CN113255650B - 一种基于slimSSD模型的水表计量快速精准识别方法 - Google Patents

一种基于slimSSD模型的水表计量快速精准识别方法 Download PDF

Info

Publication number
CN113255650B
CN113255650B CN202110701792.5A CN202110701792A CN113255650B CN 113255650 B CN113255650 B CN 113255650B CN 202110701792 A CN202110701792 A CN 202110701792A CN 113255650 B CN113255650 B CN 113255650B
Authority
CN
China
Prior art keywords
ssd model
pruning
model
training
preset
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110701792.5A
Other languages
English (en)
Other versions
CN113255650A (zh
Inventor
耿艳兵
张新
廉永康
刘建国
李晓梅
聂明杰
张兴业
邹晓涛
李楠
贾陆璐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Hongcheng Xinding Intelligent Technology Co Ltd
Beijing Smart Water Development Research Institute
Original Assignee
Beijing Hongcheng Xinding Intelligent Technology Co ltd
BEIJING WATER CONSERVANCY AUTOMATION INST
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Hongcheng Xinding Intelligent Technology Co ltd, BEIJING WATER CONSERVANCY AUTOMATION INST filed Critical Beijing Hongcheng Xinding Intelligent Technology Co ltd
Priority to CN202110701792.5A priority Critical patent/CN113255650B/zh
Publication of CN113255650A publication Critical patent/CN113255650A/zh
Application granted granted Critical
Publication of CN113255650B publication Critical patent/CN113255650B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/02—Recognising information on displays, dials, clocks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于slimSSD模型的水表计量快速精准识别方法，计算机视觉和模式识别领域技术领域。本发明所述一种基于slimSSD模型的水表计量快速精准识别方法，包括数据准备、模型改进、模型训练、模型优化、模型二次fine‑tuning、模型测试以及模型输出，为了解决水表计量区域受水雾等噪声干扰不能准确识别的问题，在每个检测分支嵌入混合注意力模型改进SSD模型，并结合基于显著性驱动的通道裁剪方法压缩网络模型，在确保水表计量区域精准检测识别的基础上，删除冗余通道参数，提高处理速度，确保轻量化网络在嵌入式设备上的可移植性。

