一种基于RISC-V芯片的人脸识别闸机方法及系统

本发明涉及智能监控领域，具体涉及一种基于risc-v芯片的人脸识别闸机方法及系统。

背景技术：

1、目前智能门禁系统在全球都有很大的市场需求，在学校、社区、办公大楼和商场等众多场所都需要智能门禁系统，然而现在的门禁系统要么实时性不好，要么系统的价格偏高，导致这些的问题的只要原因就是芯片算力达不到要求和芯片价格偏高，而k210就是一款国产的边缘计算芯片，具有高达1tops的算力，并且价格也比国外的边缘计算芯片便宜很多。

技术实现思路

1、有鉴于此，本发明所要解决的技术问题是提供一种基于risc-v芯片的人脸识别闸机方法及系统。

2、为解决以上技术问题，本发明的技术方案为：一种基于risc-v芯片的人脸识别闸机方法及系统，其创新点在于：包括国产边缘计算芯片k210、摄像头模块、升压模块、电子锁、模型训练、、模型转换、实现yolo层、编译、烧录。首先根据边缘计算芯片k210所支持的算子修改yolov3模型的backbone；然后准备数据集训练模型，并进行剪枝；将保存好的模型转换为k210可以识别加载的kmodel格式，最后由摄像头采集到的图像，经过模型得到featuremap，对得到的feature map通过yolo层进行激活、nms等操作得到图像中物体的位置和判别结果，然后发出指令，控制电子锁的开关。本发明对yolov3算法进行剪枝、量化后使得模型大小减少到原来的13％；且利用k210的kpu单元执行硬件加速后运行速度有所提升。

3、进一步的，所述边缘计算芯片k210是一款采用rsic-v指令架构的具有高达1tops算力的芯片。

4、进一步的，所述边缘计算芯片k210作为智能门禁系统的主控运算单元。

5、进一步的，还包括摄像头，通过摄像头采集到人脸信息，并将采集到的信息传输至主控芯片运算处理，预测信息是否一致。

6、进一步的，所述升压模块，由于边缘计算芯片k210能输出的控制信号电压为3.3v不能驱动智能门禁系统的电子锁，因此需要外加升压模块提供12v电压以驱动电子锁。

7、进一步的，所述模型训练是将构建好的数据集，通过tensorflow深度学习框架训练适用于k210的yolov3模型，最终将训练好的模型加载到边缘计算芯片k210上进行模型推理。

8、为解决以上技术问题，本发明还提供一种基于risc-v芯片的人脸识别闸机方法及系统，其创新点在于：具体包括以下步骤：

9、(1)模型优化：

10、yolov3模型优化，是把不适用于k210的算子替换成适用的算子，然后将权重张量中的部分值删除并减少神经网络层之间的连接数量。

11、(2)模型转换：

12、得到改进后的yolov3模型后，还要使用k210模型转化工具nncase，将yolov3模型转化为kmodel模型文件。

13、（3）模型推理

14、将模型加载到边缘计算芯片k210上，由摄像头采集到的图像，经过模型得到feature map，对得到的feature map通过yolo层进行激活、nms等操作得到图像中物体的位置和判别结果，然后发出指令，控制电子锁的开关。

15、本发明的有益效果：

16、由于本发明可以通过对yolov3算法进行剪枝、量化后使得模型大小减少到原来的13％；且利用k210的kpu单元执行硬件加速后运行速度有所提升，使得推理速度更快实时性更好。

技术特征：

1.一种基于risc-v芯片的人脸识别闸机方法及系统，其特征在于：包括国产边缘计算芯片k210、摄像头模块、升压模块、电子锁、模型训练、、模型转换、实现yolo层、编译、烧录，所述国产边缘计算芯片k210，作为处理视频和发出控制指令的主控芯片，所述摄像头与边缘计算芯片相连，采集相关信息并传输给边缘计算芯片，所述升压模块是给电子锁提供足够的电压，所述模型训练是在计算机上使用数据集训练改进后的yolov3模型，然后将模型转换为可以识别加载的kmodel格式。

2.根据权利要求1所述的一种基于risc-v芯片的人脸识别闸机方法及系统，其中所述边缘计算芯片k210是一款采用rsic-v指令架构的具有高达1tops算力的芯片。

3.根据权利要求2所述的一种基于risc-v芯片的人脸识别闸机方法及系统，其中所述边缘计算芯片k210作为智能门禁系统的主控运算单元。

4.根据权利要求1所述的一种基于risc-v芯片的人脸识别闸机方法及系统，其中所述还包括摄像头，通过摄像头采集到人脸信息，并将采集到的信息传输至主控芯片运算处理，预测信息是否一致。

5.根据权利要求1所述的一种基于risc-v芯片的人脸识别闸机方法及系统，其中所述升压模块，由于边缘计算芯片k210能输出的控制信号电压为3.3v不能驱动智能门禁系统的电子锁，因此需要外加升压模块提供12v电压以驱动电子锁。

6.根据权利要求1所述的一种基于risc-v芯片的人脸识别闸机方法及系统，其中所述模型训练是将构建好的数据集，通过tensorflow深度学习框架训练适用于k210的yolov3模型，最终将训练好的模型加载到边缘计算芯片k210上进行模型推理。

7.根据权利要求6所述的一种基于risc-v芯片的人脸识别闸机方法及系统，其中所述数据集是从网络上获取或自行拍摄获取适用于本次发明的图片数据使用打标工具进行打标制作数据集，然后将准备好的数据集进行训练；其中所述tensorflow深度学习框架是由谷歌人工智能团队谷歌大脑开发并维护的开源框架；其中所述适用于k210的yolov3模型，是将原本的yolov3算法经过优化和剪枝后得到的改进算法。

8.根据权利要求7所述的一种基于risc-v芯片的人脸识别闸机方法及系统，其中所述改进的yolov3算法，是把不适用于k210的算子替换成适用的算子，然后将权重张量中的部分值删除并减少神经网络层之间的连接数量。

9.根据权利要求8所述的一种基于risc-v芯片的人脸识别闸机方法及系统，其中所述得到改进后的yolov3模型后，还要使用k210模型转化工具nncase，将yolov3模型转化为kmodel模型文件，最后由摄像头采集到的图像，经过模型得到feature map，对得到的feature map通过yolo层进行激活、nms等操作得到图像中物体的位置和判别结果，然后发出指令，控制电子锁的开关。

技术总结
本发明涉及一种基于RISC‑V芯片的人脸识别闸机方法及系统，包括国产边缘计算芯片K210、摄像头模块、升压模块、电子锁、模型训练、模型转换、实现yolo层、编译、烧录。首先根据边缘计算芯片K210所支持的算子修改yolov3模型的backbone；然后准备数据集训练模型，并进行剪枝；将保存好的模型转换为K210可以识别加载的kmodel格式，最后由摄像头采集到的图像，经过模型得到feature map，对得到的feature map通过yolo层进行激活、nms等操作得到图像中物体的位置和判别结果，然后发出指令，控制电子锁的开关。本发明对yolov3算法进行剪枝、量化后使得模型大小减少到原来的13％；且利用K210的KPU单元执行硬件加速后运行速度有所提升。

技术研发人员：谢青峰
受保护的技术使用者：桂林电子科技大学
技术研发日：
技术公布日：2024/2/6