[发明专利]一种基于龙芯2K1000处理器实现高精度车辆识别的方法

说明书

本发明涉及一种基于龙芯2K1000处理器实现高精度车辆识别的方法，属于嵌入式图像处理技术领域，包括车辆数据收集与标签化处理，制作深度学习数据集；对深度学习模型进行训练；对深度学习模型进行优化；部署深度学习模型；选取视频流进行车辆检测。本发明通过裁剪和量化模型，在龙芯2K1000处理器上实现车辆检测识别的AI应用部署，在2K1000处理器上调用tmfile文件；首次验证2K1000处理器对yolo的算子支持；对于特征模块采取整体丢弃方法，优化了模型性能，提升车辆检测识别效率；本发明成本低廉，适合技术更新替换，易于部署，通过制作不同的数据集，可以用于其他领域的图像识别应用。

技术领域

本发明涉及一种基于龙芯2K1000处理器实现高精度车辆识别的方法，属于嵌入式图像处理技术领域。

背景技术

随着中国汽车销售量越来越多，交通拥堵，超速撞车等事故等频繁发生，就自然衍生出了对实时掌握交通路况信息的需求，为了让交通指挥者或者参与者及时获取必要的交通信息，需要把相关交通信息以标签的形式自动描述出来，使计算机能自动获取信息并处理成人们容易理解的信息。

目前，在计算机应用中图像识别技术的研究取得了丰硕的成果，然而基于国产芯片和嵌入式平台的图像识别研究成果较少，传统的图像识别算法仅对识别简单图像较为有效，且仅可识别少量特定对象，卷积神经网络CNN以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，卷积神经网络CNN的特征检测层通过训练数据进行学习，所以在使用CNN时，避免了显式的特征抽取，而隐式地从训练数据中进行学习。

然而，当前同类产品车辆识别准确率不高，以卷积神经网络CNN作为深度学习模型计算量较大，存在模型太大以及检测时间过长的问题，龙芯2K1000处理器算力不足以支持数据短时间有效处理，且深度学习存在过于依赖GPU的缺陷。

因此，需要一种基于龙芯2K1000处理器实现高精度车辆识别的方法。

发明内容

为了解决上述技术问题，本发明提供一种基于龙芯2K1000处理器实现高精度车辆识别的方法，其具体技术方案如下：

一种基于龙芯2K1000处理器实现高精度车辆识别的方法，包括以下步骤：

步骤1：车辆数据收集与标签化处理，制作深度学习数据集；

步骤2：对深度学习模型进行训练

步骤2.1：搭建深度学习模型框架；

步骤2.2：选择深度学习模型网络结构；

步骤2.3：使用深度学习数据集对深度学习模型框架进行训练，得到深度学习模型；

步骤3：对深度学习模型进行优化

步骤3.1：对深度学习模型进行裁剪，根据深度学习模型中各个参数在验证集中得到验证值为true的次数对各个参数的贡献值进行降序排列，裁剪掉贡献值低于设定标准的参数；

步骤3.2：对深度学习模型进行量化，降低模型进行推断所用的数据量；

步骤4：部署深度学习模型

步骤4.1：对2K1000处理器进行硬件适配，对不支持2K1000处理器的算子进行删减；

步骤4.2：深度学习模型格式转换：生成2K1000处理器适配的可调用文件，并将可调用文件转换为tmfile格式进行存储；

步骤4.3：深度学习模型部署：调用深度学习模型，将可调用文件编译生成可执行文件；

步骤5：选取视频流进行车辆检测：对视频流进行预处理，将预处理后得到的数据输入车辆识别模型进行检测识别以及显示输出。