[发明专利]一种智能信号检测识别模型的轻量化处理方法

说明书

本发明公开了一种智能信号检测识别模型的轻量化处理方法，包括以下步骤：采集所述智能穿戴设备的机械正常状态下的信号和机械故障状态下的信号，对信号进行归一化以及FFT处理，转换为位图格式图像数据后构建数据集；通过知识蒸馏的训练方式，在所述数据集的基础上，利用Teacher模型对Student模型进行训练；使用稀疏技术去除Student模型中的冗余参数；将稀疏化的Student模型的权值和激活值以int 8的格式进行保存。本发明通过对模型本身进行优化，实现对90％以上的智能信号识别和检测模型进行处理，使得模型能够在计算资源充足的设备上进行应用的同时，还能够在资源有限的平台进行部署和应用。

技术领域

本发明涉及可穿戴设备领域，尤其涉及一种智能信号检测识别模型的轻量化处理方法。

背景技术

手表、手环等可穿戴设备原本只是作为人类用以计时或者显示时间的仪器，随着市场的需要以及AI时代的到来，深度神经网络在信号检测识别领域得到广泛应用并取得显著成功，受到了人们的广泛关注。随着GPU计算资源的迅速发展及边缘应用场景的不断扩大，智能信号检测与识别越来越多地用于边缘应用。边缘设备人工智能系统越来越被业界重视,其优势就在于本地化处理，系统延迟小，数据隐私得到保护，可靠性高，能耗小成本低等。

但由于现如今的智能信号检测识别模型消耗了越来越大的存储、内存带宽、计算资源以及传输能量，对于移动设备和低功耗的嵌入式设备以及一些实时应用，这些计算资源变得难以使用，导致基于卷积识别网络的智能信号识别模型和基于目标检测网络的智能信号检测模型在应用于边缘设备时运行效率很低。

发明内容

本发明的目的在于克服现有技术的不足，提供一种智能信号检测识别模型的轻量化处理方法。

本发明的目的是通过以下技术方案来实现的：

本发明的第一方面，提供一种智能信号检测识别模型的轻量化处理方法，包括以下步骤：

采集所述智能穿戴设备的机械正常状态下的信号和机械故障状态下的信号，对信号进行归一化以及FFT处理，转换为位图格式图像数据后构建数据集；

通过知识蒸馏的训练方式，在所述数据集的基础上，利用Teacher模型对Student模型进行训练；

使用稀疏技术去除Student模型中的冗余参数；

将稀疏化的Student模型的权值和激活值以int 8的格式进行保存。

进一步地，所述机械故障状态包括：滚动体轻微故障状态、外圈轻微故障状态、内圈轻微故障状态、滚动体中度故障状态、外圈中度故障状态、内圈中度故障状态、滚动体严重故障状态、外圈严重故障状态、内圈严重故障状态。

进一步地，对于机械正常状态下的信号和每类机械故障状态下的信号构建相同数量的样本。

进一步地，所述Teacher模型和Student模型的采用Yolov5系列的卷积神经网络模型，其中Teacher模型采用的是Yolov5m，而Student模型采用的是Yolov5s；所述Teacher模型和Student模型的通道为channel，并且Teacher模型和Student模型均包含多个BN层即批量归一化层。

进一步地，所述通过知识蒸馏的训练方式，在所述数据集的基础上，利用Teacher模型对Student模型进行训练，包括：

获取经过训练的Teacher模型，所述Teacher模型包括给定输入下的原始softmax分布；其中，softmax分布实现Logits向概率的转换；其中，Logits表示未经过归一化处理的类别识别概率分布；