基于卷积神经网络的移动端社区宠物识别方法技术

本发明专利技术公开了一种基于卷积神经网络的移动端宠物识别方法。该方法包括：构建轻量化卷积神经网络、在服务器端使用预训练网络模型训练方法训练卷积神经网络、通过移动端深度学习框架在移动端设备上部署训练好的卷积神经网络模型、通过移动端设备采集图像并进行目标识别和危险性判断。本发明专利技术公开，实现了在移动端设备上对社区宠物种类的检测，住户可通过识别结果来远离具有危险性的宠物，有效避免了社区内宠物伤人的事件发生；另外，本发明专利技术构建的轻量化卷积网络对硬件环境要求不高，在保证识别精度的情况下可以适配大多数移动端运行环境。精度的情况下可以适配大多数移动端运行环境。精度的情况下可以适配大多数移动端运行环境。

【技术实现步骤摘要】
基于卷积神经网络的移动端社区宠物识别方法


[0001]本专利技术涉及图像识别
，尤其设计基于卷积神经网络的移动端社区宠物识别方法。

技术介绍

[0002]随着人们生活水平的不断提高，越来越多的人喜欢养一只或几只宠物来陪伴自己的生活，尤其是在城市中，不仅宠物数量日益增加，种类也五花八门。这就导致了一系列问题：在众多的宠物中，不乏存在着大型犬或者烈性犬，前者体型较大，其突发行动在人力可控的范围外，后者天生具有攻击性，容易发生伤人或者伤害其他宠物的情况；此外某些体型不大的宠物也具有较强的防备意识和领地意识，同样具有攻击性，而且宠物身上可能携带病毒或细菌，一旦伤人将会造成严重的后果。
[0003]虽然安保人员可以通过监控查看到社区中的宠物活动情况，并且能通过宠物的体型或行为大致判断宠物是否具有危险性，但这种方式不仅会消耗大量人力，而且对于监控设备覆盖不到的区域无法进行有效的宠物检测。
[0004]为了解决上述问题，我们可以利用监控摄像头或者带摄像头的装置采集宠物图像，通过对图像检测分析得出宠物的种类以及是否具有危险性。目前主流的检测方法是基于深度学习的宠物检测算法。通过卷积神经网络提取宠物特征，随着网络层数的加深，提取的特征信息也越来越丰富，隐藏层的感知器可以有效地组合底层特征，形成一个更加抽象的高层表示属性类别或特征，最后通过分类器输出图像类别。随着人工智能技术的高速发展，深度学习算法正朝着精度高、延迟低的方向发展。比如近年来具有代表性的YOLOV3算法，可以实现端对端的目标快速检测，在GPU 1080Ti硬件环境下，检测精度达到74.8％，检测速度达到29.8帧/秒。另一种代表算法Faster
‑
RCNN的检测精度更高，但实时性较差。虽然基于深度学习的宠物检测方法有很好的应用前景。但目前的这类算法仍然存在问题：目前的算法大都致力于极致地提高检测精度以及实时性，所以其网络模型规模和计算量巨大，适合于GPU服务器硬件运行环境，而对于安装在移动端设备或社区内的嵌入式视频监控系统，其实时性仍然无法满足实际应用需求。
[0005]综上所述，怎样合理构建轻量化卷积神经网络以便适用于大部分硬件设备环境并保持卷积网络的精度和实时性，成为一项亟待解决的问题。

