[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

说明书

本发明涉及一种基于剪枝轻量化模型的包裹识别方法和系统，属于图像识别技术领域，解决了现有神经网络模型运算复杂度高、时间和内存消耗大以及难以在终端设备上部署的问题。包括将训练图片输入待剪枝神经网络模型，提取各卷积层的特征图矩阵；将特征图矩阵转换为带权无向图，构建改进后的拉普拉斯矩阵，计算出冯·诺依曼图熵作为原始值；依次删除带权无向图中单个顶点得到新的带权无向图，计算新的带权无向图的冯·诺依曼图熵相对于原始值的变化值；根据冯·诺依曼图熵的变化值计算通道的重要性，对通道进行剪枝得到剪枝轻量化模型；将剪枝轻量化模型部署至包裹识别终端设备，识别实时采集的图片。实现了模型的高剪枝率，提升了实时包裹识别效率。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种基于剪枝轻量化模型的包裹识别方法和系统。

背景技术

近年来，我国快递业务总体呈快速增长趋势，发展潜力巨大。为满足快速增长的快递业务量带来的分拣需求，快递业对物流中转中心的快递分拣能力提出了高要求。现代物流使用物流包裹自动分拣系统将包裹按照不同地区分拣开，其中包裹的识别检测是快递分拣的重要组成部分。

在当前的图像识别方法中，传统图像处理方法在复杂的包裹分拣场景中存在人为设计特征困难等问题，相比之下，基于深度学习的目标识别算法具有明显的技术优势。

随着深度学习理论的不断发展，深度卷积神经网络向着更深的网络层数和更宽的网络架构推进。一方面，这种复杂模型可以有效提升神经网络学习能力，从而获得更好的性能指标；另一方面，这会导致网络参数量和浮点数运算量急剧增长，这意味着更高的能耗、更大的内存占用以及更长的训练推理时间。长久以来，深度卷积神经网络对使用场景要求比较严格，往往部署在服务器端，但并不能满足实际需求。在物流分拣场景中，实时包裹识别要求深度学习模型具有参数少、运算快等特点，而复杂模型的推理时间以及终端与服务器之间的通讯延迟都无法满足快速处理包裹图像的要求，极大地限制了深度学习在该领域的推广应用。

发明内容

鉴于上述的分析，本发明实施例旨在提供一种基于剪枝轻量化模型的包裹识别方法和系统，用以解决现有神经网络模型运算复杂度高、时间和内存消耗大以及难以在终端设备上部署的问题。

一方面，本发明实施例提供了一种基于剪枝轻量化模型的包裹识别方法，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；

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；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；

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。

基于上述方法的进一步改进，将各卷积层的特征图矩阵转换为带权无向图，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；

根据带权无向图，获取邻接矩阵和度矩阵。

基于上述方法的进一步改进，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；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。