买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉韶关学院申请的专利基于Spark和FFT卷积的并行DCNN场景匹配识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116935195B 。

龙图腾网通过国家知识产权局官网在2026-01-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310886214.2，技术领域涉及：G06V20/00；该发明授权基于Spark和FFT卷积的并行DCNN场景匹配识别方法是由戴经国;毛伊敏;戴俊威设计研发完成，并于2023-07-19向国家知识产权局提交的专利申请。

本基于Spark和FFT卷积的并行DCNN场景匹配识别方法在说明书摘要公布了：本发明提出了一种基于Spark和FFT卷积的并行DCNN场景匹配识别方法，包括以下步骤：S1，初始化卷积核的权重；S2，在Spark框架下进行场景识别的DCNN模型并行训练；S3，将待识别的场景图片输入到并行训练完毕的DCNN模型中，得到场景匹配识别结果，并将结果输出到HDFS分布式文件系统中。本发明在场景识别领域具有较高的训练效率，适用于大规模数据集的快速匹配识别。

本发明授权基于Spark和FFT卷积的并行DCNN场景匹配识别方法在权利要求书中公布了：1.一种基于Spark和FFT卷积的并行DCNN场景匹配识别方法，其特征在于，包括以下步骤： S1，初始化卷积核的权重；所述初始化卷积核的权重是基于图像二维熵与K-Means的权重初始化策略IDEK-WI实现的，包括以下步骤： S1-1，从图像集合中随机选取一张图像，用大小为的窗口进行扫描得到子块，令每个子块的特征值等于窗口内像素的均值，坐标等于中心像素点坐标；所述图像集合是通过图像筛选得来的： 首先，将图像数据划分为若干批次，对这些图像数据进行RDD转换后存入分布式系统HDFS中； 然后，从HDFS中获取图像数据并均匀分配到各节点的分区中，计算各分区的图像集合对应的均值图像； 最后，采用基于图像二维熵的信息量指数来筛选图像，若输入图像对应的，则将该图像复制到表征图像集，否则继续读取下一张图像； 所述信息量指数通过以下公式求得： ， ， ， 其中表示图像对应的图像二维熵； 表示均值图像对应的图像二维熵； 表示图像的第个像素与其领域像素灰度分布的综合特征； 表示均值图像的第个像素与其领域像素灰度分布的综合特征； S1-2，将得到的子块划分为个区域，令，计算各区域对应的信息熵，选择值最大和最小的区域作为初始簇，其他区域的子块划分到距离最近的初始簇； S1-3，在得到的值最大和最小的区域中重新执行步骤S1-2中的划分操作，当簇中心变换量小于阈值时便可得到个初始聚类中心值，将这些数值作为K-Means算法的初始聚类中心进行聚类，直到簇中心值变换量小于阈值便可得到个簇； S1-4，依次从各个簇中随机选取一个特征值作为卷积核的权重，将得到的卷积核权值矩阵存放到内存中，对表征图像集中的每张特征图重复执行步骤S1-1~S1-3直到遍历完毕； S2，在Spark框架下进行场景识别的DCNN模型并行训练；Spark框架在并行训练DCNN模型时，采用基于自适应鲸鱼优化算法的负载均衡策略LB-AWO来获取节点因分配的最佳任务量，包括以下步骤： S00，预估各个worker节点的负载量和任务完成时间来初始化个体适应度： 首先计算各个节点的CPU占有率和内存占有率之和来得到节点的计算能力，并计算节点的预期负载值； 然后获取当前节点的参数合并任务量，计算节点任务预期完成时间；最后提出适应度函数，根据上述得到的预期负载和任务预期完成时间来计算各个节点的； 种群适应度函数的计算公式为： ， ， ， ， 其中，表示集群中worker节点的数量； 表示第个节点分配到的任务量为； 表示预期分配的任务量； 表示处理任务时的预测完成时间； 为自定义的调节权重，用于平衡任务量偏移值与完成时间对个体适应度的影响； 表示取并行任务中耗时最长的作为总体任务完成时间，； 表示当前节点实际分配到的任务量与其最适合分配到的任务量之间的偏移值； 为节点的计算能力； 为所有节点的计算能力； 表示当前节点的任务数量； S01，在获取种群适应度之后，执行鲸鱼优化算法求解各个节点可分配的最优任务量，从而均衡集群节点负载并执行参数的合并； S3，将待识别的场景图片输入到并行训练完毕的DCNN模型中，得到场景匹配识别结果，并将结果输出到HDFS分布式文件系统中。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人韶关学院，其通讯地址为：512023 广东省韶关市浈江区大学路288号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。