一种基于slimSSD模型的水表计量快速精准识别方法技术

本发明专利技术涉及一种基于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。本发明专利技术所述一种基于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。

【技术实现步骤摘要】
一种基于slimSSD模型的水表计量快速精准识别方法
本专利技术涉及计算机视觉和模式识别领域
，尤其涉及一种基于slimSSD模型的水表计量快速精准识别方法。
技术介绍
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。
技术实现思路
为此，本专利技术提供一种基于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，本专利技术提供一种基于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、第一训本文档来自技高网...

【技术保护点】
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：/n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；/n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；/n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；/n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；/n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；/n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；/n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；/n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；/n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。/n...

【技术特征摘要】
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。


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、第一裁剪率调节系系数K1、第二裁剪率调节系系数K2以及第三裁剪率调节系系数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...

【专利技术属性】
技术研发人员：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，
申请(专利权)人：北京市水利自动化研究所，北京鸿成鑫鼎智能科技有限责任公司，
类型：发明
国别省市：北京;11