[发明专利]一种基于深度学习的图像描述方法及系统、介质和电子设备

权利要求书

1.一种基于深度学习的图像描述方法，其特征在于，该方法包括：

设置图像描述学习主机的参数，根据所述图像描述学习主机的输入数据，发出自动运行命令，并根据所述自动运行命令存储到待训练数据和等待数据；

获取当前CPU处理状态，并根据所述CPU处理状态判断是否发出自动输出命令和所述自动输出命令的发出时间；

判断是否收到所述自动输出命令，生成训练时序数据组；

根据所述训练时序数据组进行自动的模型运算，生成修正目标描述矩阵和目标修正模型；

获得所述目标修正模型实时计算实时目标描述矩阵，并提取目标点位值，根据横坐标和纵坐标进行展示；

获取所述目标点位值，在存储空间中开辟数据区，存储所述目标点位值及其对应的所述横坐标和所述纵坐标；

其中，所述设置图像描述学习主机的参数，根据所述图像描述学习主机的输入数据，发出自动运行命令，并根据所述自动运行命令存储到待训练数据和等待数据，具体包括：

设置所述图像描述学习主机参数，所述图像描述学习主机参数包括所述等待数据上限；

根据所述图像描述学习主机的输入数据，发出所述自动运行命令；

当收到所述自动运行命令时，则将实时获得的所述图像描述学习主机的输入数据存储为所述待训练数据；

当未收到所述自动运行命令时，则将实时获得的所述图像描述学习主机的输入数据存储为所述等待数据；

其中，根据所述图像描述学习主机的输入数据，发出所述自动运行命令，具体包括：

获得当前所述图像描述学习主机的实时学习输入数据；

对所述实时学习输入数据进行数据类型分析，根据对应数据类型进行划分，并计算所述数据类型对应的数据类型长度；

根据所述数据类型长度提取1秒内全部的所述实时学习输入数据的总长度，单位为KB；

根据所述实时学习输入数据的总长度，利用第一计算公式计算实时波动均值；

根据所述实时波动均值利用第二计算公式计算实时波动最小值；

根据所述实时波动均值利用第三计算公式计算实时波动最大值；

利用第四计算公式计算实时学习输入裕度；

根据第五计算公式自动判断所述实时学习输入数据的总长度是否满足所述实时学习输入裕度，若满足则发出所述自动运行命令；

所述第一计算公式为：

其中，y_i为所述实时波动均值，x_i为所述实时学习输入数据的总长度，a₁、a₂、a₃、a₄、a₅依次为第一、第二、第三、第四、第五预估系数，b₁、b₂、b₃、b₄、b₅依次为第六、第七、第八、第九、第十预估系数，x_i-1、x_i-2、x_i-3、x_i-4为前1秒、前2秒、前3秒和前4秒的实时学习输入数据总长度，y₁、y₂、y₃、y₄分别为第一、第二、第三、第四中间实时波动均值；

所述第二计算公式为：

Y_{min_i}＝min(y_i，y_i-1，...，y_i-L)

其中，y_i-1、…、y_i-L分别依次为前1秒、…、前L秒的所述实时波动均值，Y_{min_i}为所述实时波动最小值；

所述第三计算公式为：

Y_{max_i}＝max(y_i，y_i-1，…，y_i-L)

其中，Y_{max_i}为所述实时波动最大值；

所述第四计算公式为：

Yk_i＝0.8*(Y_{max_i}-Y_{min_i})+Y_{min_i}

其中，Yk_i为所述实时学习输入裕度；

所述第五计算公式为：

x_i＜Yk_i。