(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 202210408707.0 (22)申请日 2022.04.19 (71)申请人 深圳市宏电技 术股份有限公司 地址 518000 广东省深圳市龙岗区布吉街 道甘李工业园甘李六路12 号中海信科 技园厂房第一栋A座14层、 1501、 1502、 1503、 16层 (72)发明人 张小虎　左绍舟　郭泽辰　龚潇　 (74)专利代理 机构 深圳中一联合知识产权代理 有限公司 4 4414 专利代理师 杨博 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 20/00(2019.01) (54)发明名称 图像识别、 工人安全帽佩戴识别方法、 装置 及可读介质 (57)摘要 本申请提供一种图像识别、 工人安全帽佩戴 识别方法、 装置及可读介质， 其方法包括： 获取待 识别图像； 将所述待识别图像输入到图像识别模 型， 得到识别结果； 其中， 所述图像识别模型的激 活函数为线性函数， 并且所述线性函数包括多个 可调节的权重系数， 本申请通过将线性函数作为 图像识别模 型的激活函数， 同时设置多个可调节 的线性函数的权重系数， 进而保证了激活函数的 拟合性， 另 一方面降低了模型计算量， 达到模型 压缩的目的， 从而可以在边 缘终端中运行。 权利要求书1页 说明书8页 附图5页 CN 114821468 A 2022.07.29 CN 114821468 A 1.一种图像识别方法， 其特 征在于， 包括： 获取待识别图像； 将所述待识别图像输入到图像识别模型， 得到识别结果； 其中， 所述图像识别模型的激 活函数为线性 函数， 并且所述线性 函数包括多个可调节的权 重系数。 2.根据权利要求1所述的图像识别方法， 其特 征在于， 还 包括： 基于YOLO算法建立机器学习模型， 所述机器学习模型包括卷积层； 将所述机器学习模型中的卷积层替换为 挤压激励块； 利用历史图像训练替换挤压 激励块之后的机器学习模型， 得到所述图像识别模型。 3.根据权利要求2所述的图像识别方法， 其特 征在于， 还 包括： 在利用历史图像训练所述机器学习 模型的过程中， 对所述挤压激励块形成的卷积通道 进行剪枝处 理。 4.根据权利要求2所述的图像识别方法， 其特 征在于， 还 包括： 获取训练结束后的所述图像识别模型中的权 重矩阵； 对所述权重矩阵中的所有原始权重进行量化归并处理， 得到设定比特位的更新权重； 其中所述更新权 重的字节长度小于所述原 始权重的字节长度。 5.根据权利要求4所述的图像识别方法， 其特征在于， 所述对所述权重矩阵中的所有原 始权重进行量 化归并处 理， 得到设定比特位的更新权 重， 包括： 对所有原 始权重以及所有原 始权重的作差绝对值进行对数运 算， 得到对数 结果； 选取所述对数 结果中的设定比特位数的整数， 并作为所述更新权 重。 6.根据权利要求5所述的图像识别方法， 其特 征在于， 所述设定比特位数为八位。 7.根据权利要求5所述的图像识别方法， 其特征在于， 所述将所述机器学习模型中的卷 积层替换为 挤压激励块， 包括： 采用可变量 化内核替换 所述卷积层； 对所述可变量 化内核进行分布式移位操作。 8.一种工人安全帽佩戴识别方法， 其特 征在于， 包括： 获取待识别的工人安全帽佩戴图像； 将所述工人安全帽佩戴图像输入到图像识别 模型， 得到工人安全帽佩戴结果； 其中， 所 述图像识别模型的激活函数为线性 函数， 并且所述线性 函数包括多个可调节的权 重系数。 9.一种图像识别装置， 其特 征在于， 包括： 获取模块， 获取待识别图像； 识别模块， 将所述待识别图像输入到图像识别模型， 得到识别结果； 其中， 所述图像识 别模型的激活函数为线性 函数， 并且所述线性 函数包括多个可调节的权 重系数。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现权利要求1至8任一项所述的方法的步骤。权　利　要　求　书 1/1 页 2 CN 114821468 A 2图像识别、 工人安全帽佩 戴识别方 法、 装置及可读介质 技术领域 [0001]本申请涉及图像处理技术领域， 具体涉及一种图像识别、 工人安全帽佩戴识别方 法、 装置及可读介质。 背景技术 [0002]目前模型压缩是机器学习重要方向之一， 通常一个模型不可能单独在GPU和服务 器上运行才可以， 其计算量对于边缘终端如手机、 智能设备来说， 是不现实的。 但是对于某 些场景， 通常不具备布置大型服务器的条件， 例如在施工作业区域， 如挖矿区域、 石油开采 区域等， 本身不具备布置大型计算设备的条件， 其内部通信环境也无法与外界保持通畅， 大 型数据无法送出， 而上述区域存在机器学习的需要， 例如施工作业环境下对工人是否佩戴 安全帽进 行自动检测的场景， 需要 结合机器学习完成， 但由于上述原因， 目前还没有 可以在 上述示例中的场景 下运行的机器学习模型， 存在诸多不足。 发明内容 [0003]针对现有技术中对于某些场景， 通常不具备布置大型服务器的条件时如何运行机 器学习模型的问题， 本申请提供一种图像识别、 工人安全帽佩戴识别方法、 装置及可读介 质。 [0004]本申请的第一方面实施例提供一种图像识别方法， 包括： [0005]获取待识别图像； [0006]将所述待识别图像输入到图像识别模型， 得到识别结果； 其中， 所述图像识别模型 的激活函数为线性 函数， 并且所述线性 函数包括多个可调节的权 重系数。 [0007]在某些实施例中， 还 包括： [0008]基于YOLO算法建立机器学习模型， 所述机器学习模型包括卷积层； [0009]将所述机器学习模型中的卷积层替换为 挤压激励块； [0010]利用历史图像训练替换挤压激励块之后的机器学习模型， 得到所述图像识别模 型。 [0011]在某些实施例中， 还 包括： [0012]在利用历史图像训练所述机器学习模型的过程中， 对所述挤压激励块形成的卷积 通道进行剪枝处 理。 [0013]在某些实施例中， 还 包括： [0014]获取训练结束后的所述图像识别模型中的权 重矩阵； [0015]对所述权重矩阵中的所有原始权重进行量化归并处理， 得到设定比特位的更新权 重； 其中所述更新权 重的字节长度小于所述原 始权重的字节长度。 [0016]在某些实施例中， 所述对所述权重矩阵中的所有原始权重进行量化归并处理， 得 到设定比特位的更新权 重， 包括： [0017]对所有原 始权重以及所有原 始权重的作差绝对值进行对数运 算， 得到对数 结果；说　明　书 1/8 页 3 CN 114821468 A 3