Description

一种基于slimSSD模型的水表计量快速精准识别方法
技术领域
本发明涉及计算机视觉和模式识别领域技术领域，尤其涉及一种基于slimSSD模型的水表计量快速精准识别方法。
背景技术
水务数据采集是水能源运营部门一项繁琐而重要的工作。传统人工抄表获取用水数据的方式，不仅需要极大的人力、物力投入；也难以确保数据采集的及时性和安全性；此外，面对水管破损泄漏等突发事件无法及时感知，难以满足对水能源的精细化管控。
随着人工智能技术的日益成熟和GPU等硬件技术的快速发展，基于深度网络模型的自动检测识别技术使得各个领域的智能化需求成为可能。新型数字化计量表通过对现有水表进行数字化改造，实现数据自动采集，但该模式下水表的规格千差万别，改造成本高，难以维护等问题；同时，这种依靠供电的智能水表，在安全可靠性和使用持久性方面也难以媲比机械表；此外，由于这类智能水表的改造涉及面大，在使用机械表的老旧小区，改造成本和施工量大，难以实现。针对上述问题，产生了加装于传统水表的摄像远传设备，只在原表加装图像采集设备来实现表盘图像的采集和远传，在服务器端实现水表计量的智能识别，并结合后台干预，以提高识别准确率；但这种方式会随着水表图像数据的剧增，带来极大的数据传输压力和存储压力，而由于传输拥堵造成的数据丢失，也将影响数据的安全性和可靠性。
由于传统水表的规格和样式变化多端，同时水表字轮每走一个数都会存在两个数字交替的情况，另外现场安装环境复杂多样，基表表盘常常存在水雾、发霉等影响识别图片的因素存在；给水表计量的准确检测识别带来极大挑战；此外，虽然深度神经网络的学习能力能够随着网络层数增加而不断提高，极大程度地提升检测识别的准确率，但其计算量大、参数存储成本高、模型复杂，使得深度学习无法有效地移植到轻量级的嵌入式设备，同时网络结构的复杂也会降低水表计量的检测识别效率，影响供电电源的使用寿命；而任意降低网络层数又将严重影响检测识别的准确率。
发明内容
为此，本发明提供一种基于slimSSD模型的水表计量快速精准识别方法，用以克服现有技术中因网络模型结构复杂导致对水表的计量检测效率、准确率低的问题。
为实现上述目的，本发明提供一种基于slimSSD模型的水表计量快速精准识别方法，包括：
步骤S1，采集数据后，对数据进行标注并根据标注信息划分数据以完成对数据的准备；
步骤S2，将关联了通道域和空间域的混合注意力模块分别嵌入SSD模型中的各检测分支以获得改进的SSD模型；
步骤S3，使用所述数据对所述改进的SSD模型进行训练并在训练时通过验证数据以对改进的SSD模型进行验证直至改性的SSD模型的识别性能达到最优；
步骤S4，通过显著性驱动的通道裁剪方法对所述完成训练和验证的识别性能达到最优的SSD模型进行裁剪以轻量化该SSD模型；
步骤S5，计算优化完成的所述SSD模型的绝对差值与迭代开始时的SSD模型的比值，并根据预设的裁剪率对所述SSD模型进行裁剪，当所述比值低于预设比值且裁剪后的所述SSD模型容忍度低于预设容忍度时，终止迭代，获得最优SSD模型；
步骤S6，将测试数据输入所述最优SSD模型进行测试，同时对水表的数据计量区域和指针计量区域进行检测识别，将检测框用红色方框框选，并将识别结果以数字串输出并上传服务器；
步骤S7，将测试完成的所述最优SSD模型输出，并移植至嵌入设备；
在所述步骤S3中，当对所述SSD模型进行训练时，通过在SSD模型中设置预设单次训练轮数U0和预设损失函数变化量G0，根据实际损失函数变化量G和预设损失函数变化量的比对结果判定是否对预设训练轮数进行调节，当G≤G0时，判定不需要对预设训练轮数进行调节，每次训练所述SSD模型的轮数设置为预设训练轮数U0，当G＞G0时，判定需要对预设训练轮数进行调节，并计算实际损失函数变化量G和预设损失函数变化量G0的差值∆G，设定∆G=G-G0，根据该差值选取对应的预设轮数调节系数对预设每次训练轮数进行调节；
在所述步骤S4中，当对所述SSD模型进行裁剪时，通过在SSD模型中设置预设容忍度R0，根据实际确定完成的训练轮数确定第一次剪枝的剪除通道的数量，在确定完成时计算裁剪前通道数量与裁剪后通道数量的比值Ba，并根据该比值确定对所述SSD模型第一次fine-tuning裁剪率，在第一次fine-tuning裁剪率确定完成时，获取实际容忍度R并将R与预设容忍度R0进行比对，根据比对结果确定是否需要对裁剪率进行调节，当R≤R0时，判定不需要对裁剪率进行调节并终止迭代，当R＞R0时，判定需要进行调节，计算实际容忍度R和预设容忍度R0的差值∆R并根据该差值选取对应的裁剪率调节系数对裁剪率进行调节。
进一步地，所述步骤S1包括：
步骤S11，通过安装在水表上的摄像头对不同类型的水表批量拍照，并将拍摄的图像通过随机裁剪、随机翻转、镜像等方式处理进行数据増广，生成预设数量的表盘图像；
步骤S12，通过标注软件分别将生成的所述表盘图像的数字计量区域和指针计量区域进行标注，并将标注内容存储在文本文件中，在存储完成时，将该文本文件和所述表盘图像存储在文件夹中；
步骤S13，将所述表盘图像和标注内容按照预设比例划分为训练集、验证集以及测试集。
进一步地，当对所述表盘图像进行划分时，根据实际所述改进后SSD模型的实际通道数C确定对所述表盘图像的划分比例，
其中，在所述SSD模型中设置有第一通道数C1、第二通道数C2以及第三通道数C3、第一划分比例S1、第二划分比例S2以及第三划分比例S3，C1＜C2＜C3，
当C1≤C＜C2时，根据第一划分比例S1将表盘图像划分为训练集、验证集以及测试集；
当C2≤C＜C3时，根据第二划分比例S2将表盘图像划分为训练集、验证集以及测试集；
当C≥C3时，根据第三划分比例S3将表盘图像划分为训练集、验证集以及测试集。
进一步地，所述步骤S2包括：
步骤S21，将特征图输入SSD模型并按照该SSD模型的检测分支数量平均分配所述特征图，在分配完成时，将所述SSD模型的每个检测分支输出的特征图通过通道注意力模块区分不同通道的重要程度，在区分完成时，将特征图输出获得通道注意力映射图；
步骤S22，通过级联方式将所述通道注意力映射图进行关联，在关联完成时，将关联通道注意力映射图通过空间注意力模块关注该通道注意力映射图在不同空间区域的显著性差异，在关注完成时，将该通道注意力映射图输出获得空间注意力映射图；
步骤S23，将所述通道注意力映射图和空间注意力映射图进行点乘运算后输出，获得混合注意力显著特征图。
进一步地，当对改进后的SSD模型进行训练至预设最大轮数且G＞G0时，则判定训练的模型不符合要求，计算实际损失函数变化量G和预设损失函数变化量G0的差值∆G，设定∆G=G-G0，并根据该差值选取对应的预设轮数调节系数对预设单次训练轮数进行调节，
其中，所述SSD模型中设置有第一损失函数变化量差值∆G1、第二损失函数变化量差值∆G2、第三损失函数变化量差值∆G3、第一训练轮数调节系数X1、第二训练轮数调节系数X2以及第三训练轮数调节系数X3，设定∆G1＜∆G2＜∆G3，1＜X1＜X2＜X3＜2，
当∆G1≤∆G＜∆G2时，选取第一训练轮数调节系数X1对每次训练轮数进行调节；
当∆G2≤∆G＜∆G3时，选取第二训练轮数调节系数X2对每次训练轮数进行调节；
当∆G≥∆G3时，选取第三训练轮数调节系数X3对每次训练轮数进行调节；
当选取第i训练轮数调节系数Xi对每次训练轮数进行调节时，设定i=1，2，3，将调节后的每次训练轮数设置为U0´，设定U0´=U0×Xi。
进一步地，所述步骤S4包括：
