一种变电站数字表计检测网络模型压缩方法和系统技术方案

本发明专利技术公开了一种变电站数字表计检测网络模型压缩方法和系统，该方法包括：采集变电站数字表计样本图像，预处理后形成训练集；利用训练集训练基于改进的YOLOV5算法的网络模型，得到变电站数字表计检测模型；通过局部搜索算法求取置换矩阵P，重新排列模型中的权重矩阵W；通过SR

【技术实现步骤摘要】
一种变电站数字表计检测网络模型压缩方法和系统


[0001]本专利技术涉及目标检测领域，具体涉及一种变电站数字表计检测网络模型压缩方法和系统。

技术介绍

[0002]由于一些历史方面原因，变电站中依然存在着很多非智能数字仪表，这些数字仪表数据无法自动上传数据至计算机后台系统中。如果使用人工抄录，费时费力且容易出错。
[0003]因此，需要通过现场摄像机对数字仪表图像采集，使用计算机视觉技术进行仪表识别具有十分重要的意义。目前，利用卷积神经网络对RGB图像自动提取特征，再对提取到的特征图进行检测识别是数字表计检测的一种趋势。然而，一个性能优良的卷积神经网络通常涉及数百万个参数，存储空间和计算资源消耗极大。这显然与边缘设备计算资源受限的特点相斥，严重阻碍了其在边缘设备上的广泛应用。

