一种基于5G边缘计算技术的图像识别方法与流程

一种基于5g边缘计算技术的图像识别方法
技术领域
1.本发明涉及图像识别技术领域，具体是一种基于5g边缘计算技术的图像识别方法。


背景技术：

2.边缘计算，是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。
3.现有的神经网络图像识别模型往往部署在云端，现场采集图像后需先上传至云端，再进行识别，对通信要求高且较为繁琐耗时。此外，现有图像识别方法大多是对待识别图像进行缩放，然后再将缩放后的图像输入到图像模型中进行识别。当待识别图像中目标较小，背景信息过多时，识别的准确率较低且计算量也会较大。


技术实现要素：

4.针对上述问题，本发明提出一种基于5g边缘计算技术的图像识别方法。
5.本发明通过以下技术方案予以实现：
6.一种基于5g边缘计算技术的图像识别方法，包括如下步骤：
7.通过现场端的图像采集单元获取图像，并对图像进行预处理；
8.通过图像识别单元对预处理后的图像进行识别，并将图像识别结果传输给5g通信模块，其中，所述图像识别单元设置于现场端；
9.5g通信模块将识别结果传输给云端服务器。
10.进一步的，所述图像识别单元中加载有用于识别图像的神经网络模型，神经网络模型对预处理后的图像进行识别，并输出识别结果。
11.进一步的，所述用于识别图像的神经网络模型为知识蒸馏改进的simplecnn算法，具体为：以训练完成的vgg网络指导未完全训练的simplecnn算法进行训练，得到轻量化的神经网络模型。
12.进一步的，所述用于识别图像的神经网络模型的训练方法，包括：
13.将图像数据集作为输入，通过vgg19网络对simplecnn网络进行蒸馏，通过设置不同的蒸馏温度，得到不同的损失函数后进行反向传播，然后将模型参数保存，得到用于识别图像的神经网络模型。
14.进一步的，将图像数据集作为输入，通过vgg19网络对simplecnn网络进行蒸馏，通过设置不同的蒸馏温度，得到不同的损失函数后进行反向传播，然后将模型参数保存，得到用于识别图像的神经网络模型，具体包括如下步骤：
15.计算数据集中各图像的像素均值，并将每张图像调整为224*224像素；
16.将调整后图像的各通道像素值减去上述求得的像素均值，得到图像处理数据；
17.构建知识蒸馏模块，知识蒸馏模块由已训练好参数的vgg19网络以及未经训练的
simplecnn网络组成；
18.通过vgg19网络指导simplecnn网络进行训练；训练simplecnn时，图像分批输入，对每批次图像进行3d卷积、批标准化、最大池化、relu、2dlstm操作得到特征图像；
19.将特征图像进行多通道展平，并通过dropout层去除不必要神经元，线性映射加深网络深度，最后通过softmax分类输出，得到损失函数和特征数据；
20.将整个网络的损失函数替换为知识蒸馏各软目标与硬目标的线性加权，将损失函数进行反向传播，不断进行参数修正，得到深层特征；
21.将验证集图像输入神经网络中，将得到的结果与图像标签进行比对运算，计算误差，根据误差进行反向计算，更新模型参数，最后将模型参数保存，得到用于识别图像的神经网络模型。
22.进一步的，将整个网络的损失函数替换为知识蒸馏各软目标与硬目标的线性加权，将损失函数进行反向传播，具体包括如下步骤：
23.网络训练时，vgg19设置蒸馏温度t1，生成软目标；simplecnn网络分别设置蒸馏温度t1’
和t2，分别生成软目标a和软目标b，其中t1＝t1’
≠t2；硬目标为标签值；将软目标和软目标a取kl散度得到蒸馏损失，将软目标b和硬目标取交叉熵损失得到误差损失，将蒸馏损失、误差损失按比例进行线性加权得到最终损失，进行反向传播。
24.进一步的，图像预处理，具体包括如下步骤：
25.1)对原图像进行灰度处理；
26.2)对灰度图像进行序贯滤波处理，以除去灰度图中的噪声；
27.3)通过边缘算子识别灰度图中边界信息，并确定图像中的roi区域；
28.4)根据灰度图中的边界信息，沿边界从原图像中截取出对应roi区域；
29.5)将截取出的roi区域缩放至固定尺寸，接着将其粘贴于预设尺寸的白色空白底板图片中。
30.进一步的，步骤1)具体步骤如下：
31.将各图像r、g、b三通道的通道值进加权平均运算并将运算结果赋值作为该点的灰度值。
32.优选的，步骤2)中边缘算子选用sobel、roberts、prewitt、canny中任意一种。
33.在具有相同硬件基础的情况下，本发明方法具有一定的通配性，因此，本发明还提供一种计算机可读的存储介质，所述的存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述的至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行实现上述基于5g边缘计算技术的图像识别方法。
34.与现有技术相比，本发明具有以下有益效果：
35.1)本发明提供的基于5g边缘计算技术的图像识别方法将图像识别单元部署于靠近数据源头的现场端，现场端直接进行图像的识别，降低了对通信的要求并缩短了识别的时耗，使识别更加高效。
36.2)本发明提供的知识蒸馏改进的simplecnn网络能够减少数据数量的需求，加强了网络的泛华能力，同时使网络模型更加轻量化，适于现场端的部署使用。
37.3)本发明提供的图像预处理方法能够对图片中roi区域进行高效提取，避免了背景信息过多对图像识别算法的影响，有利于提升图像识别的准确率与效率。
附图说明
38.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