步骤S41，将所述SSD模型通过所述通道注意力模块的通道注意力机制进行第一次剪枝；
步骤S42，将第一次剪枝完成的所述SSD模型进行fine-tuning；
步骤S43，将fine-tuning完成的所述SSD模型通过通道稀疏化进行第二次剪枝。
进一步地，当对模型进行第一次剪枝时，根据实际训练轮数U确定剪除的不同分支的通道数量，
其中，所述SSD模型中还设置有第一训练轮数U1、第二训练轮数U2、第三训练轮数U3、第一剪枝通道数量m1、第二剪枝通道数量m2以及点剪枝通道数量m3，U1＜U2＜U3，m1＜m2＜m3，
当U1≤U1＜U2时，将第一次剪枝的剪除通道数量设置为第一剪枝通道数量m1；
当U2≤U1＜U3时，将第一次剪枝的剪除通道数量设置为第二剪枝通道数量m2；
当U1≥U3时，将第一次剪枝的剪除通道数量设置为第三剪枝通道数量m3。
进一步地，当第一次剪枝完成且剪除通道数量为mη时，设定η=1，2，3，根据优化后的SSD模型的通道数量C0和优化前通道数量的比值Ba并根据该比值确定第一次fine-tuning的裁剪率，设定C0=Cγ-mη，Ba=C0/Cγ，其中，Cγ为剪枝前通道数量，设定γ=1，2，3，
其中，所述SSD模型还设有第一次剪枝第一通道数比值Ba1、第一次剪枝第二通道数比值Ba2、第一次剪枝第三通道数比值Ba3、第一裁剪率Ea1、第二裁剪率Ea2以及第三裁剪率Ea3，Bb1＜Bb2＜Bb3，Ea1＜Ea2＜Ea3，
当Ba1≤Ba＜Ba2时，将第一次剪枝完成的SSD模型fine-tuning的裁剪率设置为第一裁剪率Ea1；
当Ba2≤Ba＜Ba3时，将第一次剪枝完成的SSD模型fine-tuning的裁剪率设置为第二裁剪率Ea2；
当Ba≥Ba3时，将第一次剪枝完成的SSD模型fine-tuning的裁剪率设置为第三裁剪率Ea3。
进一步地，当设置裁剪率完成且剪枝完成时，根据实际容忍度R与预设容忍度R的比对结果确定是否需要对裁剪率进行调节，当R≤R0时，判定不需要进行调节，终止迭代，当R＞R0时，判定需要进行调节，则计算实际容忍度R和预设容忍度R0的差值∆R，并根据该差值选取对应的裁剪率调节系数对裁剪率进行调节，
其中，所述SSD模型还设有第一容忍度差值∆R1、第二容忍度差值∆R2、第三容忍度差值∆R3、第一裁剪率调节系数K1、第二裁剪率调节系数K2以及第三裁剪率调节系数K3，∆R1＜∆R2＜∆R3，1＜K1＜K2＜K3＜2，
当∆R1≤∆R＜∆R2时，选取第一裁剪率调节系数K1对裁剪率进行调节；
当∆R2≤∆R＜∆R3时，选取第二裁剪率调节系数K2对裁剪率进行调节；
当∆R≥∆R3时，选取第三裁剪率调节系数K3对裁剪率进行调节。
进一步地，在所述步骤S5中，当第二次剪枝完成时，根据优化后的SSD模型的通道数量C和优化前通道数量的比值Bb，设定，Bb=C/Cγ，并根据该比值确定第二次fine-tuning的裁剪率，
其中，所述SSD模型还设有第二次剪枝第一通道数比值Bb1、第二次剪枝第二通道数比值Bb2、第二次剪枝第三通道数比值Bb3、第一裁剪率Ea1、第二裁剪率Ea2以及第三裁剪率Ea3，Bb1＜Bb2＜Bb3，Eb1＜Eb2＜Eb3，
当Bb1≤Bb＜Ba2时，将第二次剪枝完成的SSD模型fine-tuning的裁剪率设置为第二次剪枝第一裁剪率Eb1；
当Bb2≤Bb＜Bb3时，将第一次剪枝完成的SSD模型fine-tuning的裁剪率设置为第二次剪枝第二裁剪率Eb2；
当Bb≥Bb3时，将第一次剪枝完成的SSD模型fine-tuning的裁剪率设置为第二次剪枝第三裁剪率Eb3。
与现有技术相比，本发明的有益效果在于，本发明所述基于slimSSD模型的水表计量快速精准识别方法每个检测分支嵌入混合注意力模型改进SSD模型，并结合基于显著性驱动的通道裁剪方法压缩网络模型，在确保水表计量区域精准检测识别的基础上，删除冗余通道参数，提高处理速度，确保轻量化网络在嵌入式设备上的可移植性。
尤其，本发明所述基于slimSSD模型的水表计量快速精准识别方法可将模型参数减少到原SSD模型的0.5%，可正确移植到加装于传统机械表的嵌入式设备上，在3秒内识别准确率可达99%，计量单位精确到最后一个指针读数，在降低模型复杂度的基础上提高了识别速度和准确性。
进一步地，通过拍摄大量表盘图像并进行随机裁剪、随机翻转和镜像等方式进行数据増广，并増广完成的数据的数字计量区域和指针计量区域进行进行标注，在标注完成时按照预设比例将表盘图像划分为训练集、验证集以及测试集，以训练、验证和测试SSD模型，提高了模型的识别准确率，从而进一步提高了模型的识别效率。
进一步地，通过将通道注意力模块和空间注意力模块嵌入所述SSD模型，获得通道注意力映射图和空间注意力映射图，进一步将通道注意力映射图和空间注意力映射图进行点乘运算，获得混合注意力显著特征图，进一步提高了SSD模型对图形的识别准确率，从而进一步提高了SSD模型的识别效率。
进一步地，当对模型进行训练时，通过计算实际损失函数变化量与预设损失函数变化量差值与预设损失函数变化量的差值选取对应的训练轮数调节系数对每次训练轮数进行调节，提高了对模型的训练精度，进一步提高了模型的识别准确率，从而进一步提高了模型的识别效率。
进一步地，通过实际的每次训练轮数确定第一次剪除的通道数量，进一步提高了对SSD模型剪枝时的剪枝精确度，从而进一步提高了SSD模型的识别准确率。
进一步地，通过设置通道数比值和裁剪率，并进一步通过实际通道数比值确定裁剪率以对第一次剪枝完成的SSD模型进行第一次fine-tuning，提高了SSD模型的识别精确度，进一步提高了模型检测识别准确率，从而进一步提高了模型检测识别效率。
进一步地，当第一次剪枝完成时，通过设置裁剪率和裁剪率调节系数，对第一剪枝完成的SSD模型进行第一次fine-tuning，提高了SSD模型的识别精确度，进一步提高了模型检测识别准确率，从而进一步提高了模型检测识别效率。
进一步地，通过引入缩放因子并将L1正则化施加到SSD模型网络的其他分支，以使BN层的缩放因子都趋向于0,将缩放因子与每个通道的输出相乘，作为稀疏性惩罚项引入目标函数中，联合训练网络权重和缩放因子，获得更为紧凑的便于移植的模型，进一步提高了SSD模型的识别准确性，从而进一步提高了SSD模型的识别效率。
进一步地，通过在第二次剪枝完成时，对第二次剪枝完成的SSD模型进行第二次fine-tuning，进一步提高了SSD模型的识别准确性，从而进一步提高了SSD模型的识别效率。
进一步地，具体而言，通过将最优SSD模型保存并在检测时和计量区域一起上传服务器，进一步提高了SSD模型检测识别的准确型，从而进一步提高了检测识别的效率。
附图说明
图1为本发明所述一种基于slimSSD模型的水表计量快速精准识别方法的框架图；
图2为本发明所述一种基于slimSSD模型的水表计量快速精准识别方法的通道注意力模型图；
图3为本发明所述一种基于slimSSD模型的水表计量快速精准识别方法的区域注意力模型的流程图；
图4为本发明所述一种基于slimSSD模型的水表计量快速精准识别方法的混合注意力模型的流程图；
图5为本发明所述一种基于slimSSD模型的水表计量快速精准识别方法的显著性驱动的模型轻量化流程图。
具体实施方式
为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
