【技术实现步骤摘要】
本专利技术涉及计算机视觉的，具体来说，涉及一种基于tensorrt的加速深度学习模型的构建方法及工厂ai视觉系统。
技术介绍
1、现代制造业工厂对一些可以利用机器代替人工的工序有着自动化的需求，比如视觉项目方面的，日常管理中工作人员是否按照规定佩戴安全帽的识别，是否佩戴口罩的识别和是否穿戴工作服的识别。在一些作业场景中的单向阀开闭的识别，火焰以及烟雾的检测预警，危险区域无关人员禁止进入的区域预警识别。面对前述需求，厂家多是采用人工的方法进行识别筛选，这就带来了以下几个问题：
2、一是人工耗时多：采用人工检测会非常耗费时间，比如工厂内部有很多个单向阀，如果是人工识别的话就需要安排专人进行，由于数量多导致了时间成本的上升。
3、二是检测效果差：人工检测完全依赖于人工的精力和知识储备，在一些火警预报之类的关键岗位，需要持续性的监控，这就导致了人员需要长时间重复性工作，时间久了就会精力下滑导致不能及时预警。
4、三是智能网联程度不高：现代社会手机，平板，电脑等各个设备终端频繁的出现在我们日常生活的场景中。如果及时将各类检测结果通过智能网联及时的推送给相关人员必然会提高工作效率。而使用人工的话无法达到实时的效果。
5、四是成本较高：使用机器替代可以节约时间成本，人力成本，若是要达到同等算力，主机的成本会比较高。
6、五是软件集成化度较低：模型载入、功能实现、模块通讯等在传统方法中相互独立。
7、六是软件可操作性低：很多操作软件过于复杂，操作人员难以处理过于复杂的界面。
技术实现思路
1、针对相关技术中的上述技术问题，本专利技术提供一种加速深度学习模型的构建方法及工厂ai视觉系统，能够解决上述问题。
2、为实现上述技术目的，本专利技术的技术方案是这样实现的：
3、一种加速深度学习模型的构建方法，包括如下步骤：
4、s100、根据不同的任务和数据集构建深度学习模型；
5、s200、根据不同的深度学习模型构建tensorrt的加速深度学习模型；
6、s210、模型优化：将深度学习模型转换为tensorrt支持的格式；
7、s220、网络定义： 使用tensorrt api在c++或python中对转换为tensorrt支持格式的深度学习模型定义出相应的网络；
8、s230、优化器配置：配置tensorrt的优化器，根据项目的硬件和性能需求对网络进行优化；
9、s240、构建引擎：使用tensorrt api构建优化的推理引擎。
10、进一步的，步骤s100中还包括：
11、s110、确定任务和数据集：确定项目的任务，并收集与任务相关的数据集；
12、s120、数据预处理：对数据进行预处理，以便提高模型的训练效果；
13、s130、选择模型架构：根据任务的性质和数据集的特点，选择适当的模型架构；
14、s140、模型设计：在选择的模型架构的基础上，设计具体的模型结构；
15、s150、模型训练：使用训练数据集对设计好的模型进行训练。
16、进一步的，步骤s110中确定项目的任务包括图像分类、目标检测、语义分割。
17、进一步的，步骤s150中还包括：
18、s151、模型评估：使用测试数据集评估训练好的模型的性能，包括准确率、召回率、f1分数；
19、s152、模型优化：根据评估结果，对模型进行优化。
20、进一步的，步骤s210中将深度学习模型从机器学习框架导出为tensorrt格式，或者使用onnx模型进行中间转化。
21、进一步的，步骤s220中tensorrt格式定义的网络包括定义网络结构、层的输入和输出以及网络的计算图。
22、进一步的，步骤s240中引擎的构建是根据网络定义和优化器配置参数来构建一个高效的推理引擎。
23、工厂ai视觉系统，包括：
24、功能选择模块，根据使用需求选择对应的功能选项；
25、加速模型加载模块，根据选择的功能选项加载对应的加速模型，每种功能选项对应一种加速模型，加速模型是基于tensorrt的加速深度学习模型；
26、数据采集模块，根据选择的功能选项对检测端进行数据采集，并将采集的数据传输给加速模型中的推理引擎中，推理引擎对采集的数据进行推理分析并输出检测结果；
27、数据库模块，将检测结果在历史数据库中保持；
28、结果显示模块，将检测结果在显示界面展示。
29、进一步的，所述加速模型加载模块集成有检测单向阀开闭的加速模型、检测是否佩戴安全帽的加速模型、检测是否佩戴口罩的加速模型、检测分割桶中积液的加速模型、检测火焰和烟雾的加速模型、识别行人是否闯入危险区域的加速模型、检测是否穿戴工作服的加速模型。
30、本专利技术的有益效果：本申请具有高扩展、高效率、低成本、高集成化的特点。
本文档来自技高网...【技术保护点】
1.一种加速深度学习模型的构建方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种加速深度学习模型的构建方法，其特征在于，步骤S100中还包括：
3.根据权利要求2所述的一种加速深度学习模型的构建方法，其特征在于，步骤S110中确定项目的任务包括图像分类、目标检测、语义分割。
4.根据权利要求2所述的一种加速深度学习模型的构建方法，其特征在于，步骤S150中还包括：
5.根据权利要求1所述的一种加速深度学习模型的构建方法，其特征在于，步骤S210中将深度学习模型从机器学习框架导出为TensorRT格式，或者使用ONNX模型进行中间转化。
6.根据权利要求1所述的一种加速深度学习模型的构建方法，其特征在于，步骤S220中TensorRT格式定义的网络包括定义网络结构、层的输入和输出以及网络的计算图。
7.根据权利要求1所述的一种加速深度学习模型的构建方法，其特征在于，步骤S240中引擎的构建是根据网络定义和优化器配置参数来构建一个高效的推理引擎。
8.工厂AI视觉系统，其特征在于，包括：<...
【技术特征摘要】
1.一种加速深度学习模型的构建方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种加速深度学习模型的构建方法，其特征在于，步骤s100中还包括：
3.根据权利要求2所述的一种加速深度学习模型的构建方法，其特征在于，步骤s110中确定项目的任务包括图像分类、目标检测、语义分割。
4.根据权利要求2所述的一种加速深度学习模型的构建方法，其特征在于，步骤s150中还包括：
5.根据权利要求1所述的一种加速深度学习模型的构建方法，其特征在于，步骤s210中将深度学习模型从机器学习框架导出为tensorrt格式，或者使用onnx模型进行中间转化。
6.根据权利要求1所述的一种加速...
【专利技术属性】
技术研发人员：蔡靖波，汪洪，汪俊，符晓彪，廖志强，
申请(专利权)人：武汉科美达智能新技术有限公司，
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。