一种图像识别方法、装置、服务器以及计算机可读存储介质制造方法及图纸

本发明专利技术涉及图像识别技术领域，特别涉及一种图像识别方法、装置、服务器以及计算机可读存储介质，所述图像识别方法，其特征在于，包括：获取待识别图像；根据预设检测模型对图像中的人和/或物体进行识别；其中，在所述预设检测模型中的骨干网络resnet网络结构替换为轻量级网络结构。采用本发明专利技术提供的图像识别方法，结合轻量级网络以及原网络的新网络，可降低网络结构的复杂性,减轻权重,以便在边缘设备实现高效运行，进而满足支持A I的网络边缘设备不断增长的需求，提供全面的硬件和软件解决方案，用于在网络边缘运行的智能设备中实现低功耗、实时在线的AI功能。

【技术实现步骤摘要】
一种图像识别方法、装置、服务器以及计算机可读存储介质
本专利技术涉及图像识别
，特别涉及一种图像识别方法、装置、服务器以及计算机可读存储介质。
技术介绍
随着科技水平的不断提高，“智能化”、“网络化”、“数字化”、逐渐成为各类产品的关键词。人们对产品功能的需求越来越复杂，对产品的性能要求越来越严格，这就导致固有的产品性能无法应对市场变化，功能无法满足人们多元化需求，这就迫使企业需根据市场需求整改自身产品。但是这种方式耗时、耗力、耗财，且依赖外在市场变化严重。传统的边缘设备，由于清晰度低、施工布线复杂且智能分析功能缺乏，无法满足现实情况下需求，同时后期项目维护费用较高，加之科技推广，人们对产品的要求更加多样，因此，原有的设备注定要被新型的设备所替代。为此，该算法基于已有的设备产品，根据市场的变化，设置相应的需求，一旦有满足预设条件的，前端设备就只需要做算法软件的升级、更换、迭代。不仅如此，传统图像识别多使用NMS(非极大值抑制，Non-MaximumSuppression)，是一种提取目标检测中分数最高的窗口的算法。在目标检测中，我们的神经网络对一个目标会生成多个检测窗口，但是事实上这些窗口中大部分都是重复的.对于冗余的检测框，采用的是基于IoU的GreedyNMS操作来实现，其首先依据置信度分数对检测框进行排序，先选取分数高的，然后抑制与其IoU大于某个特定阈值的框，重复此操作得到最后的预测结果，而该方式又存在较多特殊性，对识别环境也有诸多限制。。同时，平常我们使用的网络结构复杂,训练出来的权重过大.想要在传统的边缘设备上运行网络结构复杂和权重大模型,是我们当下应该解决的问题；而传统的AI模型的backbone结构复杂,因而训练出来的权重也大,想要保证原本的精确度,还要降低网络复杂度.关键在于backbone的选择。
技术实现思路
为解决在不更换现有设备的情况下改善现有设备训练速度慢的问题，尤其是在前端设备上，导致其性能难以满足人们日常对于图片识别处理，本专利技术提供一种图像识别方法，包括：获取待识别图像；根据预设检测模型对图像中的人和/或物体进行识别；其中，在所述预设检测模型中的骨干网络ResNet网络结构替换为轻量级网络结构。该方案结合最新提出的Confluence算法，将其应用到图像识别中，走出了传统的IoU的限制，利用曼哈顿距离作为检测框之间的重合度，并根据置信度加权的曼哈顿距离作为最优检测框的选择依据，相比NMS只考虑了检测框的得分并根据IOU去除重叠的检测框来说，Confluence算法在检测目标比较密集或者有遮挡的情况，鲁棒性更好。在上述方案的基础上，进一步地，所述轻量级网络结构选自MobileNet、SqueezeNet、ShuffleNet、SquzeeNet中的一种。在上述方案的基础上，进一步地，所述检测模型选自YOLO-v3、Faster-RCNN、CenterNet、SSD中的一种。在上述方案的基础上，进一步地，在将所述预设检测模型中的骨干网络结构替换为轻量级网络结构后，需改变对相应网络结构的节点以使其适应数据预处理和featurelayers结构。在上述方案的基础上，进一步地，所述节点的改变包括调节featurelayers的inputsize。本专利技术提供一种图像识别装置，包括：获取模块，用于获取待识别图像；以及识别模块，用于根据预设的检测模型对图像中的人物进行识别；其中，在所述预设检测模型中的骨干网络resnet网络结构替换为轻量级网络结构。在上述方案的基础上，进一步地，所述轻量级网络结构选自Mobilenet、SqueezeNet、Shufflenet、Squzeenet中的一种。在上述方案的基础上，进一步地，所述检测模型选自YOLO-v3、Faster-RCNN、CenterNet、SSD中的一种。本专利技术提供一种服务器，所述服务器包括处理器和存储器，所述传出去中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现如上所述的图像识别方法。本专利技术提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现如上所述的图像识别方法。本专利技术提供的一种图像识别方法及其装置、服务器和计算机可读存储介质与现有技术相比，具有以下优点：采用将所述预设的检测模型中的骨干网络resnet网络结构替换为轻量级网络结构，从而实现使用轻量级网络的骨干网络缩小模型、减少训练时间以及提升检测速度的技术效果，进而解决前端设备在无需更换新设备的情况下，仍能很好的运行使用；同时，结合轻量级网络以及原网络的新网络，可降低网络结构的复杂性,减轻权重,以便在边缘设备实现高效运行，进而满足支持AI的网络边缘设备不断增长的需求，提供全面的硬件和软件解决方案，用于在网络边缘运行的智能设备中实现低功耗、实时在线的AI功能。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术提供的传统检测模型相关数据图；图2为SSD模型的相关数据图；图3为SSD模型的模块示意图一；图4为SqueezeNet的模块数据表；图5为SqueezeNet的相关测试指标表；图6为MobileNet的网络结构表；图7为SSD模型的模块示意图二；图8为本专利技术提供的结合轻量级网络以及原网络的新网络模块示意图；图9为本专利技术提供的一种图像识别方法的步骤框图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术提供一种图像识别方法，包括：获取待识别图像；根据预设检测模型对图像中的人和/或物体进行识别；其中，在所述预设检测模型中的骨干网络resnet网络结构替换为轻量级网络结构。具体实施时，如图1所示，为传统的检测模型相关数据；而传统的检测模型包括有YOLO-v3、Faster-RCNN、CenterNet、SSD等，以SSD(SingleShotMultiBoxDetector)模型为例，如图2和3所示，为原有的SSD相关数据以及其模型结构，基于现有轻量级网络，例如Mobilenet、SqueezeNe本文档来自技高网...