请参阅图1-5所示，图1为本发明所述一种基于slimSSD模型的水表计量快速精准识别方法的框架图；图2为本发明所述一种基于slimSSD模型的水表计量快速精准识别方法的通道注意力模型图；图3为本发明所述一种基于slimSSD模型的水表计量快速精准识别方法的空间区域注意力模型的流程图；图4为本发明所述一种基于slimSSD模型的水表计量快速精准识别方法的混合注意力模型的流程图；图5为本发明所述一种基于slimSSD模型的水表计量快速精准识别方法的显著性驱动的模型轻量化流程图。
本发明所述一种基于slimSSD模型的水表计量快速精准识别方法，包括：
步骤S1，数据准备:数据采集、数据标注以及数据划分；
步骤S2，模型改进：将关联了通道域和空间域的混合注意力模块嵌入SSD模型的不同检测分支，获得改进的SSD模型；
步骤S3，模型训练：通过训练数据将所述改进的SSD模型进行训练并在训练时通过验证数据将改进的SSD模型进行验证直至改性的SSD模型的识别性能达到最优；
步骤S4，模型优化：通过显著性驱动的通道裁剪方法将训练且验证完成的识别性能达到最优的所述SSD模型进行裁剪以轻量化所述SSD模型；
步骤S5，模型fine-tuning：计算优化完成的所述SSD模型的绝对差值与迭代开始时的SSD模型的比值，并根据预设的裁剪率对所述SSD模型进行裁剪，当所述比值低于预设比值且裁剪后的所述SSD模型容忍度低于预设容忍度时，终止迭代，获得最优SSD模型；
步骤S6，模型测试：将测试数据输入所述最优SSD模型进行测试，同时对水表的数据计量区域和指针计量区域进行检测识别，将检测框用红色方框框选，并将识别结果以数字串输出并上传服务器；
步骤S7，模型输出：将测试完成的所述最优SSD模型输出，并移植至嵌入设备；
在所述步骤S3中，当对所述SSD模型进行训练时，通过在SSD模型中设置预设训练轮数U0和损失函数变化量G0，根据实际损失函数变化量G和预设损失函数变化量的比对结果判定是否对预设训练轮数进行调节，当G≤G0时，判定不需要对预设训练轮数进行调节，每次训练所述SSD模型的轮数设置为预设训练轮数U0，当G＞G0时，判定需要对预设训练轮数进行调节，则计算实际损失函数变化量G和预设损失函数变化量G0的差值∆G，设定∆G=G-G0，并根据该差值选取对应的预设轮数调节系数对预设每次训练轮数进行调节；
在所述步骤S4中，当对所述SSD模型进行裁剪时，通过在SSD模型中设置预设同人度R0，根据实际确定完成的训练轮数确定第一次剪枝的剪除通道的数量，在确定完成时计算裁剪前后通道数量的比值Ba，并根据该比值确定对所述SSD模型第一次fine-tuning裁剪率，在确定第一次fine-tuning裁剪率完成时，获取实际容忍度R并与预设容忍度R0进行比对，根据比对结果确定是否需要对裁剪率进行调节，当R≤R0时，判定不需要进行调节，终止迭代，当R＞R0时，判定需要进行调节，则计算实际容忍度R和预设容忍度R0的差值∆R，并根据该差值选取对应的裁剪率调节系数对裁剪率进行调节。
具体而言，本发明所述基于slimSSD模型的水表计量快速精准识别方法可将模型参数减少到原SSD模型的0.5%，可正确移植到加装于传统机械表的嵌入式设备上，在3秒内识别准确率可达99%，计量单位精确到最后一个指针读数，在降低模型复杂度的基础上提高了识别速度和准确性。
请继续参阅图1所示，本发明所述的基于slimSSD模型的水表计量快速精准识别方法，所述步骤S1包括：
步骤S11，通过安装在水表上的摄像头对不同类型的水表批量拍照，并将拍摄的图像通过随机裁剪、随机翻转、镜像等方式处理进行数据増广，生成预设数量的表盘图像；
步骤S12，通过标注软件分别将生成的所述表盘图像的数字计量区域和指针计量区域进行标注，并将标注内容存储在文本文件中，在存储完成时，将该文本文件和所述表盘图像存储在文件夹中；
步骤S13，将所述表盘图像和标注内容按照预设比例划分为训练集、验证集以及测试集。
当对所述表盘图像进行划分时，根据实际所述改进后SSD模型的实际通道数C确定对所述表盘图像的划分比例，
其中，在所述SSD模型中设置有第一通道数C1、第二通道数C2以及第三通道数C3、第一划分比例S1、第二划分比例S2以及第三划分比例S3，C1＜C2＜C3，
当C1≤C＜C2时，根据第一划分比例S1将表盘图像划分为训练集、验证集以及测试集；
当C2≤C＜C3时，根据第二划分比例S2将表盘图像划分为训练集、验证集以及测试集；
当C≥C3时，根据第三划分比例S3将表盘图像划分为训练集、验证集以及测试集。
具体而言，通过拍摄大量表盘图像并进行随机裁剪、随机翻转和镜像等方式进行数据増广，并増广完成的数据的数字计量区域和指针计量区域进行进行标注，在标注完成时按照预设比例将表盘图像划分为训练集、验证集以及测试集，以训练、验证和测试SSD模型，提高了模型的识别准确率，从而进一步提高了模型的识别准确率。
本发明实施方式生成的图像数量达到30万-35万张时，停止生成图像，优选地，本发明一个实施例生成图像数量为30万张，优选地，本发明另一个实施例生成图像数量为35万张，优选地，本发明又一个实施例生成图像数量为32.5万张。
本发明实时例中所述标注软件为Assistor PS、MarkMan、labellmg其中之一，也可是其他具有相同功能的标注软件，本发明对此不作限定，所述文本文件为word、xml、txt其中之一。
优选地，本发明实施例所述标注软件为MarkMan，本发明文本文件为txt文本文件，本发明实施例所述表盘图像和标注内容划分为训练集、验证集以及测试集的划分比例均为60%、20%、20%。
请继续参阅图2-4所示，本发明所述一种基于slimSSD模型的水表计量快速精准识别方法，所述步骤S2包括：
步骤S21，将特征图输入SSD模型并按照该SSD模型的检测分支数量平均分配所述特征图，在分配完成时，将所述SSD模型的每个检测分支输出的特征图通过通道注意力模块区分不同通道的重要程度，在区分完成时，将特征图输出获得通道注意力映射图；
步骤S22，通过级联方式将所述通道注意力映射图进行关联，在关联完成时，将关联通道注意力映射图通过空间注意力模块关注该通道注意力映射图在不同空间区域的显著性差异，在关注完成时，将该通道注意力映射图输出获得空间注意力映射图；
步骤S23，将所述通道注意力映射图和空间注意力映射图进行点乘运算后输出，获得混合注意力显著特征图。
具体而言，所述SSD模型的每个检测分支输出的特征图表示为fi(x)∈RHi×Wii×Li 。
请继续参阅图2所示，所述步骤S21中，将所述SSD模型通过通道注意力模块区分不同通道，生成通道注意力映射图包括将特征图通过全局平均池化（GAP）和通过全局最大化池化（GMP）聚合空间维度特征分别生成特征描述符
Figure 708648DEST_PATH_IMAGE001
和特征描述符
Figure 205488DEST_PATH_IMAGE002
，将特征描述符
Figure 590333DEST_PATH_IMAGE003
和特征描述符
Figure 983269DEST_PATH_IMAGE004
相加获得融合特征图，在完成相加时，将融合特征图分别通过通道数为C/2的1×1卷积和通道数为C的1×1卷积进行卷积，在卷积完成时，通过激活函数将卷积完成的融合特征图进行非线性化，获得通道注意力映射图
Figure 349003DEST_PATH_IMAGE005
。
具体而言，所述融合特征图表示为：
Figure 118376DEST_PATH_IMAGE006
