1.一种语言导盲手杖,包括杖体、设置于杖体顶端的手柄以及设置于杖体底端的轮子,其特征在于,该手杖还包括:嵌入杖体的微处理器ARM,和所述微处理器ARM连接的深度神经网络模块、广角摄像头、阵列雷达、定位模块、电机和电源模块,所述电机与轮子连接;
所述广角摄像头用于采集手杖前端的路面信息,并将采集的图像数据发送至微处理器ARM;阵列雷达用于障碍物的精确测距;定位模块用于精确定位;电机用于驱动轮子;电源模块用于给整个导盲手杖提供电能;深度神经网络模块用于对广角摄像头采集的图像数据进行分析,识别交通路口的交通灯、人行横道和楼梯场景,根据图像进行障碍物识别;微处理器ARM用于协调和控制手杖的相关操作,根据阵列雷达的测距结果、定位模块的位置信息,进行精确的避障规划,然后驱动电机和轮子,实现导盲手杖的自动引路;
所述语言导盲手杖的轻量级深度神经网络优化方法,包括以下步骤:步骤一、初始化深度神经网络的结构和网络参数;
步骤二、采用不同的Loss函数对深度神经网络进行结构修剪和训练;
步骤三、对深度神经网络采用乘积量化的形式实现网络量化和权值共享;
步骤四、采用熵编码对深度神经网络的权值进行无损压缩,得到最终优化后的深度神经网络参数;
步骤五、将优化后的深度神经网络参数下载到所述语言导盲手杖的深度神经网络模块中;
所述步骤二中,具体为:
2.1)设定网络的修剪阈值、稀疏度、相似度和准确度参数;
2.2)采用Loss函数1训练网络,然后删除训练过程中低于阈值的网络参数和节点,直至达到设定的稀疏度,其中,Loss函数1定义如下:式(1)中Wj代表第j层的权值矩阵, 表示预测输出,y表示实际输出, 表示预测误差,||Wj||p表示权值矩阵Wj的p范数,作为惩罚项来控制模型的稀疏性,αj用来调节稀疏性惩罚项的比重;
2.3)采用Loss函数2训练网络,调整网络参数直至达到设定的相似度,其中,Loss函数2定义如下:式(2)中Wj代表第j层的权值矩阵,rj代表Wj的行数,cj代表Wj的列数,表示预测输出,y表示实际输出, 表示预测误差,|Wj(a,b)-Wj(a′,b′)|表示权值矩阵Wj中各参数间的差异,作为惩罚项来控制模型的多样性,模型参数的多样性越低,后续聚类的效果就越好, βj用来调节多样性惩罚项的比重;
2.4)采用Loss函数3训练网络,调整参数直至达到设定的准确度,其中,Loss函数3定义如下:式(3)中 表示预测输出,y表示实际输出, 表示预测误差。
2.根据权利要求1所述的语言导盲手杖,其特征在于,所述语言导盲手杖还包括和所述微处理器ARM连接的九轴传感器、网络通信模块,九轴传感器用于跌倒检测,网络通信模块用于导盲手杖的数据通信;在发生跌倒时,微处理器ARM结合所述定位模块产生报警信息,通过网络通信模块发送给指定联系人。
3.根据权利要求2所述的语言导盲手杖,其特征在于,所述网络通信模块为4G模块。
4.根据权利要求1或2所述的语言导盲手杖,其特征在于,所述定位模块为GPS定位模块或者北斗定位模块。
5.根据权利要求1或2所述的语言导盲手杖,其特征在于,所述语言导盲手杖还包括和所述微处理器ARM连接的语音模块,语音模块用于和盲人进行语音交互,并采集盲人的语音数据,接收用户对于导盲手杖的操作指令并上传至微处理器ARM。
6.根据权利要求5所述的语言导盲手杖,其特征在于,所述语言导盲手杖还包括蓝牙模块,蓝牙模块与语音模块连接,盲人通过佩戴带的蓝牙耳机和导盲手杖的蓝牙模块进行语音交互。
7.根据权利要求1所述的语言导盲手杖,其特征在于,所述步骤三中,具体为:
3.1)采用混沌动力学方程logistic序列来初始化聚类中心,logistic序列定义如下:c(t+1)=4c(t)(1-c(t)) 1≤t≤k (4)式(4)中c(t)为第t个聚类中心值,k为聚类中心数目;
3.2)将第j层的权值矩阵Wj按列分解成s个矩阵:
3.3)在每个 中采用k-means方法进行聚类:
式(6)中 代表 的第z行, 代表第n个聚类中心,k为聚类中心数,rj为Wj的行数;
3.4)聚类后,网络权值量化为聚类中心索引和聚类中心值。