技术实现思路

[0006]为解决现有技术的不足，本专利技术提供了一种基于卷积神经网络的移动端社区宠物识别方法，该方法包括以下步骤：
[0007]步骤1.构建轻量化卷积神经网络L；
[0008]步骤2.在服务器端使用预训练网络模型训练方法训练卷积神经网络L；
[0009]步骤3.使用移动端深度学习框架在移动端设备上部署训练好的卷积神经网络模型；
[0010]步骤4.通过移动端设备采集图像并进行目标宠物识别和危险性判断。
[0011]优选地，在步骤1中，所述的轻量化卷积神经网络L的第2
‑
10层为一种轻量化卷积结构(benck)，该结构是一种深度可分离卷积和残差网络结合的轻量化网络结构。
[0012]优选地，所述的轻量化卷积结构(benck)由深度可分离卷积进行特征提取，同时加入轻量化注意力模块调整权重分布，然后在输入输出层之间加入残差连接。
[0013]在此，深度可分离卷积将一个完整的卷积运算分解为两步进行，分别为逐深度卷积(Depthwise Convolution)与逐点1
×
1卷积(Pointwise Convolution)这种卷积方式能用更少的参数、更少的运算，达到跟普通卷积差不多的结果。
[0014]优选地，本专利技术引入轻量化注意力模块，这种模块结合了空间注意力机制和通道注意力机制，能显著提高图像分类和目标检测的正确率。通道注意力和空间注意力这两个模块可以并行或者顺序的方式组合在一起，但是通常将通道注意力放在前面可以取得更好的效果。
[0015]优选地，在步骤2中使用的预训练网络M为开源的、在动物数据集上训练过的卷积神经网络模型。
[0016]优选地，步骤2的训练过程进一步包括以下步骤：
[0017](1)在预训练网络M的卷积基后连接卷积神经网络L；
[0018](2)冻结卷积神经网络L的卷积基；
[0019](3)使用预训练网络M的卷积基对标记好的宠物学习样本进行特征提取；
[0020](4)提取到的特征作为训练样本对卷积神经网络L的全连接分类器进行训练；
[0021](5)随机解冻卷积神经网络L的一个或多个卷积层；
[0022](6)联合训练解冻的卷积层和全连接分类器，通过反向传播更新卷积层的参数。
[0023]优选地，在步骤(1)中，预训练网络M的卷积基为该网络的一系列池化层和卷积层，不包括其密集连接器，卷积基用于输出新的训练样本的高级特征，分类的任务由添加的分类器来负责。
[0024]优选地，在步骤(4)中，优先训练分类器，避免在特征提取层训练期间通过网络传播的误差信号增大。
[0025]优选地，在步骤(5)中，采用dropout方法以一定的概率随机解冻网络层，让网络的某些节点工作，更新权重，其他过程不变。
[0026]优选地，步骤3中使用的移动端深度学习框架为TensorFlow mobile，移动端设备使用安卓端。用TensorFlow mobile部署模型到安卓设备分为以下三个步骤：
[0027]将训练模式转换到TensorFlow；
[0028]在安卓应用中添加TensorFlow mobile作为附加功能；
[0029]在应用中使用TensorFlow模式写Java代码执行推理。
[0030]优选地，在步骤4中，卷积神经网络L的输出包括：宠物在图上的位置、宠物类别、预测概率、是否具有危险性。
[0031]具体地，对目标宠物的危险性评估标准包括：
[0032]对于预测类别为城市管理规定中明确禁养的宠物，视为具有危险性；
[0033]对于非禁养宠物，根据卷积神经网络L的全连接层提取的特征信息进行危险性判断：在面部特征中，若牙齿裸露程度高于预设的安全阈值则判定具有危险性；在爪部特征
中，若指甲长度高于预设的安全阈值，则判定具有危险性。
[0034]在此，对于禁养宠物，在网络训练时此类宠物样本标签额外加入危险性标识字样，故此类宠物可由卷积神经网络直接判别危险性情况。
[0035]对于非禁养宠物危险性的判断，由后台服务器执行，后台服务器包括：
[0036]提取模块，负责将卷积神经网络全连接层提取到的众多宠物特征中，进一步提取出面部、爪部特征；
[0037]分析模块，通过提取模块提取到的面部、爪部特征，根据上述危险性评定标准进行分析判断；
[0038]执行模块，根据卷积神经网络和分析模块判定的危险宠物，执行相应的措施。
[0039]进一步地，对具有危险性的宠物采取的管理措施包括：向社区安保部门提供宠物图像以及宠物所在位置并请求专业人士处理；将该本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于卷积神经网络的移动端宠物识别方法，其特征在于，所述方法包括以下步骤：步骤1.构建轻量化卷积神经网络L；步骤2.在服务器端使用预训练网络模型训练方法训练卷积神经网络L；步骤3.通过移动端深度学习框架在移动端设备上部署训练好的卷积神经网络模型；步骤4.通过移动端设备采集图像并进行宠物识别和危险性判断。2.根据权利要求1所述的轻量化卷积神经网络L，其特征在于，其第2
‑
10层为一种轻量化卷积结构（bneck），该结构是一种深度可分离卷积和残差网络结合的卷积结构。3.根据权利要求2所述的轻量化网络结构（bneck），其特征在于，由深度可分离卷积进行特征提取，同时加入轻量化注意力模块调整权重分布，然后在输入输出层之间加入残差连接。4.根据权利要求1所述的预训练网络模型，其特征在于，所述预训练网络模型由预训练网络M和...

【专利技术属性】
技术研发人员：ꢀ五一IntClG零六K九六二，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：