所述通道注意力映射图表示为：
Figure 623307DEST_PATH_IMAGE007
其中，sigmoid()为激活函数，为通道数为C/2的1×1卷积，为通道数为C的1×1卷积，ReLU为线性整流函数。
具体而言，本发明实施例所述通道注意力模块区分不同通道的重要程度为通过通道注意力模块区分不同通道对计量区域的贡献率。
具体而言，通过将通道注意力模块和空间注意力模块嵌入所述SSD模型，获得通道注意力映射图和空间注意力映射图，进一步将通道注意力映射图和空间注意力映射图进行点乘运算，获得混合注意力显著特征图，进一步提高了SSD模型对图形的识别准确率，从而进一步提高了SSD模型的是被效率。
请继续参阅图3所示，所述步骤S22中，将级联完成的所述通道注意力映射图通过空间注意力模块关注通道注意力映射图在不同空间区域的性差异，获得所述空间注意力映射图包括将通道注意力映射图通过全局平均池化和全局最大化池化聚合空间维度特征分别生成空间维度描述符
Figure 452723DEST_PATH_IMAGE008
和空间维度描述符
Figure 308683DEST_PATH_IMAGE009
，并将空间维度描述符
Figure 881747DEST_PATH_IMAGE010
和空间维度描述符
Figure 975605DEST_PATH_IMAGE011
合并获得合并特征图，进一步将所述合并特征图通过通道数为C/2的1×1卷积进行卷积，通过激活函数将卷积完成的合并特征图进行非线性化，获得空间注意力映射图
Figure 975922DEST_PATH_IMAGE012
。
具体而言，所述合并特征图表示为：
Figure 788020DEST_PATH_IMAGE013
所述空间注意力映射图表示为：
Figure 430354DEST_PATH_IMAGE014
其中，sigmoid()为激活函数，conv为卷积。
请继续参阅图4所示，所述步骤S23中，所述点乘运算公式为：
Figure 644298DEST_PATH_IMAGE015
请集训参阅图1所示，本发明所述基于slimSSD模型的水表计量快速精准识别方法，对所述改进后的SSD模型进行训练包括通过训练集对模型进行迭代训练并进行参数更新，当每训练预设轮数时，通过验证集对所述SSD模型的识别准确率进行验证，并将该识别准确率与预设识别准确率进行比对，并将该比对结果通过损失函数进行表示，当迭代至预设最大轮数时，损失函数保持稳定且损失函数变化量G小于预设损失函数变化量G0，终止迭代，并将参数最优模型保存至*.h5。
当对改进后的SSD模型进行训练至预设最大轮数且G＞G0时，则判定训练的模型不符合要求，计算实际损失函数变化量G和预设损失函数变化量G0的差值∆G，设定∆G=G-G0，并根据该差值选取对应的预设轮数调节系数对预设每次训练轮数进行调节，
其中，所述SSD模型中设置有预设每次训练轮数U0、第一损失函数变化量差值∆G1、第二损失函数变化量差值∆G2、第三损失函数变化量差值∆G3、第一训练轮数调节系数X1、第二训练轮数调节系数X2以及第三轮数调节系数X3，∆G1＜∆G2＜∆G3，设定1＜X1＜X2＜X3＜2，
当∆G1≤∆G＜∆G2时，选取第一训练轮数调节系数X1对每次训练轮数进行调节；
当∆G2≤∆G＜∆G3时，选取第二训练轮数调节系数X2对每次训练轮数进行调节；
当∆G≥∆G3时，选取第三训练轮数调节系数X3对每次训练轮数进行调节；
当选取第i训练轮数调节系数Xi对每次训练轮数进行调节时，设定i=1，2，3，将调节后的每次训练轮数设置为U0´，设定U0´=U0×Xi。
优选地，本实施例中所述预设轮数为10轮，所述预设识别准确率为99%，所述预设最大轮数为200轮，所述预设损失函数变化量为1。
具体而言，当对模型进行训练时，通过计算实际损失函数变化量与预设损失函数变化量差值与预设损失函数变化量的差值选取对应的训练轮数调节系数对每次训练轮数进行调节，提高了对模型的训练精度，从而进一步提高了模型的识别准确率。
请继续参阅图5所示，本发明所述基于slimSSD模型的水表计量快速精准识别方法，所述步骤S4包括：
步骤S41，将所述SSD模型通过所述通道注意力模块的通道注意力机制进行第一次剪枝；
步骤S42，将第一次剪枝完成的所述SSD模型进行fine-tuning；
步骤S43，将fine-tuning完成的所述SSD模型通过通道稀疏化进行第二次剪枝。
具体而言，所述步骤S41中，将所述SSD模型进行第一次剪枝包括将训练完成的所述SSD模型按照不同检测分支通道的重要性的升序排序，在排序完成时，剪掉不同检测分支上的前m个通道和通道对应的滤波器。
具体而言，当对模型进行第一次剪枝时，根据实际训练轮数U确定剪除的不同分支的通道数量，提高了对模型的训练精度，进一步提高了模型的识别准确率，从而进一步提高了模型的识别效率。
其中，所述SSD模型中还设置有第一训练轮数U1、第二训练轮数U2、第三训练轮数U3、第一剪枝通道数量m1、第二剪枝通道数量m2以及第三剪枝通道数量m3，U1＜U2＜U3，m1＜m2＜m3，
当U1≤U1＜U2时，将第一次剪枝的剪除通道数量设置为第一剪枝通道数量m1；
当U2≤U1＜U3时，将第一次剪枝的剪除通道数量设置为第二剪枝通道数量m2；
当U1≥U3时，将第一次剪枝的剪除通道数量设置为第三剪枝通道数量m3。
具体而言，通过实际的每次训练轮数确定第一次剪除的通道数量，进一步提高了对SSD模型剪枝时的剪枝精确度，从而进一步提高了SSD模型的识别准确率。
具体而言，所述步骤S42中，对所述SSD模型fine-tuning包括计算所述步骤S3中识别性能达到最优的所述SSD模型的绝对差值变化与迭代前所述SSD模型的比值，并根据该比值自适应设定裁剪率对所述SSD模型进行通道裁剪，在裁剪过程中，当所述比值小于预设比值且容忍度低于预设容忍度时，终止迭代。
具体而言，当第一次剪枝完成且剪除通道数量为mη时，设定η=1，2，3，根据优化后的SSD模型的通道数量C0和优化前通道数量的比值Ba，设定C0=Cγ-mη，Ba=C0/Cγ，并根据该比值确定第一次fine-tuning的裁剪率，Cγ为剪枝前通道数量，设定γ=1，2，3，
其中，所述SSD模型还设有第一次剪枝第一通道数比值Ba1、第一次剪枝第二通道数比值Ba2、第一次剪枝第三通道数比值Ba3、第一裁剪率Ea1、第二裁剪率Ea2以及第三裁剪率Ea3，Bb1＜Bb2＜Bb3，Ea1＜Ea2＜Ea3，
当Ba1≤Ba＜Ba2时，将第一次剪枝完成的SSD模型fine-tuning的裁剪率设置为第一裁剪率Ea1；
当Ba2≤Ba＜Ba3时，将第一次剪枝完成的SSD模型fine-tuning的裁剪率设置为第二裁剪率Ea2；
当Ba≥Ba3时，将第一次剪枝完成的SSD模型fine-tuning的裁剪率设置为第三裁剪率Ea3。
具体而言，通过设置通道数比值和裁剪率，并进一步通过实际通道数比值确定裁剪率以对第一次剪枝完成的SSD模型进行第一次fine-tuning，提高了SSD模型的识别精确度，进一步提高了模型检测识别准确率，从而进一步提高了模型检测识别效率。
具体而言，当设置裁剪率完成且剪枝完成时，根据实际容忍度R与预设容忍度R的比对结果确定是否需要对裁剪率进行调节，当R≤R0时，判定不需要进行调节，终止迭代，当R＞R0时，判定需要进行调节，则计算实际容忍度R和预设容忍度R0的差值∆R，并根据该差值选取对应的裁剪率调节系数对裁剪率进行调节，
