具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本基于卷积神经网络的橄榄球辅助裁判系统包括图像收集模块、红外检测模块和数据集中处理模块，由于橄榄球的争议区域较多，红外检测模块需要在每个不同分界线处设置有红外线，球场宽度方向的两侧设有红外激光器和对应的接收探测器，红外激光器用于发射红外线于每个不同区的分界线上，当队员超过分界线时，红外线被遮挡，对应的接收探测器接收到红外线反射不全的信息，则发送有人过线的反馈信息给图像收集模块。图像收集模块与红外检测模块控制连接，红外检测模块通过发出的红外激光被遮挡而发出电信号给图像收集模块，图像收集模块中的摄影机拍摄视频上传至数据集中处理模块，通过数据集中处理模块中设置的智能综合分析终端进行分析判断，得到辅助裁判结果。通过红外激光和图像收集模块连接，使得图像收集模块通过卷积神经网络的训练得到对应情况，以此分析判断出应该如何计分裁判。

数据集中处理模块则基于卷积神经网络处理数据，卷积神经网络可以用一维、二维或三维处理后输出数据，每秒以数以万次的数量级进行大量的计算从而得出较为准确的结果。演练各种过界情况，通过图像收集模块收集各情况的图像数据，将图像收集模块的图像数据集合输入数据集中处理模块中卷积神经网络的第一卷积层中，在第一卷积层中通过映射处理数据；接着将处理后的图像数据输出映射至卷积神经网络的第二卷积层中通过权重因子的第二部分进行处理数据。由于卷积神经网络计算的操作很多，导致设备运行时花费更多，容易使得成本加重，所以本发明通过数据集合的方式处理数据更节省资源，同时降低成本。

第一卷积层为初始处理系统，初始处理系统接收输入的图像数据以及对应的时间数据，同时附上存储权重因子集合。第二卷积层则为计算中枢系统，用于处理第一卷积层的数据集合。将数据集合裁剪为多个数据集合，并对每一个数据集合进行对应赛场情况的分类。通过分类能使得赛场情况更加细化，从而得出更为准确的裁判计分结果。通过权重因子集合限定裁判划分点，当包括90%以上的计算工作量时，得出最终的裁判分数结果数据。即当计算工作量达到精确度要求时，可输出最终较为准确的计分裁判结果。

设置好各模块位置，先对于各类赛场情况进行模拟，使用多种加速器加速训练，以适应多种不同地区的场地。图像采集模块中可以使用CNN引擎30连接到数据集中处理模块的卷积神经网络系统总线，将所收集的数据写入存储器中。使用卷积引擎32，通过图像的映射关系读取控制器中地址，图像缓存31通过输入端口从卷积引擎32的输出端口经过子采样器34读取控制器60缓存的指定地址，卷积引擎32可以使得卷积层发挥其功能。开关35使得图像数据可以由控制器36先提供。再将卷积引擎32的信息或者子采样器34的生成信息读回到图像缓存31中。先将初始ROI图像加载到图像缓存31中，将初始的运动时的ROI图像数据通常从图像缓存的地址0×00延伸，偏移量为0。缓存通过二维方式寻址，也有地址行的偏移量，在第一卷积层和子采样层提取了特征之后生成多个映射，此时生成5个，第一层映射0…第一层映射4，被写入地址线。卷积层2从卷积层1生成的5个映射生成10个映射，没有进行子采样，由卷积层2生成的新映射可以覆写图像缓存的区域，第二层映射1…3在缓存内相对于彼此和映射0连续移位；映射5…7也相对于映射4连续移位。第二层映射8和9写入到第一层映射的地址空间内。如果分类提取完成，则任何生成的向量均可以写入控制器39。

提取特征中，权重是卷积核值，而在图像的特征分类，权重是完全连接层神经元或连接权重值，存在5个输入映射并且核大小是5×5，就要映射之前的5×5×5(75)个权重。当前设置有2048个元素，输出向量具有15个元素，权重缓存大小为1024，计算对应权重并读取，然后读取接下来的1024个权重，再计算，再取出1024个权重。不停以此计算。

可以采用5%、15%、25%、35%、45%、55%、65%、75%、85%和95%的权重因子的第一组件105和剩余权重因子的第二组件110，通过改变划分点也可以提高计算的精确度，使得最终得出的裁判计分结果更符合要求。