一种基于轻量化网络的大型机械设备识别方法

1.一种基于轻量化网络的大型机械设备识别方法，其特征是，包括：获取将待识别大型机械设备的图像，对图像进行预处理；将预处理后的待识别图像输入预先训练的轻量化图像识别模型；根据所述轻量化图像识别模型的输出得到大型机械设备图像的识别结果，所述识别结果包括大型机械设备的类别和图像位置；其中，所述轻量化图像识别模型的训练方法包括：收集图像样本，所述图像样本中包括含多种大型机械设备的图像；对所述图像样本进行标注，基于图像样本及其标注信息得到训练数据集；将训练数据集中的数据输入预构建的DNN神经网络，利用交替方向乘子法ADMM对DNN神经网络进行迭代训练，得到低张量秩的DNN网络；对所述低张量秩的DNN网络的权重张量序列进行张量分解，基于张量分解结果使用随机梯度下降方法调整DNN网络的权重值；对调整后的DNN网络的权重值和激活值做二值化处理，得到训练完成的所述轻量化图像识别模型；其中，所述利用交替方向乘子法ADMM对DNN神经网络进行迭代训练的目标函数为： ；其中， 为DNN网络的损失函数，权重张量序列 ， 为权重张量序列的秩（TT-ranks）, 表示期望的秩；所述利用交替方向乘子法ADMM对DNN神经网络进行迭代训练的程包括：S11，定义一个 的指示函数： ；S12，根据所述 的指示函数，ADMM训练的目标函数表示为对以下凸优化问题的求解： ；其中， 为辅助变量；S13，确定S12中所述凸优化问题的标度对偶形式中相应的增广拉格朗日函数为： ；其中， 为双重乘数， 为惩罚参数；S14，根据增广拉格朗日函数，确定迭代公式为： ；其中， 表示第 次迭代；S15，按照S14确定的迭代公式进行迭代求解，得到满足预设迭代终止条件的权重张量序列。 2.根据权利要求1述的方法，其特征是，步骤S15中进行迭代求解时：求解 的方法为：对 求偏导： ，得到： ；式中， 表示学习率；求解 的方法为：根据公式： ，得到： 。 3.根据权利要求1所述的方法，其特征是，所述对所述低张量秩的DNN网络的权重张量序列进行张量分解，采用TT-format方法。 4.根据权利要求1所述的方法，其特征是，所述对调整后的DNN网络的权重值和激活值做二值化处理的公式为： ；式中， 为DNN网络的权重值或激活值， 为二值化处理后的值。 5.根据权利要求1所述的方法，其特征是，还包括：沿X轴移动DNN网络的激活函数，以改变激活函数的阈值，使得二进制激活层的输出分布不平衡。 6.根据权利要求1所述的方法，其特征是，在DNN网络的卷积层之后增加附加激活函数LeakyReLU，并设置LeakyReLU函数的负范围斜率为0-1范围内的较小值。 7.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该计算机程序被处理器执行时，实现如权利要求1-6任一项所述的基于轻量化网络的大型机械设备识别方法。