其中，所述SSD模型还设有第一容忍度差值∆R1、第二容忍度差值∆R2、第三容忍度差值∆R3、第一裁剪率调节系数K1、第二裁剪率调节系数K2以及第三裁剪率调节系数K3，∆R1＜∆R2＜∆R3，1＜K1＜K2＜K3＜2，
当∆R1≤∆R＜∆R2时，选取第一裁剪率调节系数K1对裁剪率进行调节；
当∆R2≤∆R＜∆R3时，选取第二裁剪率调节系数K2对裁剪率进行调节；
当∆R≥∆R3时，选取第三裁剪率调节系数K3对裁剪率进行调节。
具体而言，所述容忍度为裁剪后的SSD模型可容忍的准确率下降程度。
具体而言，当第一次剪枝完成时，通过设置裁剪率和裁剪率调节系数，对第一剪枝完成的SSD模型进行第一次fine-tuning，提高了SSD模型的识别精确度，进一步提高了模型检测识别准确率，从而进一步提高了模型检测识别效率。
具体而言，所述步骤S43中，当第二次剪枝时，引入缩放因子并将该缩放因子与每个通道的输出数据相乘，进一步将该缩放因子和输出数据相乘的结果作为稀疏性惩罚相引入目标函数，联合训练网络权重和所述缩放因子，获得的稀疏SSD模型中的所述缩放因子都趋向于0。
具体而言，通过将L1正则化施加到所述SSD模型的检测分支除外的其他分支的BN层的缩放因子上，以使BN层的缩放因子都趋向于0，进一步将所述SSD模型的通道按照通道重要性的升序排序，在排序完成时，剪掉前m个通道和通道对应的滤波器。
具体而言，将所述缩放因子和通道的输出相乘的结果作为稀疏性惩罚项引入目标函数用公式表示为：
Figure 81095DEST_PATH_IMAGE016
其中，
Figure 371701DEST_PATH_IMAGE017
为Σ第一项训练损失函数，用L1正则化项作为缩放因子上的稀疏化惩罚项，为训练输入数据和对应的标签，w时可训练参数，λ为平衡因子。
具体而言，通过引入缩放因子并将L1正则化施加到SSD模型网络的其他分支，以使BN层的缩放因子都趋向于0,将缩放因子与每个通道的输出相乘，作为稀疏性惩罚项引入目标函数中，联合训练网络权重和缩放因子，获得更为紧凑的便于移植的模型，进一步提高了SSD模型的识别准确性，从而进一步提高了SSD模型的识别效率。
请继续参阅图5所示，本发明所述基于基于slimSSD模型的水表计量快速精准识别方法，所述步骤S5为将第二次剪枝完成的所述SSD模型重复步骤S42，直至比值小于预设值且低于容忍度时，终止迭代。
具体而言，当第二次剪枝完成时，根据优化后的SSD模型的通道数量C和优化前通道数量的比值Bb，设定，Bb=C/Cγ，并根据该比值确定第二次fine-tuning的裁剪率，
其中，所述SSD模型还设有第二次剪枝第一通道数比值Bb1、第二次剪枝第二通道数比值Bb2、第二次剪枝第三通道数比值Bb3、第一裁剪率Ea1、第二裁剪率Ea2以及第三裁剪率Ea3，Bb1＜Bb2＜Bb3，Eb1＜Eb2＜Eb3，
当Bb1≤Bb＜Ba2时，将第二次剪枝完成的SSD模型fine-tuning的裁剪率设置为第二次剪枝第一裁剪率Eb1；
当Bb2≤Bb＜Bb3时，将第一次剪枝完成的SSD模型fine-tuning的裁剪率设置为第二次剪枝第二裁剪率Eb2；
当Bb≥Bb3时，将第一次剪枝完成的SSD模型fine-tuning的裁剪率设置为第二次剪枝第三裁剪率Eb3。
具体而言，通过在第二次剪枝完成时，对第二次剪枝完成的SSD模型进行第二次fine-tuning，进一步提高了SSD模型的识别准确性，从而进一步提高了SSD模型的识别效率。
请继续参阅图5所示，本发明所述基于基于slimSSD模型的水表计量快速精准识别方法，当判定所述SSD模型达到最优时，执行步骤S6和S7，将最优SSD模型进行保存后，并在保存完成时，将最优SSD模型以数字串形式输出并和检测后计量区域一起上传至服务器，以使SSD模型对水表进行识别工作。
具体而言，所述步骤S6中保存最优SSD模型为库文件*.h5。
具体而言，通过将最优SSD模型保存并在检测时和计量区域一起上传服务器，进一步提高了SSD模型检测识别的准确型，从而进一步提高了检测识别的效率。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。 凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于slimSSD模型的水表计量快速精准识别方法，其特征在于，包括：
步骤S1，采集数据后，对数据进行标注并根据标注信息划分数据以完成对数据的准备；
步骤S2，将关联了通道域和空间域的混合注意力模块分别嵌入SSD模型中的各检测分支以获得改进的SSD模型；
步骤S3，使用所述数据对所述改进的SSD模型进行训练并在训练时通过验证数据以对改进的SSD模型进行验证直至改性的SSD模型的识别性能达到最优；
步骤S4，通过显著性驱动的通道裁剪方法对完成训练和验证的识别性能达到最优的SSD模型进行裁剪以轻量化该SSD模型；
步骤S5，计算优化完成的所述SSD模型的绝对差值与迭代开始时的SSD模型的比值，并根据预设的裁剪率对所述SSD模型进行裁剪，当所述比值低于预设比值且裁剪后的所述SSD模型容忍度低于预设容忍度时，终止迭代，获得最优SSD模型；
步骤S6，将测试数据输入所述最优SSD模型进行测试，同时对水表的数据计量区域和指针计量区域进行检测识别，将检测框用红色方框框选，并将识别结果以数字串输出并上传服务器；
步骤S7，将测试完成的所述最优SSD模型输出，并移植至嵌入设备；
在所述步骤S3中，当对所述SSD模型进行训练时，通过在SSD模型中设置预设单次训练轮数U0和预设损失函数变化量G0，根据实际损失函数变化量G和预设损失函数变化量的比对结果判定是否对预设训练轮数进行调节，当G≤G0时，判定不需要对预设训练轮数进行调节，每次训练所述SSD模型的轮数设置为预设训练轮数U0，当G＞G0时，判定需要对预设训练轮数进行调节，并计算实际损失函数变化量G和预设损失函数变化量G0的差值∆G，设定∆G=G-G0，根据该差值选取对应的预设轮数调节系数对预设每次训练轮数进行调节；
所述步骤S4包括：
步骤S41，将所述SSD模型通过所述通道注意力模块的通道注意力机制进行第一次剪枝；
步骤S42，将第一次剪枝完成的所述SSD模型进行fine-tuning；
步骤S43，将fine-tuning完成的所述SSD模型通过通道稀疏化进行第二次剪枝；
在所述步骤S4中，当对所述SSD模型进行裁剪时，通过在SSD模型中设置预设容忍度R0，根据实际确定完成的训练轮数确定第一次剪枝的剪除通道的数量，在确定完成时计算裁剪前通道数量与裁剪后通道数量的比值Ba，并根据该比值确定对所述SSD模型第一次fine-tuning裁剪率，在第一次fine-tuning裁剪率确定完成时，获取实际容忍度R并将R与预设容忍度R0进行比对，根据比对结果确定是否需要对裁剪率进行调节，当R≤R0时，判定不需要对裁剪率进行调节并终止迭代，当R＞R0时，判定需要进行调节，计算实际容忍度R和预设容忍度R0的差值∆R并根据该差值选取对应的裁剪率调节系数对裁剪率进行调节；
所述步骤S41中，将所述SSD模型进行第一次剪枝包括将训练完成的所述SSD模型按照不同检测分支通道的重要性的升序排序，在排序完成时，剪掉不同检测分支上的前m个通道和通道对应的滤波器。
2.根据权利要求1所述的基于slimSSD模型的水表计量快速精准识别方法，其特征在于，当对改进后的SSD模型进行训练至预设最大轮数且G＞G0时，则判定训练的模型不符合要求，计算实际损失函数变化量G和预设损失函数变化量G0的差值∆G，设定∆G=G-G0，并根据该差值选取对应的预设轮数调节系数对预设单次训练轮数进行调节，
