[发明专利]一种嵌入式端的表计主刻度线实时分割方法及系统

说明书

本发明公开了一种嵌入式端的表计主刻度线实时分割方法，属于图像分割技术领域，包括以下步骤：S1：分割网络训练；S2：通道裁剪处理；S3：减少参数量；S4：知识蒸馏。本发明采用模型裁剪和知识蒸馏的技术对Unet网络进行压缩和训练，并将网络应用在表计主刻度线分割任务中，相比基于图像处理的分割技术，具有精度更高、泛化性能更好的特点；相比基于原始深度学习的方案，具有速度更快、模型更小、更适合在嵌入式端进行部署的特点，值得被推广使用。

技术领域

本发明涉及图像分割技术领域，具体涉及一种嵌入式端的表计主刻度线实时分割方法及系统。

背景技术

表盘主刻度线分割任务是指针式表计读数识别中的一项关键的任务，它为后面的指针角度与刻度起始、终止位置计算提供关键信息。传统的表盘刻度线是基于图像处理的分割方案，也有基于深度学习的分割方案。基于图像处理的分割方案要充分考虑目标的先验信息，然后针对其颜色，边缘进行处理，一般流程是，边缘检测、二值化、腐蚀膨胀等，最后根据刻度线的轮廓特点，根据刻度线的长度、面积等参数提取轮廓。基于深度学习的分割方案是依靠大量的数据增强模型的泛化性能。一般处理流程是对采集的表计数据进行标注，即把表盘刻度线用多边形标注出来，然后采用语义分割方法进行训练。

基于图像处理的表盘刻度线分割方案，在处理多种表盘刻度线和光照丰富的场景时泛化性能明显不足，需要在写代码时考虑大量的先验信息。基于深度学习的分割方案的技术特点是，泛化性能好，精度较高，但速度较慢。模型较大，不适合嵌入式端部署。

在部署到嵌入端时，上述两种方案均存在一定的问题，基于图像处理的表盘刻度线分割方案存在泛化性能不足、精度不足的问题，基于深度学习的分割方案存在速度较慢、模型较大的问题。因此，提出一种嵌入式端的表计主刻度线实时分割方法。

发明内容

本发明所要解决的技术问题在于：如何解决在保持精度近似接近的情况下，降低模型的计算量，提供了一种嵌入式端的表计主刻度线实时分割方法。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

S1：分割网络训练

采用表盘主刻度线数据训练一个原始的Unet网络，并将训练后的Unet网络作为知识蒸馏的教师网络；

S2：通道裁剪处理

对步骤S1中经过训练的Unet网络进行通道裁剪处理，得到计算量更小的thin U-Net网络；

S3：减少参数量

对步骤S2中的thin U-Net网络进行处理获得参数量更小的Unet网络，并在表盘主刻度线数据上训练，得到的网络作为知识蒸馏的学生网络；

S4：知识蒸馏

采用知识蒸馏方法训练方法，使用教师网络对学生网络进行训练，提升学生网络的精度。

更进一步地，在所述步骤S1中，表盘主刻度线数据指的是经过标注后的表盘图像数据。

更进一步地，在所述步骤S2中，通道裁剪处理即对经过训练的原始Unet网络按比例缩小每层卷积核的通道数。

更进一步地，在所述步骤S3中，对步骤S2中的thin U-Net网络进行处理的方式为采用可分离卷积替换原始卷积方式，具体处理过程如下：

假设F为输入特征图,数据维度为D_F×D_F×M，M为输入通道数，K为卷积核，数据维度为D_K×D_K×M×N，N为输出通道数，G为F经过传统卷积得到的输出特征图，数据维度为D_F×D_F×N，则原始卷积公式为：