【技术实现步骤摘要】
一种嵌入式场景下基于边缘计算的图像分类调度方法
本专利技术属于边缘计算和图像识别
，尤其涉及一种嵌入式场景下基于边缘计算的图像分类调度方法。
技术介绍
随着计算机视觉的快速发展，图像识别开始逐渐应用于各个领域，如医疗保健、教育、食品饮料、电子商务等。在医疗领域，图像识别已被用于检测识别各种疾病，如骨质疏松、癌症等，从2011年至2015年，医学影像市场从2899.9增长至4093亿元，增长率达到41％，增长势头迅猛。在教育领域，人脸考勤系统和人脸抓拍机的出现有效减少了翘课替考等现象，同时也为校园安全提供了保障。在电子商务领域，利用图像识别技术，实现了通过用户手机拍照智能识别商品并推送的功能，该功能可以向用户展示最相似的商品以供购买，优化了电子商务体验。在图像识别技术不断成熟的同时，嵌入式设备也在更新换代，从单片微型计算机(SCM)到以Internet为标志的嵌入式系统，嵌入式设备已经成功应用于网络环境中。此时，互联网的重心也开始向嵌入式移动端迁移。2013年，移动互联网流量占总流量比例仅为13％，发展至2017年已经达到78％。图像识别作为计算机视觉的一个方...
【技术保护点】
1.一种嵌入式场景下基于边缘计算的图像分类调度方法，其特征在于，包括以下步骤：步骤1、选择候选的CNN图像分类模型，设计脚本在数据集上对模型进行测试，得到候选模型的推理时间和Top‑1结果，设计CNN图像分类模型的选择算法，根据测试结果选择合适的图像分类模型，然后将选择的图像分类模型分别部署在嵌入式端和边缘端，步骤包括：1)设计脚本在Tensorflow平台使用候选的的CNN图像分类模型对数据集D进行推理，得到候选模型的分类结果、推理时间以及能量消耗，其中能量消耗使用Monsoon Solutions能耗测量仪进行测量；2)设候选模型准确率集合为{P1,P2,…,PN},推...
【技术特征摘要】
1.一种嵌入式场景下基于边缘计算的图像分类调度方法，其特征在于，包括以下步骤：步骤1、选择候选的CNN图像分类模型，设计脚本在数据集上对模型进行测试，得到候选模型的推理时间和Top-1结果，设计CNN图像分类模型的选择算法，根据测试结果选择合适的图像分类模型，然后将选择的图像分类模型分别部署在嵌入式端和边缘端，步骤包括：1)设计脚本在Tensorflow平台使用候选的的CNN图像分类模型对数据集D进行推理，得到候选模型的分类结果、推理时间以及能量消耗，其中能量消耗使用MonsoonSolutions能耗测量仪进行测量；2)设候选模型准确率集合为{P1,P2,…,PN},推理时间时间集合为{T1,T2,…,TN}，其中N为候选模型的数量，为每个候选模型计算准确率与运行时间的比值，为保证嵌入式端资源的最佳利用，选择比值最大的模型m1部署在嵌入式端；3)提取模型m在数据集中分类错误的数据D1，使用剩下的候选模型对D1进行分类；得到新的准确率集合{P1,P2,…,PN-1}，选择其中准确率最高的模型m2部署在边缘端；步骤2、设计脚本提取图像的特征，根据特征选择算法去除相关性强和重要性较低的特征；1)设计脚本通过SimpleCV库提取图像的关键点个数、边缘长度、边缘角度、面积周长比、色调、对比度、主要物体长宽比的特征数据；2)设计脚本通过PIL图像处理库提取图像的亮度均方根、感知亮度均方根、平均亮度、平均感知亮度的特征数据；3)使用Z-score标准化公式将特征数据转换为服从标准正态分布的数据；步骤3、利用候选的图像分类模型的分类结果，设计脚本为图像生成的最佳分类器标签，将图像与对应生成的最佳分类器标签整合为训练数据；1)对标准化的特征数据计算皮尔森相关系数矩阵，去除相关系数较高的特征，得到特征集合{F1,F2,...,Fk}，其中k为留下特征的数量；2)使用递归特征消除法构建n个SVM模型，其中n为要去除的特征数且小于k，每构建一个SVM模型，去除一个权重最低的特征，最终留下k-n个有效特征；步骤4、设计脚本使用生成的训练数据构建随机森林与分类模型，根据结果对随机森林算法进行调参得到最佳模型，使用随机森林预分类模型调度时，将根据模型的分类结果为新到来的图像选择在嵌入式端或边缘端进行分类；1)为所有图片生成一个集合{pi,qi|pi,qi∈{0,1},i＝1,…,s}，其中s为图像的数量，pi为模型的分类结果,0表示分类不正确，1表示分类正确；2)为每张图片生成标签，若pi＝1则将该图片标记为第一类，若pi＝0，qi＝1则将该图片标记为第二类，若pi＝qi＝0，则将图片标记为第三类...
【专利技术属性】
技术研发人员：高岭，于佳龙，袁璐，陈乐，秦晴，王海，郑杰，杨建锋，刘瑞献，
申请(专利权)人：西北大学，
类型：发明
国别省市：陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。