[发明专利]一种基于移动端的Camera智能识别设计方法及系统

说明书

本申请实施例公开了一种基于移动端的Camera智能识别设计方法及系统，涉及智能终端技术领域。所述方法包括：在计算机端构建深度学习训练模型；导出计算机端的模型资源文件；量化压缩所述模型资源文件；配置移动端系统编译环境；生成移动端的应用资源文件；安装所述应用资源文件，并启动智能识别。本申请的基于移动端的Camera智能识别设计方法及系统，基于计算机端深度学习训练模型，导出并量化压缩计算机端的模型资源文件，生成移动端的应用资源文件，以基于移动端实现智能识别。

技术领域

本申请涉及智能终端技术领域，尤其涉及基于移动端的Camera智能识别设计方法及系统。

背景技术

随着移动互联网、移动终端的发展，数据以超出想象的速度发生爆发式的增长。在未来一段时间内，大数据将成为企业、社会和国家层面重要的战略资源。进入大数据时代，终端设备的快速升级推动着人工智能产业的蓬勃发展，计算机视觉是智能识别方向的主要研究分支之一。智能识别方向包括语音识别、语义解析、图像识别、视频流识别等，现有技术虽然在功能强大的计算机端取得了突破，然而，移动终端已成为现今发展的必然趋势，如何将智能识别实现在移动终端已成为目前亟待解决的技术问题。

针对功能强大的计算机端，在解决智能识别技术方面将会面临巨大的资源开销，不仅受到网络资源的限制，而且难以便携，限制了智能应用场景。

因此，期望提供一种基于移动端的Camera智能识别设计方法及系统，基于计算机端深度学习训练模型，导出并量化压缩计算机端的模型资源文件，生成移动端的应用资源文件，以基于移动端实现智能识别。

发明内容

根据本申请的一些实施例的第一方面，提供了一种基于移动端的Camera智能识别设计方法，应用于终端(例如，电子设备等)中，所述方法可以包括：在计算机端构建深度学习训练模型；导出计算机端的模型资源文件；量化压缩所述模型资源文件；配置移动端系统编译环境；生成移动端的应用资源文件；安装所述应用资源文件，并启动智能识别。

在一些实施例中，所述构建深度学习训练模型进一步包括：基于TensorFlow平台，构建对象识别的CNN深度学习训练模型。

在一些实施例中，所述CNN深度学习训练模型的数据流进一步包括Conv 1层卷积，Pool1层下采样，Conv 2层卷积，Pool 2层下采样，Full Connect 1层全连接，Full Connect2层全连接，SoftMax层分类层。

在一些实施例中，所述量化压缩所述模型资源文件进一步包括：输入模型资源文件的值；计算所述模型资源文件的最大值和最小值；量化所述模型资源文件的值；计算所述量化后模型资源文件的最大值和最小值；反量化模型资源文件的值；输出模型资源文件。

在一些实施例中，所述量化压缩所述模型资源文件进一步包括将计算机端的模型资源文件处理成占用空间小的模型资源文件。

在一些实施例中，所述配置移动端系统编译环境进一步包括：安装JDK、SDK、NDK软件包；配置环境变量；基于Tensor Flow平台，构建Bazel编译架构；执行系统编译指令。

在一些实施例中，所述生成移动端的应用资源文件进一步包括：经过编译，生成移动端的APK应用资源文件。

在一些实施例中，所述安装所述应用资源文件进一步包括：将所述APK应用资源文件安装到移动端设备。

在一些实施例中，所述启动智能识别进一步包括：获取Camera系统权限；启动Camera；将Camera对准待识别物体，获取或显示物体的详细信息。