1.一种基于深度学习的机器视觉防夹系统，其特征在于，包括卷积神经网络CNN、数据处理单元和视频图像分析学习台，所述视频图像分析学习台包括闭合驱动单元、摄像头、基板和铰接在基板上的盖板，所述闭合驱动单元能够驱动盖板绕铰接点靠近或远离基板；

第一步：采集训练样本

设定基板与盖板的最大张角角度为A，张角A～1之间以1度的跨度为一个采集节点，通过摄像头在每个采集节点使卷积神经网络CNN采集若干张图片并保存在(A‑X)样本中，其中，第一个采集节点中X为A‑1，最后一个采集节点中X为0；

第二步：测试

选取任一采集节点，将已经被采集的图片对应的某障碍物置于板与盖板之间，摄像头通过对障碍物进行拍照，如果数据处理单元能够将获取的图片信息与对应样本进行匹配并控制闭合驱动单元止停，则表示采集训练样本可靠，反之则需要通过增加图片库来纠正；

第三步：将深度学习后的视觉防夹系统与应用场景适配；

视觉防夹系统的工作过程如下：

启动视觉防夹系统，向闭合驱动单元发送闭合指令，闭合驱动单元返回一个信号并开始闭合，闭合驱动单元每完成一度闭合就返回给视觉防夹系统一个信号，视觉防夹系统在接收到完成一度的信号之前，从实时摄像头提取一张图片并调用第一个模型与提取的图片进行计算，设置一个初始值为0的变量来计量视觉防夹系统接受到的信号数量，以此来决定调用第几个已经训练好的卷积神经网络CNN模型；若是计算的结果显示存在障碍物，视觉防夹系统向闭合驱动单元发送暂停的指令，同时视觉防夹系统发出警报，视觉防夹系统继续从摄像头提取实时图片，并与对应的卷积神经网络CNN模型进行计算，若计算结果为存在障碍，则继续提取并计算，若计算结果显示不存在障碍，则关闭警报，向闭合驱动单元发送闭合指令，如此反复，在盖板完全闭合之后则关闭视觉防夹系统；

卷积神经网络CNN模型的训练过程为：

1)、网络进行权值的初始化；

2)、输入数据经过卷积层、下采样层、全连接层的向前传播得到输出值；

3)、求出网络的输出值与目标值之间的误差；

4)、当误差大于期望值时，将误差传回网络中，依次求得全连接层，下采样层，卷积层的误差；各层的误差可以理解为对于网络的总误差，网络应承担多少；当误差等于或小于我们的期望值时，结束训练；

5)、根据求得误差进行权值更新；然后在进入到步骤2)。