【技术保护点】
1.一种图像识别方法，其特征在于，包括：/n获取待识别图像；/n根据预设检测模型对图像中的人和/或物体进行识别；/n其中，在所述预设检测模型中的骨干网络ResNet网络结构替换为轻量级网络结构。/n

【技术特征摘要】
1.一种图像识别方法，其特征在于，包括：
获取待识别图像；
根据预设检测模型对图像中的人和/或物体进行识别；
其中，在所述预设检测模型中的骨干网络ResNet网络结构替换为轻量级网络结构。


2.根据权利要求1所述的图像识别方法，其特征在于：所述轻量级网络结构选自MobileNet、SqueezeNet、ShuffleNet、SquzeeNet中的一种。


3.根据权利要求1所述的图像识别方法，其特征在于：所述检测模型选自YOLO-v3、Faster-RCNN、CenterNet、SSD中的一种。


4.根据权利要求1所述的图像识别方法，其特征在于：
在将所述预设检测模型中的骨干网络结构替换为轻量级网络结构后，需改变对相应网络结构的节点以使其适应数据预处理和featurelayers结构。


5.根据权利要求4所述的图像识别方法，其特征在于：所述节点的改变包括调节featurelayers的inputsize。


6.一种图像识别装置，其特征在于，包括：
获取模块，用于获取待识...

【专利技术属性】
技术研发人员：余齐齐，
申请(专利权)人：厦门博海中天信息科技有限公司，
类型：发明
国别省市：福建;35