[发明专利]一种基于剪枝轻量化模型的包裹识别方法和系统

权利要求书

1.一种基于剪枝轻量化模型的包裹识别方法，其特征在于，包括以下步骤：

将训练图片输入已预训练的待剪枝神经网络模型，提取各卷积层的特征图矩阵；所述训练图片从包裹图片数据集中随机抽取而得到；

将各卷积层的特征图矩阵转换为带权无向图，根据特征图矩阵的幅值矩阵构建改进后的拉普拉斯矩阵，并计算出冯·诺依曼图熵作为各卷积层的原始值，包括：

将各卷积层的特征图矩阵中的每个三维特征图进行变形，得到特征行向量矩阵，其中每一行是与每个通道对应的特征行向量，分别作为各卷积层的带权无向图的顶点；

计算各卷积层的特征行向量矩阵中任意两个特征行向量的余弦距离，作为各卷积层的带权无向图中对应两个顶点之间的边权重；

根据所述带权无向图，获取邻接矩阵和度矩阵；

根据特征图矩阵，获取幅值矩阵，所述幅值矩阵是一个对角矩阵，其中每个对角元素为特征图矩阵中相应通道中所有元素的平方和；

将所述度矩阵与幅值矩阵相乘后，再减去邻接矩阵，得到改进后的拉普拉斯矩阵；

所述冯·诺依曼图熵通过下式计算得到：

其中，H_i表示第i个卷积层的冯·诺依曼图熵，L_d表示改进后的拉普拉斯矩阵；trace(•)表示矩阵的迹，即矩阵所有特征值之和；λ_k表示改进后的拉普拉斯矩阵L_d中第k个特征值，λ_k≥0，且，n_i表示第i个卷积层的通道数量；

依次删除各卷积层的带权无向图中单个顶点得到新的带权无向图，计算出每个新的带权无向图的冯·诺依曼图熵相对于原始值的变化值，包括：

针对每个卷积层的带权无向图，依次删除单个顶点对应的特征行向量，对每次删除后得到的特征行向量矩阵重新转换为新的带权无向图，构造新的改进后的拉普拉斯矩阵，计算出新的冯·诺依曼图熵；

计算每个新的冯·诺依曼图熵与对应的卷积层的原始值的差值绝对值，作为被删除的顶点对应的通道的冯·诺依曼图熵的变化值；

根据各卷积层中冯·诺依曼图熵的变化值，计算各卷积层的通道的重要性，并根据各卷积层的剪枝率和通道的重要性，对各卷积层的通道进行剪枝，训练剪枝后的神经网络模型，得到剪枝轻量化模型；

将所述剪枝轻量化模型部署至包裹识别终端设备，对实时采集的图片识别出其中的包裹信息。

2.根据权利要求1所述的基于剪枝轻量化模型的包裹识别方法，其特征在于，所述邻接矩阵是一个实对称矩阵，其非对角元素为对应两个顶点之间的边权重，对角元素为0；所述度矩阵是一个对角矩阵，其每行对角元素为邻接矩阵中相应行的所有元素之和。

3.根据权利要求1所述的基于剪枝轻量化模型的包裹识别方法，其特征在于，所述根据各卷积层中冯·诺依曼图熵的变化值，计算各卷积层的通道的重要性，包括：

根据每张训练图片得到的各卷积层的通道的冯·诺依曼图熵的变化值，计算出每个通道的所述冯·诺依曼图熵变化值的平均值，作为每个通道的重要性。

4.根据权利要求3所述的基于剪枝轻量化模型的包裹识别方法，其特征在于，所述根据各卷积层的剪枝率和通道的重要性，对各卷积层的通道进行剪枝，是根据各卷积层的剪枝率，按照各卷积层的通道的重要性，从小到大对通道进行剪枝。

5.根据权利要求1或4所述的基于剪枝轻量化模型的包裹识别方法，其特征在于，所述待剪枝神经网络模型是由具有CONV-BN-ReLU结构的卷积层构成的神经网络模型。

6.一种基于剪枝轻量化模型的包裹识别系统，其特征在于，包括：

特征图矩阵提取模块，用于将训练图片输入已预训练的待剪枝神经网络模型，提取各卷积层的特征图矩阵；所述训练图片从包裹图片数据集中随机抽取而得到；

冯·诺依曼图熵计算模块，用于将各卷积层的特征图矩阵转换为带权无向图，根据特征图矩阵的幅值矩阵构建改进后的拉普拉斯矩阵，并计算出冯·诺依曼图熵作为各卷积层的原始值，包括：

将各卷积层的特征图矩阵中的每个三维特征图进行变形，得到特征行向量矩阵，其中每一行是与每个通道对应的特征行向量，分别作为各卷积层的带权无向图的顶点；

计算各卷积层的特征行向量矩阵中任意两个特征行向量的余弦距离，作为各卷积层的带权无向图中对应两个顶点之间的边权重；

根据所述带权无向图，获取邻接矩阵和度矩阵；

根据特征图矩阵，获取幅值矩阵，所述幅值矩阵是一个对角矩阵，其中每个对角元素为特征图矩阵中相应通道中所有元素的平方和；

将所述度矩阵与幅值矩阵相乘后，再减去邻接矩阵，得到改进后的拉普拉斯矩阵；

所述冯·诺依曼图熵通过下式计算得到：

其中，H_i表示第i个卷积层的冯·诺依曼图熵，L_d表示改进后的拉普拉斯矩阵；trace(•)表示矩阵的迹，即矩阵所有特征值之和；λ_k表示改进后的拉普拉斯矩阵L_d中第k个特征值，λ_k≥0，且，n_i表示第i个卷积层的通道数量；

依次删除各卷积层的带权无向图中单个顶点得到新的带权无向图，计算出每个新的带权无向图的冯·诺依曼图熵相对于原始值的变化值，包括：

针对每个卷积层的带权无向图，依次删除单个顶点对应的特征行向量，对每次删除后得到的特征行向量矩阵重新转换为新的带权无向图，构造新的改进后的拉普拉斯矩阵，计算出新的冯·诺依曼图熵；

计算每个新的冯·诺依曼图熵与对应的卷积层的原始值的差值绝对值，作为被删除的顶点对应的通道的冯·诺依曼图熵的变化值；

通道剪枝模块，用于根据各卷积层中冯·诺依曼图熵的变化值，计算各卷积层的通道的重要性，并根据各卷积层的剪枝率和通道的重要性，对各卷积层的通道进行剪枝，训练剪枝后的神经网络模型，得到剪枝轻量化模型；

包裹识别模块，用于将所述剪枝轻量化模型部署至包裹识别终端设备，对实时采集的图片识别出其中的包裹信息。