技术实现思路

[0004]专利技术目的：本专利技术的一个目的在于提供一种变电站数字表计检测网络模型压缩方法，能够大幅度削减数字表计模型占据的存储空间和显存空间，节省边缘设备的计算资源。
[0005]本专利技术的另一目的在于提供一种变电站数字表计检测网络模型压缩系统。
[0006]技术方案：本专利技术的一种变电站数字表计检测网络模型压缩方法，包括以下步骤：
[0007]采集变电站数字表计样本图像，并对采集到的变电站数字表计样本图像筛选扩充整理后进行预处理，形成训练集；
[0008]利用训练集训练预先构建的基于改进的YOLOV5算法的网络模型，得到变电站数字表计检测网络模型；
[0009]通过随机局部搜索算法对变电站数字表计检测网络模型的各层神经网络进行处理，得到失真率局部最小的置换矩阵P；
[0010]利用置换矩阵P对该层神经网络的权重矩阵W进行重新排列，得到新的权重矩阵W
P
；
[0011]采用SR
‑
C退火量化算法聚类求取用于重构权重矩阵W
P
的质心码本C和代码B；
[0012]基于原始数据集和损失函数通过优化算法微调质心码本C；
[0013]将质心码本C和代码B作为压缩后的变电站数字表计检测网络模型部署在边缘计算设备上；
[0014]利用边缘计算设备上的变电站数字表计检测网络模型对变电站数字表计进行识别。
[0015]进一步的，利用训练集训练预先构建的基于改进的YOLOV5算法的网络模型，得到变电站数字表计检测网络模型，其中，基于改进的YOLOV5算法的网络模型的主干网络使用FasterNet网络进行特征提取；使用BiFormer注意力机制保留数字表计细节信息；损失函数采用Wise
‑
IoU代替原网络中的CIoU损失函数；使用Efficient
‑
RepGFPN替换YOLOV5中的
Neck部分。
[0016]进一步的，基于改进的YOLOV5算法的网络模型的构建过程如下：
[0017]将原始的基于YOLOV5算法的网络模型的主干网络替换为FasterNet网络，FasterNet网络具有四个层次级，每个层次级之前设置一个嵌入层或一个合并层，用于空间下采样和信道数扩展；
[0018]损失函数Wise
‑
IoU公式如下：
[0019][0020][0021]其中，W
g
表示最小检测box的宽，H
g
表示最小检测box的高；x表示检测box的中心横坐标；y表示检测box的中心纵坐标；x
gt
表示GT的中心横坐标；y
gt
表示GT的中心纵坐标；表示检测box和box
gt
的交并比。
[0022]进一步的，通过随机局部搜索算法对变电站数字表计检测网络模型的各层神经网络进行处理，得到失真率局部最小的置换矩阵P，包括：
[0023]通过随机局部搜索算法随机选择变电站数字表计检测网络模型的一层神经网络的权重矩阵W中的两行，当二者交换后的协方差小于交换前的协方差时将二者进行交换，否则不予交换；将上述操作迭代预定次数后结束搜索算法。
[0024]进一步的，采用SR
‑
C退火量化算法聚类求取用于重构权重矩阵W
P
的质心码本C和代码B，包括以下步骤：
[0025]在原始数据上增加随迭代次数逐渐降低的高斯噪声；
[0026]采用标准的K
‑
means聚类算法不断在含有噪声的数据上进行聚类操作；
[0027]将上述操作迭代预定次数后返回最终的聚类结果。
[0028]进一步的，采用SR
‑
C退火量化算法聚类求取用于重构权重矩阵WP的质心码本C和代码B，其中，
[0029]质心码本C为用于重构权重矩阵中所有子矢量的局部最小损失的质心集合；
[0030]代码B为利用集合C重构权重矩阵中每一个子矢量的局部最小损失的下标集合。
[0031]进一步的，根据原始数据集和损失函数微调质心码本C，包括：
[0032]对于不同层的多个质心，首先根据反向传播求取权重矩阵中各个质心所对应的梯度，再将各个质心所对应的梯度相加，最后将累加的梯度用于质心参数的更新。
[0033]基于相同的专利技术构思，本专利技术的一种变电站数字表计检测网络模型压缩系统，包括：
[0034]数据处理模块，用于采集变电站数字表计样本图像，并对采集到的变电站数字表计样本图像筛选扩充整理后进行预处理，形成训练集；
[0035]模型构建模块，用于利用训练集训练预先构建的基于改进的YOLOV5算法的网络模型，得到变电站数字表计检测网络模型；
[0036]模型处理模块，用于通过随机局部搜索算法对变电站数字表计检测网络模型的各层神经网络进行处理，得到失真率局部最小的置换矩阵P；
[0037]矩阵排列模块，用于利用置换矩阵P对神经网络的权重矩阵W进行重新排列，得到
新的权重矩阵W
P
；
[0038]聚类求取模块，用于采用SR
‑
C退火量化算法聚类求取用于重构权重矩阵W
P
的质心码本C和代码B；
[0039]微调模块，用于根据原始数据集和损失函数微调质心码本C；
[0040]部署模块，用于将质心码本C和代码B作为压缩后的变电站数字表计检测网络模型部署在边缘计算设备上；
[0041]数字表计识别模块，用于利用边缘计算设备上的变电站数字表计检测网络模型对变电站数字表计进行识别。
[0042]基于相同的专利技术构思，本专利技术的一种变电站数字表计检测网络模型压缩设备，包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该电子设备实现所述变电站数字表计检测网络模型压缩方法的步骤。
[0043]基于相同的专利技术构思，本专利技术一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，该程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变电站数字表计检测网络模型压缩方法和系统，其特征在于，包括以下步骤：采集变电站数字表计样本图像，并对采集到的变电站数字表计样本图像筛选扩充整理后进行预处理，形成训练集；利用训练集训练预先构建的基于改进的YOLOV5算法的网络模型，得到变电站数字表计检测网络模型；通过随机局部搜索算法对变电站数字表计检测网络模型的各层神经网络进行处理，得到失真率局部最小的置换矩阵P；利用置换矩阵P对变电站数字表计检测网络模型的各层神经网络的权重矩阵W进行重新排列，得到新的权重矩阵W
P
；采用SR
‑
C退火量化算法聚类求取用于重构权重矩阵W
P
的质心码本C和代码B；基于变电站采集数字样本图像数据集和损失函数通过优化算法微调质心码本C；将质心码本C和代码B作为压缩后的变电站数字表计检测网络模型部署在边缘计算设备上；利用边缘计算设备上的变电站数字表计检测网络模型对变电站数字表计进行识别。2.根据权利要求1所述的变电站数字表计检测网络模型压缩方法，其特征在于，利用训练集训练预先构建的基于改进的YOLOV5算法的网络模型，得到变电站数字表计检测网络模型，其中，基于改进的YOLOV5算法的网络模型的主干网络使用FasterNet网络进行特征提取；使用BiFormer注意力机制保留数字表计细节信息；损失函数采用Wise
‑
IoU代替原网络中的CIoU损失函数；使用Efficient
‑
RepGFPN替换YOLOV5中的Neck部分。3.根据权利要求1所述的变电站数字表计检测网络模型压缩方法，其特征在于，基于改进的YOLOV5算法的网络模型的构建过程如下：将原始的基于YOLOV5算法的网络模型的主干网络替换为FasterNet网络，FasterNet网络具有四个层次级，每个层次级之前设置一个嵌入层或一个合并层，用于空间下采样和信道数扩展；损失函数Wise
‑
IoU公式如下：IoU公式如下：其中，W
g
表示最小检测box的宽，H
g
表示最小检测box的高；x表示检测box的中心横坐标；y表示检测box的中心纵坐标；x
gt
表示GT的中心横坐标；y
gt
表示GT的中心纵坐标；表示检测box和box
gt
的交并比。4.根据权利要求1所述的变电站数字表计检测网络模型压缩方法，其特征在于，通过随机局部搜索算法对变电站数字表计检测网络模型的各层神经网络进行处理，得到失真率局部最小的置换矩阵P，包括：通过随机局部搜索算法随机选择变电站数字表计检测网络模型的一层神经网络的权重矩阵W中的两行，当二者交换后的协方差小于交换前的协方差时将二者进行交换，否则不予交换；...

【专利技术属性】
技术研发人员：张昭，常波，周华良，陈西海，周建新，姜啸远，曹勇，杨莎，黄树欣，裴玉龙，王晶，孙瀚，
申请(专利权)人：国电南瑞科技股份有限公司，
类型：发明
国别省市：