[发明专利]一种物联网深度学习网络的部署方法

说明书

本发明涉及一种物联网深度学习网络的部署方法，包括步骤：在云平台上部署Net‑T网络、Net‑S网络，在终端部署Net‑S`网络；使用各终端Net‑S`网络获取的历史图像数据对Net‑T网络、Net‑S网络进行训练，使Net‑T网络和Net‑S网络达到准确度后，将Net‑S网络的参数分别灌入各终端的Net‑S`网络中；各终端Net‑S`网络对新的图像数据进行识别，若识别置信度低于置信度阈值，则将该图像数据返回云平台的Net‑T网络中进行再次识别。本方案通过建立置信度阈值的机制，对部署的网络进行识别训练后使终端的网络仿真云平台的网络，使得部署的整体系统能够在迭代准确度和网络数据传输量中达到均衡，并能够利用云平台中的深度学习网络对浅层学习网络进行持续不断的优化迭代，以减轻终端和云平台的通信和计算压力。

技术领域

本发明涉及深度学习技术领域，特别涉及物联网图像识别模型的部署方法。

背景技术

随着5G的兴起，大规模物联网的建设成为了可能，最重要的特点就是连接的终端数量非常大，可将数据在各终端直接进行处理，但终端的数量多了之后，通信资源不能保证，会导致通信延迟，并且单个终端的计算能力有限，处理之后的数据会存在置信度不高或者数据明显有误就上传到云计算平台，比如燃气表终端采集到字轮数据后利用本地处理器（如单片机）得到字轮读数结果并上传到云计算平台时，则会存在结果的置信度不高就上传到云计算平台；或者终端可以将数据采集后全部发送至云计算平台进行计算，但也存在计算压力和大量终端与云计算平台之间的通信延迟的问题，比如燃气表终端采集的字轮图像数据明显有误就上传到云计算平台，因此使得终端和云计算平台的通信和计算的负担都不断加重。

发明内容

作为一个示例，以一个数据量为8位的燃气表为例，其使用NB-IOT模式进行通信。现上传一副160*120抄表图像的传输规模是传输抄表结果的2400倍，以NB-IOT模式进行通信的话则需要将该抄表图像分割成96个200字节的数据包依次进行数据上传。此时，在终端进行识别后上传只需要穿8个整型数字，也就是16个字节，那么1个数据包就可以容纳，但频繁的数据包传输就会增加云平台解析的困难，以及存在数据包在传输过程中丢失的可能性，因此会对终端和云平台之间的通信带来压力。

进一步看类似摄像表具的情况，一般终端处的摄像表具数量是成千上万的，将大量的数据上传至云平台进行计算时，完成8位的识别需要0.1秒，那么云平台将会面临非常大的数据并发问题，因此会对终端和云平台之间的计算带来压力。

本发明的目的在于减轻终端和云计算平台的通信和计算的压力，提供一种物联网深度学习网络的部署方法。

为了实现上述发明目的，本发明实施例提供了以下技术方案：

一种物联网深度学习网络的部署方法，对云计算平台和多个终端进行深度学习网络的部署，包括以下步骤：

在云平台上部署Net-T网络、Net-S网络，在终端部署Net-S`网络；

使用各终端Net-S`网络获取的历史图像数据对云平台的Net-T网络、Net-S网络进行训练，使Net-T网络和Net-S网络达到准确度后，将Net-S网络的参数分别灌入各终端的Net-S`网络中；

各终端的Net-S`网络对新的图像数据进行识别，若识别置信度低于置信度阈值，则将该图像数据返回至云平台的Net-T网络中进行再次识别。