[发明专利]用于边缘计算端的目标检测网络处理方法

说明书

本申请实施例提出了用于边缘计算端的目标检测网络处理方法，包括提取目标检测中的卷积操作，使用深度可分离卷积操作对得到的卷积操作进行替换；基于得到的膨胀卷积模块对目标检测中待处理的特征图逐次进行三次膨胀卷积操作，将卷积后的结果与原特征图进行拼接，得到加强后的特征图；设置阈值，将权值低于阈值的网络链接进行删除；将每一层的网络参数分为两部分，一部分作为原始模型的低精度部分进行量化，另一部分进行重训练，重复本步骤操作，直至全部参数被量化；对量化后的权值进行哈夫曼编码。可以提高电力系统对小型目标的检测精度，同时可以减少保存网络模型所需要的内存大小以及网络计算所需要的时间，可以直接部署在边缘端。

技术领域

本申请属于数据处理领域，尤其涉及用于边缘计算端的目标检测网络处理方法。

背景技术

目标检测是关于寻找符合与期望目标相匹配的问题，在现实生活中有着广泛的应用场景。电力系统的安全稳定运行十分重要，因此需要对智能电网系统中的异常目标进行检测，以便及时地处理安全隐患或者解决存在的问题。

针对电力系统现有的目标检测网络通过深度卷积提取检测目标的特征，这种方法对大型目标特征提取充分，检测准确度较高。但是，在提取特征时，图片尺寸不断缩小，导致感受野较小，对小型目标的特征提取不充分，小型目标的检测精度较低。模型需要运行在强大的GPU上面，且占用内存多，计算速度慢，无法直接移植在边缘端嵌入式设备上。

同时，由于模型需要运行在强大的GPU上面，且占用内存多，计算速度慢，大部分网络模型无法直接移植在嵌入式设备上，难以应用于边缘端的在线检测系统，实时地、快递地检测目标状态。

目前，电力系统目标检测存在的几个挑战在于：

1)小型目标特征的提取不充分，对小型物体的检测精度较低；

2)占用资源较多，推理速度较慢；

3)边缘端的嵌入式设备计算资源较少，无法满足电力系统实时检测目标状态的需求。

发明内容

本申请实施例提出了用于边缘计算端的目标检测网络处理方法，可以提高电力系统对小型目标的检测精度，同时可以减少保存网络模型所需要的内存大小以及网络计算所需要的时间，可以直接部署在边缘端。

具体的，本申请实施例提出的方法，包括：

步骤一：提取目标检测中的卷积操作，使用深度可分离卷积操作对得到的卷积操作进行替换；

步骤二：在上采样操作后添加1×1卷积操作，构成膨胀卷积模块，基于得到的膨胀卷积模块对目标检测中待处理的特征图逐次进行三次膨胀卷积操作，将卷积后的结果与原特征图进行拼接，得到加强后的特征图；

步骤三：设置阈值，将权值低于阈值的网络链接进行删除；

步骤四：将每一层的网络参数分为两部分，一部分作为原始模型的低精度部分进行量化，另一部分进行重训练，重复本步骤操作，直至全部参数被量化；

步骤五：对量化后的权值进行哈夫曼编码。

可选的，所述步骤一，包括：

1)将一个N×H×W×C的输入分为C组，每一组做一次3×3的卷积操作，然后紧跟一个BN层和Leaky ReLU激活函数；

其中：N代表共有多少张输入图片；H代表输入图片的高；W代表输入图片的宽；C代表输入图片的通道数；BN层为批量归一化层；

a是(1，+∞)区间内的固定参数；

2)对1)后产生的结果，进行k个普通的1×1卷积，收集每个点的特征，然后紧跟一个BN层和Leaky ReLU激活函数；深度可分离卷积模块的输出为N×H×W×k；

其中：k为输出特征的通道数。