39.图1为本发明的简要流程示意图。
具体实施方式
40.为使本发明实施方式的目的、技术方案和优点更加清楚，下面对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
41.参照附图1所示，一种基于5g边缘计算技术的图像识别方法，包括如下步骤：
42.通过现场端的图像采集单元获取图像，并对图像进行预处理；其中，图像预处理，包括如下步骤：
43.1)对原图像进行灰度处理；具体为：将各图像r、g、b三通道的通道值进加权平均运算并将运算结果赋值作为该点的灰度值。
44.2)对灰度图像进行序贯滤波处理，以除去灰度图中的噪声；
45.3)通过边缘算子识别灰度图中边界信息，并确定图像中的roi区域；确定roi过程中，根据识别的实际对象来设定roi区域是在边界内还是边界外；上述，边缘算子可选用sobel、roberts、prewitt、canny中任意一种。
46.4)根据灰度图中的边界信息，沿边界从原图像中截取出对应roi区域；
47.5)将截取出的roi区域缩放至固定尺寸，接着将其粘贴于预设尺寸的白色空白底板图片中。
48.上述图像预处理能够有效避免背景对图像识别的影响，有利于提升图像识别的准确率与效率，且上述图像预处理方法比简单，计算量比较小适用于现场端。
49.通过图像识别单元对预处理后的图像进行识别，并将图像识别结果传输给5g通信模块，其中，图像识别单元设置于现场端；5g通信模块将识别结果传输给云端服务器。
50.本发明将图像识别单元部署于靠近数据源头的现场端，现场端直接进行图像的识别，降低了对通信的要求并缩短了识别的时耗，使识别更加高效。
51.上述图像识别单元中加载有用于识别图像的神经网络模型，神经网络模型对预处理后的图像进行识别，并输出识别结果；其中，用于识别图像的神经网络模型为知识蒸馏改进的simplecnn算法为以训练完成的vgg网络指导未完全训练的simplecnn算法进行训练，得到轻量化的神经网络模型。通过训练完成的vgg网络指导未完全训练的simplecnn网络进行训练，能够避免simplecnn网络的过拟合，使得simplecnn网络的收敛朝向vgg网络的方向，使得simplecnn网络拥有vgg网络的识别能力，也保证了simplecnn网络的轻量化。
52.上述用于识别图像的神经网络模型的训练方法，包括：将图像数据集作为输入，通
过vgg19网络对simplecnn网络进行蒸馏，通过设置不同的蒸馏温度，得到不同的损失函数后进行反向传播，然后将模型参数保存，得到用于识别图像的神经网络模型。具体步骤如下：
53.计算数据集中各图像的像素均值，并将每张图像调整为224*224像素；
54.将调整后图像的各通道像素值减去上述求得的像素均值，得到图像处理数据；
55.构建知识蒸馏模块，知识蒸馏模块由已训练好参数的vgg19网络以及未经训练的simplecnn网络组成，通过vgg19网络指导simplecnn网络进行训练；训练simplecnn时，图像分批输入，对每批次图像进行3d卷积、批标准化、最大池化、relu、2dlstm操作得到特征图像；
56.将特征图像进行多通道展平，并通过dropout层去除不必要神经元，线性映射加深网络深度，最后通过softmax分类输出，得到损失函数和特征数据；
57.将整个网络的损失函数替换为知识蒸馏各软目标与硬目标的线性加权，将损失函数进行反向传播，不断进行参数修正，得到深层特征；
58.其中，将整个网络的损失函数替换为知识蒸馏各软目标与硬目标的线性加权，将损失函数进行反向传播，具体如下：
59.网络训练时，vgg19设置蒸馏温度t1，生成软目标；simplecnn网络分别设置蒸馏温度t1’
和t2，分别生成软目标a和软目标b，其中t1＝t1’
≠t
2，
优选的，t2＝1且t1＝t1’
＞t2；硬目标为标签值；将软目标和软目标a取kl散度得到蒸馏损失，将软目标b和硬目标取交叉熵损失得到误差损失，将蒸馏损失、误差损失按比例进行线性加权得到最终损失，进行反向传播。本发明以训练完成的vgg网络指导未完全训练的simplecnn网络训练，设置蒸馏温度t，在模型softmax层设置蒸馏温度，蒸馏温度t越高，输出结果包含的信息越多，模型泛化能力更强。
60.最后将验证集图像输入神经网络中，将得到的结果与图像标签进行比对运算，计算误差，根据误差进行反向计算，更新模型参数，并将模型参数保存，得到用于识别图像的神经网络模型。
61.目前的卷积神经网络为了提高识别准确度，会增加网络层数，导致参数量大，识别速度慢且不利于部署至边缘设备。本发明中用于识别图像的神经网络模型为知识蒸馏改进的simplecnn算法，通过知识蒸馏对算法模型进行压缩，并通过vgg19网络指导simplecnn网络训练，从而得出轻量化神经网络模型，适于部署至边缘设备。此外，相较于现有的轻量化神经网络识别效果不佳，本发明通过知识蒸馏方法对神经网络模型进行改进，使得网络对数据集数量的需求更少，加强了网络的泛化能力，提升了神经网络的识别效果。
62.另外，在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
63.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施
方式方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
64.以上所述仅为本发明的优选实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。