1.一种基于深度学习的边缘计算电机油污识别方法,其特征在于,包含以下步骤:S1:收集发生油液渗漏的工业机器图片,制作样本数据集;
S2:在Amazon SageMaker中完成深度学习模型的训练及裁剪,即在YOLOv3算法的置信度损失函数中引入Focal loss,利用损失函数来训练及修剪深度学习模型;
S3:通过亚马逊云将Amazon SageMaker中训练及裁剪后的深度学习模型远程部署到搭建AWS IoT Greengrass环境的边缘设备中;
S4:在边缘设备中导入实时拍摄的工业机器图片,通过深度学习模型自动识别是否发生油液渗漏并输出结果;
步骤S1包括:
收集发生油液渗漏的工业机器图片,手动标注出工业机器图片发生油液渗漏的机器部位,将油液渗漏点在机器部位的位置记为 其中是第j个油液渗漏点在第k张图片中的坐标位置, 分别为第j个油液渗漏点在第k张图片中的宽和高,N为第k张图片中油液渗漏点的数量,制作样本数据集;
步骤S2包含以下步骤:
S21:构建深度学习模型,在YOLOv3算法中采用Focal loss调节样本数据集中的正负样本对深度学习模型的贡献,在置信度损失函数中引入Focal loss;
S22:在Amazon SageMaker中训练深度学习模型,将样本数据集中的图片调整至416*
416,将调整后的图片送入卷积神经网络,对调整后的图片分别进行32倍降采样、16倍降采样及8倍降采样,分别得到13*13、26*26和52*52三种特征图,根据三种特征图计算深度学习模型预测值和样本数据集真实值之间的损失函数值,采用反向传播算法和梯度下降方法来训练卷积神经网络直至深度学习模型收敛,从而得到检测工业机器油液渗漏的深度学习模型;
S23:在Amazon SageMaker中裁剪深度学习模型,依次对卷积神经网络中每个卷积层的各个输入通道设定一个权重系数,所述权重系数向量β计算公式如下:其中,||.||F是F范数,N为样本数量,Xi是输入卷积核的第i个通道的数值矩阵,Wi是卷积核W的第i个通道中的滤波器权值,c为卷积核W的通道数,βi是β的第i个元素,λ是惩罚系数其初始值为0,||.||1是L1正则项;
通过逐渐增加λ调整各卷积层的输入通道权重系数向量β中零元素的数量,通过裁剪权重系数为0的通道及和通道对应的卷积核得到裁剪后的深度学习模型利用部分样本数据集再次进入步骤S22进行训练深度学习模型直至深度学习模型 收敛;
判断深度学习模型 的模型大小是否达到预设的阈值,如果达到预设的阈值停止裁剪并将裁剪后的深度学习模型利用样本数据集再次进入步骤S22进行训练深度学习模型直至收敛得到最终的深度学习模型 否则进入步骤S23进行裁剪深度学习模型。
2.根据权利要求1所述的一种基于深度学习的边缘计算电机油污识别方法,其特征在于,步骤S21中的引入Focal loss的置信度损失函数表达式如下:2
其中,S为样本数据集中图片被分割成的网格数,每个网格产生B个先验框, 表示第i个网格的第j个先验框负责这个目标对象, 表示第i个网格的第j个先验框不负责这个目标对象, 为置信度,权重系数α=0.25,动态缩放因子γ=2。
3.根据权利要求2所述的一种基于深度学习的边缘计算电机油污识别方法,其特征在于,步骤S4包含以下步骤:S41:在边缘设备中导入实时拍摄的工业机器图片,通过Lambda函数调用部署在边缘设备中的深度学习模型;
S42:深度学习模型中的卷积神经网络对输入的工业机器图片提取特征图并进行预测,得到所有预测框,根据置信度分值和IOU值采用非极大值抑制法去除冗余的预测框,得到最终的油液渗漏检测结果,对检测结果进行输出并对异常的图片进行报警。