[发明专利]一种基于轻量化神经网络的交通标志识别方法

权利要求书

1.一种基于轻量化神经网络的交通标志识别方法，其特征在于：包括如下步骤：

步骤1，获取原始交通标志图像数据；

步骤2，数据预处理，对原始交通标志图像数据进行预处理，得到具有训练集和测试集的交通标志数据集；

步骤3，设置初始训练超参数，将交通标志数据集的训练集部分输入轻量化神经网络模型进行训练，并利用交通标志数据集的测试集部分对训练好的轻量化神经网络模型进行识别，所述轻量化神经网络模型包括卷积特征提取部分和分类器部分；所述卷积特征提取部分包括1层传统3×3卷积和16层可分离非对称卷积，所述可分离非对称卷积包括第一可分离非对称卷积和第二可分离非对称卷积，所述第一可分离非对称卷积首先对输入的每个通道进行特征可分离；其次对每一个通道分别进行一个步长为1，填充为0的1×3的卷积和3×1卷积，卷积之后均通过非线性Relu激活函数得到大小相同的两个单通道特征图；再分别对两个单通道的特征图进行对应元素求和，并依次对求和后的每个通道进行批归一化和经过Relu激活函数；然后对新形成的每个通道进行通道合并、通道混洗，最后对输出通道进行步长为1的1×1卷积，并设置卷积核的个数等于输入通道数；

所述第二可分离非对称卷积首先对输入的每个通道进行特征可分离；其次对每一个通道分别进行一个步长为1，填充为0的1×3的卷积和3×1卷积，卷积之后均通过非线性Relu激活函数得到大小相同的两个单通道特征图；再分别对两个单通道的特征图进行对应元素求和，并依次对求和后的每个通道进行批归一化和经过Relu激活函数；然后对新形成的每个通道进行通道合并、通道混洗，最后对输出通道进行步长为2的1×1卷积，完成特征图的下采样，并设置卷积核的个数等于输入通道数；所述分类器部分包括三层可分离全连接模块；

步骤4，查看模型在测试集上的识别精度是否达到90％以上，若未达到要求，则调整训练超参数，转步骤3，否则，转步骤5；

步骤5，对轻量化神经网络模型进行剪枝，设置初始剪枝率50％，然后在交通标志数据集的训练集上对剪枝后的轻量化神经网络模型进行再训练，并在交通标志数据集的测试集上对训练好的剪枝后的轻量化神经网络模型进行识别；

步骤6，查看训练好的剪枝后的轻量化神经网络模型的识别精度，若识别精度损失在1％以内，保存模型并继续以2％的步长增大剪枝率，转步骤5，若识别精度损失超过1％，则判断是否为第一次剪枝结果，如果为第一次剪枝结果，则以10％的步长减少剪枝率，返回步骤5；如果不为第一次剪枝结果，转步骤7；

步骤7，保存上一次剪枝后的轻量化神经网络模型；

步骤8，将上一次剪枝后的轻量化神经网络模型部署在车载系统中，以对道路上的交通标志进行识别。

2.根据权利要求1所述的一种基于轻量化神经网络的交通标志识别方法，其特征在于：所述传统3×3卷积的结构为：输入通道数为3，输出通道数为64，卷积核尺寸为3×3、卷积核个数为64，步长为1，填充为0，通过传统3×3卷积后，得到长宽为64×64，通道为64特征图。