(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211108045.1 (22)申请日 2022.09.13 (71)申请人 山东浪潮科 学研究院有限公司 地址 250101 山东省济南市历下区高新区 浪潮路10 36号S02号楼 (72)发明人 刘玉国　段强　李锐　姜凯　 (74)专利代理 机构 济南泉城专利商标事务所 37218 专利代理师 刘德 (51)Int.Cl. G06V 40/16(2022.01) G06V 10/94(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01)G06N 3/04(2006.01) G07C 9/00(2020.01) (54)发明名称 一种基于低功耗平台的智能安防系统 (57)摘要 一种基于低功耗平台的智能安防系统， 通过 压缩量化MobileNetv2网络并将其部署到 K210开 发板上， 以持续低功耗运行对人脸进行检测。 首 先使用WIDER人脸数据集对MobileNetV2网络进 行训练， 然后将训练好的网络进行改编对比， 再 通过选定不同的定点量化系数对模型进行定点 量化。 之后将模型转换为KModel格式， 部署到 K210开发板 上进行推理； 通过WiFi模 块将数据上 传至服务器进行人脸对比， 最后将对比结果返回 并对开关进行控制。 权利要求书1页 说明书3页 附图1页 CN 115457630 A 2022.12.09 CN 115457630 A 1.一种基于低功耗平台的智能安防系统， 其特 征在于， 包括如下步骤： a)使用WINDR人脸数据集对Mobi leNetV2网络进行训练； b)通过固定 MobileNetV2网络不同层数的权 重对Mobi leNetV2网络进行改编； c)对比Mobi leNetV2网络各个输出层的检测精度， 选取量 化系数n； d)对比不同量化系数n得到的模型大小与检测进度， 确定量化后的MobileNetV2网络模 型； e)将量化后的Mobi leNetV2网络模型进行简化， 将其格式转 为KModel； f)将KModel烧录 到K210开发板上； g)K210开发板获取人脸图像 并在K210开发板上进行模型推理， 将推理后的检测到人脸 数据上传至服 务器进行 数据对比； h)服务器将比对结果传回K210开发板， 如果人脸比对成功则控制门锁开启。 2.根据权利要求1所述的基于低功耗平台的智能安防系统， 其特征在于： 步骤a)中所述 MobileNetV2网络中第98层的输出作为断点A， 断点A的输出为OutA， 第99层的输出作为断点 B， 断点B的输出为OutB， 在断点A后增加第一输出卷积块， 在断点B后增加第二输出卷积块， OutA经过第一输出卷积块卷积后与OutB经过第二输出卷积块后进行Concat连接， 连接后经 第三输出 卷积块后输出。 3.根据权利要求1所述的基于低功耗平台的智能安防系统， 其特征在于， 步骤b)中固定 MobileNetV2网络不同层数的权重的方法为： 将MobileNetV2网络中权重中的数值由 Folat32转为int8， 量化后权重的范围为[0.25 5]。 4.根据权利要求3所述的基于低功耗平台的智能安防系统， 其特征在于： 步骤d)中通过 公式 计算得到量化后的MobileNetV2网络权重的类型xinteger， 式 中xfloat为量化前的Mobi leNetV2网络权重类型， 5.根据权利要求1所述的基于低功耗平台的智能安防系统， 其特征在于： 步骤c)中n取 值为9。 6.根据权利要求1所述的基于低功耗平台的智能安防系统， 其特征在于： 步骤e)包括如 下步骤： e‑1)使用ON NX工具包将Pytorc h搭建的Mobi leNetV2网络模型转 为ONNX； e‑2)使用nncase工具包将ON NX转换为KModel。 7.根据权利要求1所述的基于低功耗平台的智能安防系统， 其特征在于： 步骤f)中将 KModel通过kflash_gui烧录 到K210开发板的Flash中的对应地址上。 8.根据权利要求1所述的基于低功耗平台的智能安防系统， 其特征在于： 步骤g)中通过 MaixPy IDE连接K210开发板编辑并执行加载、 推理及后处理的代码文件， 检测到的人脸数 据通过K210开发板上的W iFi模块与服 务器进行MQT T通信。权　利　要　求　书 1/1 页 2 CN 115457630 A 2一种基于低功耗平台的智能安防系统 技术领域 [0001]本发明涉及深度学习技 术领域， 具体涉及一种基于低功耗平台的智能安防系统。 背景技术 [0002]近年来， 国内安防市场保持着升温趋势， 智能化成为安防产业的大势所趋。 智能安 防在原基础上升级， 采用多项 先进技术， 如物联网、 大数据、 人工智能等技术结合， 利用高科 技提高区域治安， 有效提高城市安全管理资源。 目前智能安防基本都是采用深度学习技术 来对行人、 车辆等进 行检测， 但局限于硬件平台的性能， 只能将这些复杂的算法嵌入到一些 流行的深度神经网络推理的专用设备中。 虽然这些平台在部署的算法上保持了良好的准确 性， 但它们仍然需要大量的能量并且包含大型硬件组件， 这使得它们不适合使用电池运行 的极低功耗机器学习， 并且造价相对较高。 发明内容 [0003]本发明为了克服以上技术的不足， 提供了一种降低智能安防系统的构建成本和降 低耗能的基于低功耗平台的智能安防系统。 [0004]本发明克服 其技术问题所采用的技 术方案是： [0005]一种基于低功耗平台的智能安防系统， 包括如下步骤： [0006]a)使用WINDR人脸数据集对Mobi leNetV2网络进行训练； [0007]b)通过固定 MobileNetV2网络不同层数的权 重对Mobi leNetV2网络进行改编； [0008]c)对比Mobi leNetV2网络各个输出层的检测精度， 选取量 化系数n； [0009]d)对比不同量化系数n得到的模型大小与检测进度， 确定量化后的MobileNetV2网 络模型； [0010]e)将量化后的Mobi leNetV2网络模型进行简化， 将其格式转 为KModel； [0011]f)将KModel烧录 到K210开发板上； [0012]g)K210开发板 获取人脸图像并在K210开发板上进行模型推理， 将推理后的检测到 人脸数据上传至服 务器进行 数据对比； [0013]h)服务器将比对结果传回K210开发板， 如果人脸比对成功则控制门锁开启。 [0014]进一步的， 步骤a)中所述MobileNetV2网络中第98层的输出作为断点A， 断点A的输 出为OutA， 第99层的输出作为断点B， 断点B的输出为OutB， 在断点A后增加第一输出卷积块， 在断点B后增加第二输出卷积块， OutA经过第一输出卷积块卷积后与OutB经过第二输出卷 积块后进行Co ncat连接， 连接后经第三输出 卷积块后输出。 [0015]进一步的， 步骤b)中固定MobileNetV2网络不同层数的权重的方法为： 将 MobileNetV2网络中权 重中的数值由Fo lat32转为int8， 量化后权重的范围为[0.25 5]。 [0016]进一步的， 步骤d)中通过公式 计算得到量化后的 MobileNetV2网络权重的类型xinteger， 式中xfloat为量化前的MobileNetV2网络权重类型，说　明　书 1/3 页 3 CN 115457630 A 3