[发明专利]一种嵌入式物体识别方法和装置

权利要求书

1.一种嵌入式物体识别方法，其特征在于，包括：

S1：采集物体的彩色图像；

S2：对彩色图像进行处理，获得处理后的图像数据；

S3：利用处理后的图像数据对构建的Combine-MobileNet神经网络进行训练并测试，获得训练好的Combine-MobileNet神经网络；

S4：将训练好的Combine-MobileNet神经网络保存加载到嵌入式平台上；

S5：将待识别物体的图像数据输入嵌入式平台，对待识别物体的类别进行实时推理，获得识别结果。

2.根据权利要求1所述的嵌入式物体识别方法，其特征在于，所述步骤S2中，对彩色图像进行处理的具体步骤为：

S2.1：将彩色图像转化为灰度图像；

S2.2：将灰度图像随机划分为训练图像和测试图像；

S2.3：对训练图像进行数据增强操作，获得增强训练图像；

S2.4：对增强训练图像进行下采样，获得下采样训练图像。

3.根据权利要求2所述的嵌入式物体识别方法，其特征在于，所述步骤S2.3中，对训练图像进行的数据增强操作包括：旋转、裁剪、平移和高斯噪声。

4.根据权利要求3所述的嵌入式物体识别方法，其特征在于，所述步骤S2.4中，对增强训练图像进行的下采样操作包括对增强训练图像依次进行一次平局池化操作和一次最大池化操作。

5.根据权利要求4所述的嵌入式物体识别方法，其特征在于，所述步骤S3中，利用处理后的图像数据对构建的Combine-MobileNet神经网络进行训练并测试，获得训练好的Combine-MobileNet神经网络的具体方法为：

S3.1：设定Combine-MobileNet神经网络的损失函数、最优损失函数值、最优损失函数值替换次数阈值和最大训练次数；

S3.2：将下采样训练图像输入Combine-MobileNet神经网络中，利用交叉熵计算下采样训练图像的损失函数值loss；

S3.3：设置早停策略，即比较下采样训练图像的损失函数值与最优损失函数值大小，当损失函数值大于最优损失函数值时，将该损失函数值替换最优损失函数值，并记录替换次数；

S3.4：比较替换次数与最优损失函数值替换次数阈值的大小，当替换次数小于最优损失函数值替换次数阈值时，进行下一轮训练；否则Combine-MobileNet神经网络训练完成；

S3.5：将测试图像输入训练完成的Combine-MobileNet神经网络中进行测试，获得训练好的Combine-MobileNet神经网络。

6.根据权利要求1所述的嵌入式物体识别方法，其特征在于，所述步骤S3中，Combine-MobileNet神经网络包括第一标准卷积层、第二标准卷积层、第一深度可分离卷积层、第二深度可分离卷积层、第一全连接层、第二全连接层、特征融合层、平均池化层和第三全连接层；

第一标准卷积层的输出端与第二标准卷积层的输入端连接，第二标准卷积层的输出端分别与第一深度可分离卷积层和第二深度可分离卷积层的输入端连接；

第一深度可分离卷积层的输出端与第一全连接层的输入端连接，第一全连接层的输出端与特征融合层的输入端连接；第二深度可分离卷积层的输出端与第二全连接层的输入端连接，第二全连接层的输出端与特征融合层的输入端连接；

特征融合层的输出端与平均池化层的输入端连接，平均池化层的输出端与第三全连接层的输入端连接。