公开(公告)号：CN112802006B

公开(公告)日：2024-03-22

申请号：CN202110176958.6

申请日：2021-02-07

Applicant: 南通大学

Inventor： 李跃华 ,  孙佳浩 ,  顾铭岑 ,  仲凡凡 ,  岳壮壮 ,  张豪威 ,  李朋 ,  李康

IPC: G06T7/00 ,  G06N3/0464 ,  G06N3/0495 ,  G06N3/082 ,  G06N3/084

Abstract: 本发明公开了一种基于深度学习的边缘计算电机油污识别方法，包含S1.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.远程部署深度学习模型到搭建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。所述油污识别方法实现了深度学习模型训练、裁剪和推理预测分离的目的，在云端训练及裁剪深度学习模型，上述剪裁后的深度学习模型适应边缘设备的资源和算力；在本地边缘设备使用深度学习模型进行油污检测，满足了油污识别数据实时处理的需求，所述深度学习模型小且精度高。

公开(公告)号：CN112802006A

公开(公告)日：2021-05-14

申请号：CN202110176958.6

申请日：2021-02-07

Applicant: 南通大学

Inventor： 李跃华 ,  孙佳浩 ,  顾铭岑 ,  仲凡凡 ,  岳壮壮 ,  张豪威 ,  李朋 ,  李康

IPC: G06T7/00 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的边缘计算电机油污识别方法，包含S1.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.远程部署深度学习模型到搭建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。所述油污识别方法实现了深度学习模型训练、裁剪和推理预测分离的目的，在云端训练及裁剪深度学习模型，上述剪裁后的深度学习模型适应边缘设备的资源和算力；在本地边缘设备使用深度学习模型进行油污检测，满足了油污识别数据实时处理的需求，所述深度学习模型小且精度高。