[发明专利]一种基于模型压缩的边缘端目标检测方法及系统

说明书

本发明公开了一种基于模型压缩的边缘端目标检测方法及系统，属于深度学习领域，本发明要解决的技术问题为如何在损失较小精度的情况下，减少模型体积并加快模型运行速度，确保模型能够顺利部署在边缘端设备，采用的技术方案为：该方法是以SSD网络为框架建立模型，使用MobileNet作为骨干网络提取图像特征，再使用Depth‑wiseClassification Layer作为分类层对图像类别进行分类，最后将压缩后的模型部署在边缘端设备上；具体如下：建立模型：从目标检测图像数据中获取图像信息并建立模型；训练模型并对模型中的图像进行分类：使用SSD网络训练模型，并使用Depth‑wise Classification Layer作为分类层对图像类别进行分类；压缩模型：将训练好的模型进行压缩；部署边缘端设备：将压缩后的模型部署到边缘端设备。

技术领域

本发明涉及深度学习技术领域，具体地说是一种基于模型压缩的边缘端目标检测方法及系统。

背景技术

目标检测(Object Detection)任务是找出图像中所有感兴趣的目标(物体)，确定它们的类别和位置，是计算机视觉和数字图像处理方向的热门问题之一。由于各类物体有不同的外观、形状、姿态，再加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。

近年来，随着深度学习的发展，卷积神经网络(CNN)在图像目标检测方面已经取得了巨大进展。卷积神经网络可以更加精确的提取图像特征信息，从而更加准确确定目标类别以及位置。

随着物联网时代的到来以及无线网络的普及，网络边缘的设备数量和其产生的数据量都急剧增长，边缘设备作为更快更好的提供智能服务的一种设备，已经逐渐渗入各行各业。传统深度学习方法训练出的目标检测模型通常包含大量参数，模型体积大，计算复杂并且大多需要GPU支持，模型难以在边缘端设备上进行部署。

综上所述，如何在损失较小精度的情况下，减少模型体积并加快模型运行速度，确保模型能够顺利部署在边缘端设备是目前亟待解决的技术问题。

专利号为CN110148148A专利文献公开了一种基于目标检测的下边缘检测模型的训练方法、模型和存储介质，获取样本图像，将所述样本图像输入预先建立的初始神经网络模型；利用所述样本图像训练所述初始神经网络模型，先将样本图像输入基础神经网络模型得到目标检测的实例分割结果，再将目标检测的实例分割结果输入高度图神经网络模型，再由高度图转换得到目标下边缘检测结果；将执行过程中目标下边缘检测模型输出的结果与各个所述目标下边缘检测标注线比较；获得比较结果；根据所述比较结果调整所述目标下边缘检测模型中的损失函数，使得所述目标下边缘检测模型的损失函数最小。但是该技术方案无法减少模型体积并加快模型运行速度，造成模型难以顺利部署在边缘端设备。

发明内容

本发明的技术任务是提供一种基于模型压缩的边缘端目标检测方法及系统，来解决如何在损失较小精度的情况下，减少模型体积并加快模型运行速度，确保模型能够顺利部署在边缘端设备的问题。

本发明的技术任务是按以下方式实现的，一种基于模型压缩的边缘端目标检测方法，该方法是以SSD网络为框架建立模型，使用MobileNet作为骨干网络提取图像特征，再使用Depth-wiseClassification Layer作为分类层对图像类别进行分类，最后将压缩后的模型部署在边缘端设备上；具体如下：

建立模型：从目标检测图像数据中获取图像信息并建立模型；

训练模型并对模型中的图像进行分类：使用SSD网络训练模型，并使用Depth-wiseClassification Layer作为分类层对图像类别进行分类；

压缩模型：将训练好的模型进行压缩；

部署边缘端设备：将压缩后的模型部署到边缘端设备。

作为优选，所述建立模型具体如下：