其中，所述SSD模型中设置有第一损失函数变化量差值∆G1、第二损失函数变化量差值∆G2、第三损失函数变化量差值∆G3、第一训练轮数调节系数X1、第二训练轮数调节系数X2以及第三训练轮数调节系数X3，设定∆G1＜∆G2＜∆G3，1＜X1＜X2＜X3＜2，
当∆G1≤∆G＜∆G2时，选取第一训练轮数调节系数X1对每次训练轮数进行调节；
当∆G2≤∆G＜∆G3时，选取第二训练轮数调节系数X2对每次训练轮数进行调节；
当∆G≥∆G3时，选取第三训练轮数调节系数X3对每次训练轮数进行调节；
当选取第i训练轮数调节系数Xi对每次训练轮数进行调节时，设定i=1，2，3，将调节后的每次训练轮数设置为U0´，设定U0´=U0×Xi。
3.根据权利要求1所述的基于slimSSD模型的水表计量快速精准识别方法，其特征在于，当设置裁剪率完成且剪枝完成时，根据实际容忍度R与预设容忍度R的比对结果确定是否需要对裁剪率进行调节，当R≤R0时，判定不需要进行调节，终止迭代，当R＞R0时，判定需要进行调节，则计算实际容忍度R和预设容忍度R0的差值∆R，并根据该差值选取对应的裁剪率调节系数对裁剪率进行调节，
其中，所述SSD模型还设有第一容忍度差值∆R1、第二容忍度差值∆R2、第三容忍度差值∆R3、第一裁剪率调节系数K1、第二裁剪率调节系数K2以及第三裁剪率调节系数K3，∆R1＜∆R2＜∆R3，1＜K1＜K2＜K3＜2，
当∆R1≤∆R＜∆R2时，选取第一裁剪率调节系数K1对裁剪率进行调节；
当∆R2≤∆R＜∆R3时，选取第二裁剪率调节系数K2对裁剪率进行调节；
当∆R≥∆R3时，选取第三裁剪率调节系数K3对裁剪率进行调节。
4.根据权利要求2所述的基于slimSSD模型的水表计量快速精准识别方法，其特征在于，当对模型进行第一次剪枝时，根据实际训练轮数U确定剪除的不同分支的通道数量，
其中，所述SSD模型中还设置有第一训练轮数U1、第二训练轮数U2、第三训练轮数U3、第一剪枝通道数量m1、第二剪枝通道数量m2以及点剪枝通道数量m3，U1＜U2＜U3，m1＜m2＜m3，
当U1≤U1＜U2时，将第一次剪枝的剪除通道数量设置为第一剪枝通道数量m1；
当U2≤U1＜U3时，将第一次剪枝的剪除通道数量设置为第二剪枝通道数量m2；
当U1≥U3时，将第一次剪枝的剪除通道数量设置为第三剪枝通道数量m3。
5.根据权利要求4所述的基于slimSSD模型的水表计量快速精准识别方法，其特征在于，当第一次剪枝完成且剪除通道数量为mη时，设定η=1，2，3，根据优化后的SSD模型的通道数量C0和优化前通道数量的比值Ba并根据该比值确定第一次fine-tuning的裁剪率，设定C0=Cγ-mη，Ba=C0/Cγ，其中，Cγ为剪枝前通道数量，设定γ=1，2，3，
所述SSD模型还设有第一次剪枝第一通道数比值Ba1、第一次剪枝第二通道数比值Ba2、第一次剪枝第三通道数比值Ba3、第一裁剪率Ea1、第二裁剪率Ea2以及第三裁剪率Ea3，Bb1＜Bb2＜Bb3，Ea1＜Ea2＜Ea3，
当Ba1≤Ba＜Ba2时，将第一次剪枝完成的SSD模型fine-tuning的裁剪率设置为第一裁剪率Ea1；
当Ba2≤Ba＜Ba3时，将第一次剪枝完成的SSD模型fine-tuning的裁剪率设置为第二裁剪率Ea2；
当Ba≥Ba3时，将第一次剪枝完成的SSD模型fine-tuning的裁剪率设置为第三裁剪率Ea3。
6.根据权利要求5所述的基于slimSSD模型的水表计量快速精准识别方法，其特征在于，在所述步骤S5中，当第二次剪枝完成时，根据优化后的SSD模型的通道数量C和优化前通道数量的比值Bb，设定，Bb=C/Cγ，并根据该比值确定第二次fine-tuning的裁剪率，
其中，所述SSD模型还设有第二次剪枝第一通道数比值Bb1、第二次剪枝第二通道数比值Bb2、第二次剪枝第三通道数比值Bb3、第一裁剪率Ea1、第二裁剪率Ea2以及第三裁剪率Ea3，Bb1＜Bb2＜Bb3，Eb1＜Eb2＜Eb3，
当Bb1≤Bb＜Ba2时，将第二次剪枝完成的SSD模型fine-tuning的裁剪率设置为第二次剪枝第一裁剪率Eb1；
当Bb2≤Bb＜Bb3时，将第一次剪枝完成的SSD模型fine-tuning的裁剪率设置为第二次剪枝第二裁剪率Eb2；
当Bb≥Bb3时，将第一次剪枝完成的SSD模型fine-tuning的裁剪率设置为第二次剪枝第三裁剪率Eb3。
7.根据权利要求1所述的基于slimSSD模型的水表计量快速精准识别方法，其特征在于，所述步骤S1包括：
步骤S11，通过安装在水表上的摄像头对不同类型的水表批量拍照，并将拍摄的图像通过随机裁剪、随机翻转、镜像的方式处理进行数据増广，生成预设数量的表盘图像；
步骤S12，通过标注软件分别将生成的所述表盘图像的数字计量区域和指针计量区域进行标注，并将标注内容存储在文本文件中，在存储完成时，将该文本文件和所述表盘图像存储在文件夹中；
步骤S13，将所述表盘图像和标注内容按照预设比例划分为训练集、验证集以及测试集。
8.根据权利要求1所述的基于slimSSD模型的水表计量快速精准识别方法，其特征在于，所述步骤S2包括：
步骤S21，将特征图输入SSD模型并按照该SSD模型的检测分支数量平均分配所述特征图，在分配完成时，将所述SSD模型的每个检测分支输出的特征图通过通道注意力模块区分不同通道的重要程度，在区分完成时，将特征图输出获得通道注意力映射图；
步骤S22，通过级联方式将所述通道注意力映射图进行关联，在关联完成时，将关联通道注意力映射图通过空间注意力模块关注该通道注意力映射图在不同空间区域的显著性差异，在关注完成时，将该通道注意力映射图输出获得空间注意力映射图；
步骤S23，将所述通道注意力映射图和空间注意力映射图进行点乘运算后输出，获得混合注意力显著特征图。
9.根据权利要求2所述的基于slimSSD模型的水表计量快速精准识别方法，其特征在于，当对表盘图像进行划分时，根据实际改进后SSD模型的实际通道数C确定对所述表盘图像的划分比例，
其中，在所述SSD模型中设置有第一通道数C1、第二通道数C2以及第三通道数C3、第一划分比例S1、第二划分比例S2以及第三划分比例S3，C1＜C2＜C3，
当C1≤C＜C2时，根据第一划分比例S1将表盘图像划分为训练集、验证集以及测试集；
当C2≤C＜C3时，根据第二划分比例S2将表盘图像划分为训练集、验证集以及测试集；
当C≥C3时，根据第三划分比例S3将表盘图像划分为训练集、验证集以及测试集。
CN202110701792.5A 2021-06-24 2021-06-24 一种基于slimSSD模型的水表计量快速精准识别方法 Active CN113255650B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110701792.5A CN113255650B (zh) 2021-06-24 2021-06-24 一种基于slimSSD模型的水表计量快速精准识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110701792.5A CN113255650B (zh) 2021-06-24 2021-06-24 一种基于slimSSD模型的水表计量快速精准识别方法

