构、所述内容解析设备以及所述数据规整设备获取的多个立体参数作为单向循环神经网络的预设数量的输入数据，对单向循环神经网络进行训练；
18.其中，所述网络建立设备还用于将12小时内不下雨的判断结果对应的标识即00作为单向循环神经网络的单个输出数据，以12小时内不下雨的判断结果对应的判断决定前的同一蜻蜓目标经过所述数据采集机构、所述第一增强机构、所述第二增强机构、所述内容解析设备以及所述数据规整设备获取的多个立体参数作为单向循环神经网络的预设数量的输入数据，对单向循环神经网络进行训练；
19.其中，将12小时内下雨的判断结果对应的标识即01作为单向循环神经网络的单个输出数据，以12小时内下雨的判断结果对应的判断决定前的同一蜻蜓目标经过所述数据采集机构、所述第一增强机构、所述第二增强机构、所述内容解析设备以及所述数据规整设备获取的多个立体参数作为单向循环神经网络的预设数量的输入数据，对单向循环神经网络进行训练包括：采用12小时内下雨的判断结果对应的判断决定前的多个蜻蜓目标分时完成多次对单向循环神经网络进行的训练；
20.其中，所述网络建立设备与所述状态判断设备连接，用于将完成训练后的单向循环神经网络发送给所述状态判断设备。
21.本发明的利用立体参数辨识的模型训练应用系统操作有效、判断智能。由于能够基于对同一只蜻蜓目标的预设数量的三维定位数据采用针对性训练后的单向循环神经网络对12小时内是否下雨进行预判，从而为下雨预报的实现提供有效解决途径。
具体实施方式
22.下面将对本发明的利用立体参数辨识的模型训练应用系统的实施方案进行详细说明。
23.降水概率指的是今天某个地区下雨的可能性是百分之多少。在预报的时间和区域范围内，会降雨的概率为这个数。也可以这样理解：本次针对指定的时间和区域进行的预报的准确率为这个数。
24.概率是个数学名词,它的直观意义是指一件事情发生的可能性。用概率形式发布的预报叫概率预报，1966年起源于美国。通俗的理解：具备某种条件(温度、气压、湿度等)的情况下，历史上降水的概率是30％。明了降水机率预报之后，对于可能下雨的天气就可以有应对措施来减少生活上的不便。
25.现有技术中，蜻蜓具有超人类的感知能力，尤其在天气预测方面，其运动轨迹能够对未来下雨预报提供参考数据，然而，尚且缺乏基于蜻蜓运动轨迹的高精度的下雨预测模型，鉴于此，可以考虑将人工智能机制用于搭建基于蜻蜓运动规定的下雨预测，同时，现有技术中并没有这样的人工智能机制。
26.为了克服上述不足，本发明搭建了一种利用立体参数辨识的模型训练应用系统，能够有效解决相应的技术问题。
27.根据本发明实施方案示出的利用立体参数辨识的模型训练应用系统包括：
28.数据采集机构，设置在出现蜻蜓群体的水域的中央位置，用于面对水域的中央位置的上方执行图像画面采集操作，以获得各个采集时间戳分别对应的各帧水域上方图像；
29.第一增强机构，设置在所述数据采集机构附近的防水外壳的内部，与所述数据采集机构无线连接，用于对接收到的每一帧水域上方图像执行对比度提升操作，以获得对应的第一增强画面；
30.第二增强机构，设置在所述防水外壳内，与所述第一增强机构连接，用于对接收到的第一增强画面执行基于对数变换的图像数据增强操作，以获得对应的第二增强画面；
31.内容解析设备，与所述第二增强机构连接，用于基于蜻蜓颜色成像特征识别所述第二增强画面中的每一个蜻蜓目标，并以所述第二增强画面的中心位置的像素点为原点解析每一个蜻蜓目标在所述第二增强画面中的水平坐标和垂直坐标，同时解析所述第二增强画面中的每一个蜻蜓目标的景深数据；
32.数据规整设备，与所述内容解析设备连接，用于获取预设数量的多帧水域上方图像中同一蜻蜓目标的多个立体参数，每一个立体参数包括所述蜻蜓目标在相应水域上方图像帧中的水平坐标、垂直坐标和景深数据；
33.状态判断设备，分别与所述内容解析设备和所述数据规整设备连接，用于将同一蜻蜓目标的多个立体参数作为训练后的单向循环神经网络的预设数量的输入数据，以运行所述训练后的单向循环神经网络并获得所述训练后的单向循环神经网络的单个输出数据即01或者00，其中，01代表12小时内下雨，00代表12小时内不下雨；
34.网络建立设备，用于将12小时内下雨的判断结果对应的标识即01作为单向循环神经网络的单个输出数据，以12小时内下雨的判断结果对应的判断决定前的同一蜻蜓目标经过所述数据采集机构、所述第一增强机构、所述第二增强机构、所述内容解析设备以及所述数据规整设备获取的多个立体参数作为单向循环神经网络的预设数量的输入数据，对单向
