【技术实现步骤摘要】
一种嵌入式物体识别方法和装置
[0001]本专利技术涉及嵌入式人工智能的
，更具体地，涉及一种嵌入式物体识别方法和装置。
技术介绍
[0002]嵌入式人工智能，是一种将人工智能算法应用于终端设备上的技术概念，使各种设备能够在不联网的情况下完成环境感知、人机交互等功能。嵌入式系统是人工智能技术重要的承载平台，在物流服务领域的自动分拣机器人、自动送货汽车等，安全防范邻域的人脸识别、指纹识别、智能摄像机等，城市交通邻域的自动泊车、自动车辆识别、智能停车场等，医疗服务的病例诊断、智能消毒机器人等，都是人工智能与嵌入式结合产生的新应用。用于嵌入式系统的深度神经网络对计算能力和资源都有非常高的要求，导致系统功耗的增加；支持深度神经网络加速的处理器通常是集成多种体系结构的复杂SoC，使用成本极高。现有的嵌入式物体识别采用复杂度极高、成本昂贵的芯片，不利于学习与使用；在低资源、低成本芯片上难以实现，也并不适应单一的任务，容易造成资源浪费；可以在低资源的芯片上实现的嵌入式物体识别，采用的模型简单、训练策略和评价策略单一，使嵌入式物体识别
【技术保护点】
【技术特征摘要】
1.一种嵌入式物体识别方法，其特征在于，包括：S1：采集物体的彩色图像；S2：对彩色图像进行处理，获得处理后的图像数据；S3：利用处理后的图像数据对构建的Combine
‑
MobileNet神经网络进行训练并测试，获得训练好的Combine
‑
MobileNet神经网络；S4：将训练好的Combine
‑
MobileNet神经网络保存加载到嵌入式平台上；S5：将待识别物体的图像数据输入嵌入式平台，对待识别物体的类别进行实时推理，获得识别结果。2.根据权利要求1所述的嵌入式物体识别方法，其特征在于，所述步骤S2中，对彩色图像进行处理的具体步骤为：S2.1：将彩色图像转化为灰度图像；S2.2：将灰度图像随机划分为训练图像和测试图像；S2.3：对训练图像进行数据增强操作，获得增强训练图像；S2.4：对增强训练图像进行下采样，获得下采样训练图像。3.根据权利要求2所述的嵌入式物体识别方法，其特征在于，所述步骤S2.3中，对训练图像进行的数据增强操作包括：旋转、裁剪、平移和高斯噪声。4.根据权利要求3所述的嵌入式物体识别方法，其特征在于，所述步骤S2.4中，对增强训练图像进行的下采样操作包括对增强训练图像依次进行一次平局池化操作和一次最大池化操作。5.根据权利要求4所述的嵌入式物体识别方法，其特征在于，所述步骤S3中，利用处理后的图像数据对构建的Combine
‑
MobileNet神经网络进行训练并测试，获得训练好的Combine
‑
MobileNet神经网络的具体方法为：S3.1：设定Combine
‑
MobileNet神经网络的损失函数、最优损失函数值、最优损失函数值替换次数阈值和最大训练次数；S3.2：将下采样训练图像输入Combine
‑
MobileNet神经网络中，利用交叉熵计算下采样训练图像的损失函数值loss；S3.3：设置早停策略，即比较下采样训练图像的损失函数值与最优损失函数值大小，当损失函数值大于最优损失函数值时，将该损失函数值替换最优损失函数值，并记录替换次数；S3.4：比较替换次数与最优损失函数值替换次数阈值的大小，当替换次数小于最优损失函数值替换次数阈值时，进行下一轮训练；否则Combine
‑
MobileNet神经网络训练完成；S3.5：将测试图像输入训练完成的Combine
‑
MobileNet神经网络中进行测试，获得训练好的Combine
‑
MobileNet神经网络。6.根据权利要求1所述的嵌入式物体识别方法，...
【专利技术属性】
技术研发人员：李广明，张红良，余晨晖，张红，罗嘉琦，
申请(专利权)人：东莞理工学院，
类型：发明
国别省市：
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。