【技术实现步骤摘要】
面向在线语义分割机器视觉检测的多任务协同调度方法
[0001]本专利技术涉及基于深度学习的线机器视觉检测
,尤其涉及一种基 于深度学习语义分割的多任务协同调度方法。
技术介绍
[0002]基于深度学习语义分割的机器视觉系统,在高分辨率图像、多网络多图 像、检测鉴别等情况下,会存在分割时间长、显存占用大等问题,对其在线 实时性能造成负面影响。多任务并行调度方法方法有利于改进在线机器视觉 检测鉴别的分割时间、显存占用等指标。其中底层并行调度方法可优化设备 计算效率、降低闲置率、提高并行率,需要在设计阶段选用合适底层并行调 度方法及硬件;高层调度方法可用于处理大量图像数据、复杂CNN模型时 优化分割时间、显存占用;多层级调度方法能实现检测流程各种步骤的并行、 协同处理,缩短总体分割时间。
[0003]本专利技术提出一种面向在线语义分割机器视觉检测的多任务协同调度方 法,多任务调度模块作用是通过多任务调度使机器视觉语义分割关键模块协 同工作,合理调度处理语义分割过程中大量计算开销与存储开销,智能提高 机器视觉检测鉴别实时能力。其核心是:
①
智能调度高分辨率图像处理过 程,降低存储开销;
②
智能调度大量图像处理过程,提高计算资源效率、实 时能力;
③
使机器视觉系统各关键模块协同工作。
技术实现思路
[0004]为解决上述技术问题,本专利技术的目的是提供一种面向在线语义分割机器 视觉检测的多任务协同调度方法。
[0005]本专利技术的目的 ...
【技术保护点】
【技术特征摘要】
1.面向在线语义分割机器视觉检测的多任务协同调度方法,其特征在于,所述方法包括:A建立检测鉴别协同调度任务模型;B高分辨率图像分块语义分割任务调度,将图像分为N
sub
个分辨率U
sub
×
V
sub
,调度目标为得到高分辨率图像语义分割时间T
High
最小值下的U
sub
、V
sub
、N
sub
值;C多网络多图像分批语义分割任务调度,将多图像打包为N
batch
个图像每组、GPU上加载N
CNN
‑
GPU
个语义分割网络模型进行分批并行处理,调度目标为得到多网络多图像分批语义分割时间T
Low
最小值下的N
batch
、N
CNN
‑
GPU
值;D调度检测鉴别协同调度任务模型,得到检测鉴别总时间T
inspect
最小值下执行顺序,完成检测鉴别协同调度。2.如权利要求1所述的面向在线语义分割机器视觉检测的多任务协同调度方法,其特征在于,步骤A中检测鉴别协同调度模型任务包括:开始活动S、定位活动P
Mov_i_j
、光源控制活动P
Light_i_j
、图像采集活动P
Acq_i_j
、语义分割活动G
Seg_i_j
;所述语义分割活动G
Seg_i_j
包括:分块调度分割子活动P
High_i_j_m
、分批调度分割子活动P
Low_i_j
;其中,下标i、j代表第i检测对象的第j成像条件,设检测对象数N
item
,检测条件数N
cond
,i的取值范围为i=1,
…
N
item
,j的取值范围为j=1,
…
N
cond
;下标m代表第m个分块调度分割活动,设高分辨率图像数量N
high
个,则m=1,
…
N
high
。3.如权利要求1所述的面向在线语义分割机器视觉检测的多任务协同调度方法,其特征在于,所述步骤B中,将图像分为N
sub
个分辨率U
sub
×
V
sub
、长宽比不超过γ
scale
子图像,高分辨率图像分块调度优化数学模型为:数学模型的物理意义是:在约束条件子图像分割显存占用以子图像长宽比≤γ
scale
,求总分割时间最小值下的U
sub
、V
sub
、N
sub
值。4.如权利要求1所述的...
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。