Publications (2)

Publication Number Publication Date
CN113255650A CN113255650A (zh) 2021-08-13
CN113255650B true CN113255650B (zh) 2021-10-01

Family

ID=77189419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110701792.5A Active CN113255650B (zh) 2021-06-24 2021-06-24 一种基于slimSSD模型的水表计量快速精准识别方法

Country Status (1)

Country Link
CN (1) CN113255650B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657534A (zh) * 2021-08-24 2021-11-16 北京经纬恒润科技股份有限公司 一种基于注意力机制的分类方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100054579A1 (en) * 2006-11-08 2010-03-04 Tokyo Institute Of Technology Three-dimensional surface generation method
CN108288075A (zh) * 2018-02-02 2018-07-17 沈阳工业大学 一种改进ssd的轻量化小目标检测方法
CN109214378A (zh) * 2018-08-16 2019-01-15 新智数字科技有限公司 一种基于神经网络整体识别计量表读数的方法和系统
CN111339858A (zh) * 2020-02-17 2020-06-26 电子科技大学 一种基于神经网络的油气管道标志物识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490195A (zh) * 2019-08-07 2019-11-22 桂林电子科技大学 一种水表表盘读数识别方法
CN112149533A (zh) * 2020-09-10 2020-12-29 上海电力大学 一种基于改进ssd模型的目标检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100054579A1 (en) * 2006-11-08 2010-03-04 Tokyo Institute Of Technology Three-dimensional surface generation method
CN108288075A (zh) * 2018-02-02 2018-07-17 沈阳工业大学 一种改进ssd的轻量化小目标检测方法
CN109214378A (zh) * 2018-08-16 2019-01-15 新智数字科技有限公司 一种基于神经网络整体识别计量表读数的方法和系统
CN111339858A (zh) * 2020-02-17 2020-06-26 电子科技大学 一种基于神经网络的油气管道标志物识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Pointer Meter Detection Method based on Optimal SSD network;Lei Lin等;《2019 IEEE 4th Advanced Information Technology, Electronic and Automation Control Conference (IAEAC 2019)》;20200213;第1670-1674页 *
基于深度学习的小目标检测算法综述;张新等;《软件导刊》;20200531;第19卷(第5期);第276-280页 *
物联网系统中图像识别技术的研究;吴剑岚;《中国优秀硕士学位论文全文数据库信息科技辑》;20210515(第5期);第I136-882页 *

Also Published As

Publication number Publication date
CN113255650A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN110619385B (zh) 基于多级剪枝的结构化网络模型压缩加速方法
CN103324937B (zh) 标注目标的方法和装置
CN109214719B (zh) 一种基于人工智能的营销稽查分析的系统和方法
CN109325542A (zh) 一种基于多阶机器学习的电量异常智能识别方法及系统
CN103853786B (zh) 数据库参数的优化方法与系统
CN108446711A (zh) 一种基于迁移学习的软件缺陷预测方法
CN113255650B (zh) 一种基于slimSSD模型的水表计量快速精准识别方法
CN104599084A (zh) 一种群体计算的质量控制方法及装置
CN116109195B (zh) 一种基于图卷积神经网络的绩效评估方法及系统
WO2019184899A1 (zh) 基于历史案例的车辆碰撞定损方法及系统
CN114387512B (zh) 基于多尺度特征融合与增强的遥感影像建筑物提取方法
CN111967675A (zh) 光伏发电量的预测方法以及预测装置
CN108241898A (zh) 一种资源分配方法和装置
CN116976747B (zh) 一种液晶显示器的密封剂生产管理方法及系统
CN116128980A (zh) 基于自编码器的相机内外参自动标定方法及系统
CN115907436A (zh) 基于量质耦合预报的水资源水环境调控方法和系统
CN110188634B (zh) 人体体态模型的构建方法、装置、电子设备及存储介质
CN114972645A (zh) 一种三维重建方法、装置、计算机设备及存储介质
CN116957356B (zh) 一种基于大数据的景区碳中和管理方法和系统
CN111667151B (zh) 一种电力市场风险全景识别方法及系统
CN117036781A (zh) 一种基于树综合多样性深度森林的图像分类方法
CN113705763A (zh) 一种基于神经计算棒的配网变压器实时检测方法及系统
CN113902963B (zh) 一种隧道火灾检测能力的评估方法及装置
CN116029440A (zh) 光伏电站超短期功率预测方法和装置
CN113033804B (zh) 一种面向遥感图像的卷积神经网络压缩方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 100036 Beijing city Haidian District Cuiwei Road No. 3

Patentee after: Beijing Smart Water Development Research Institute

Patentee after: Beijing Hongcheng Xinding Intelligent Technology Co., Ltd

Address before: 100036 Beijing city Haidian District Cuiwei Road No. 3

Patentee before: Beijing Water Conservancy Automation Inst.

Patentee before: Beijing Hongcheng Xinding Intelligent Technology Co., Ltd