循环神经网络进行训练；
35.其中，所述网络建立设备还用于将12小时内不下雨的判断结果对应的标识即00作为单向循环神经网络的单个输出数据，以12小时内不下雨的判断结果对应的判断决定前的同一蜻蜓目标经过所述数据采集机构、所述第一增强机构、所述第二增强机构、所述内容解析设备以及所述数据规整设备获取的多个立体参数作为单向循环神经网络的预设数量的输入数据，对单向循环神经网络进行训练；
36.其中，将12小时内下雨的判断结果对应的标识即01作为单向循环神经网络的单个输出数据，以12小时内下雨的判断结果对应的判断决定前的同一蜻蜓目标经过所述数据采集机构、所述第一增强机构、所述第二增强机构、所述内容解析设备以及所述数据规整设备获取的多个立体参数作为单向循环神经网络的预设数量的输入数据，对单向循环神经网络进行训练包括：采用12小时内下雨的判断结果对应的判断决定前的多个蜻蜓目标分时完成多次对单向循环神经网络进行的训练；
37.其中，所述网络建立设备与所述状态判断设备连接，用于将完成训练后的单向循环神经网络发送给所述状态判断设备。
38.接着，继续对本发明的利用立体参数辨识的模型训练应用系统的具体结构进行进一步的说明。
39.所述利用立体参数辨识的模型训练应用系统中：
40.将12小时内不下雨的判断结果对应的标识即00作为单向循环神经网络的单个输出数据，以12小时内不下雨的判断结果对应的判断决定前的同一蜻蜓目标经过所述数据采集机构、所述第一增强机构、所述第二增强机构、所述内容解析设备以及所述数据规整设备获取的多个立体参数作为单向循环神经网络的预设数量的输入数据，对单向循环神经网络进行训练包括：采用12小时内不下雨的判断结果对应的判断决定前的多个蜻蜓目标分时完成多次对单向循环神经网络进行的训练。
41.所述利用立体参数辨识的模型训练应用系统中还可以包括：
42.分时配置接口，分别与所述数据采集机构、所述第一增强机构、所述第二增强机构、所述内容解析设备以及所述数据规整设备连接。
43.所述利用立体参数辨识的模型训练应用系统中：
44.所述分时配置接口用于分时完成对所述数据采集机构、所述第一增强机构、所述第二增强机构、所述内容解析设备以及所述数据规整设备的运行参数的配置。
45.所述利用立体参数辨识的模型训练应用系统中：
46.所述分时配置接口用于分时完成对所述数据采集机构、所述第一增强机构、所述第二增强机构、所述内容解析设备以及所述数据规整设备的运行参数的配置包括：所述分时配置接口为串行通信接口或者并行通信接口。
47.所述利用立体参数辨识的模型训练应用系统中还可以包括：
48.湿度检测机构，分别与所述数据采集机构、所述第一增强机构、所述第二增强机构、所述内容解析设备以及所述数据规整设备连接。
49.所述利用立体参数辨识的模型训练应用系统中：
50.所述湿度检测机构包括多个湿度感应单元，用于分别感应所述数据采集机构、所述第一增强机构、所述第二增强机构、所述内容解析设备以及所述数据规整设备各自的设
备内部湿度。
51.所述利用立体参数辨识的模型训练应用系统中还可以包括：
52.湿度报警机构，与所述多个湿度感应单元连接，用于在所述数据采集机构、所述第一增强机构、所述第二增强机构、所述内容解析设备以及所述数据规整设备各自的设备内部湿度中存在一个设备内部湿度超过预设湿度阈值时，执行相应的湿度报警动作。
53.所述利用立体参数辨识的模型训练应用系统中：
54.所述内容解析设备、所述数据规整设备、所述网络建立设备以及所述状态判断设备都设置在所述防水外壳内部。
55.另外，在所述利用立体参数辨识的模型训练应用系统中，所述内容解析设备内置有sdram存储芯片，用于存储所述内容解析设备的输入数据和输出数据。sdram：synchronous dynamic random access memory，同步动态随机存储器，同步是指内存工作需要同步时钟，内部的命令的发送与数据的传输都以他为基准；动态是指存储阵列需要不断的刷新来保证数据不丢失；随机是指数据不是线性依次存储，而是自由指定地址进行数据读写。sdr sdram的时钟频率就是数据存储的频率。sdram的工作电压为3.3v。
56.尽管已经参考优选的实施方案详细描述了本发明，本领域技术人员理解可以对其进行各种改进和替换而不背离在所附权利要求中给出的本发明精神和范围。