基于边缘计算的轻量化识别方法

作者：李致金; 汤佳辉; 闫金凤

来源：计算机工程, 2023, 1-15.

DOI：10.19678/j.issn.1000-3428.0067836

• 深度学习
• 注意力模块
• 轻量级模型
• 迁移学习
• 边缘设备

“新零售”模式的出现，对传统零售业的转型以及提供更好的消费体验具有重要意义。然而，目前市场上现有的无人水果秤还存在一些问题，比如识别率低、模型结构复杂、部署困难、模型推理实时性差等。为了解决这些问题，本文提出了一种基于边缘计算的轻量化识别方法。首先，选用MobileNext作为主干网络。其次，引入轻量型的注意力模块CBAM以改进MobileNext中的SandGlass模块。随后，利用Ghost模块替换掉SandGlass模块中的标准1*1卷积，以压缩模型的参数量和运算量。最后，使用迁移学习的策略搭配NAdam优化器训练改进后的MobileNext模型，进一步提高了模型的识别精度。实验结果表明，在Fruit Recognition数据集上，本研究提出的识别方法在处理水果识别任务上达到了98.95%的识别准确率，优于原MobileNext模型、MobileNetV2和EfficientNet-B0等轻量级模型。相比于与原MobileNext模型，改进后的MobileNext模型识别准确率提高了1.17%，参数量仅为1.775M，且推理时间仅为16.5ms。在实际的零售场景下，该方法只需很小的参数量和运算量就能实现较好的识别效果，并成功的部署在了边缘设备上。

• 单位
  南京信息工程大学