[发明专利]一种基于TinyML的火灾检测方法及装置

权利要求书

1.一种基于TinyML的火灾检测方法，其特征是基于MCU微处理器拆解并用C语言分步建立TinyML算法的MobileNet-v1神经网络，根据MobileNet-v1神经网络利用公开的数据集进行火灾检测模型训练，对所述火灾检测模型的权重进行提取及量化，将量化后的火灾检测模型的权重作为超参数放入MobileNet-v1神经网络的代码，

通过所述火灾检测模型推理从云端获取的应用场景图像是否存在火焰，若存在火焰则唤醒边缘端设备采集图像进行火焰的准确定位。

2.根据权利要求1所述的一种基于TinyML的火灾检测方法，其特征是所述基于MCU微处理器拆解并用C语言分步建立TinyML算法的MobileNet-v1神经网络，包括：

建立MobileNet-v1神经网络层，包括深度可分离卷积层和全连接层。

3.根据权利要求1或2所述的一种基于TinyML的火灾检测方法，其特征是所述根据MobileNet-v1神经网络利用公开的数据集进行火灾检测模型训练，包括：

使用ImageNet-1k数据集进行火灾检测模型训练，得到预训练模型，

根据具体任务收集数据并进行预训练模型的迁移学习，获得火灾检测模型。

4.根据权利要求1所述的一种基于TinyML的火灾检测方法，其特征是所述对所述火灾检测模型的权重进行提取及量化，包括：

根据火灾检测模型训练的框架不同，选用对应的方式进行火灾检测模型的权重提取，对所述权重进行预量化，

利用量化公式x_quantized＝255*(x_float-x_min)/(x_max-x_min)对预量化后的权重进行量化，x_float为模型权重的每个数据的原始值，x_min为模型权重所有值的最小值，x_max为模型权重所有值的最大值。

5.根据权利要求1所述的一种基于TinyML的火灾检测方法，其特征是所述基于MCU微处理器，包括：

基于RISC-V架构的MCU微处理器，且使用基于FPGA的卷积加速单元。

6.一种基于TinyML的火灾检测装置，其特征是包括MCU模块，

所述MCU模块基于MCU微处理器拆解并用C语言分步建立TinyML算法的MobileNet-v1神经网络，根据MobileNet-v1神经网络利用公开的数据集进行火灾检测模型训练，对所述火灾检测模型的权重进行提取及量化，将量化后的火灾检测模型的权重作为超参数放入MobileNet-v1神经网络的代码，

通过所述火灾检测模型推理从云端获取的应用场景图像是否存在火焰，若存在火焰则唤醒边缘端设备采集图像进行火焰的准确定位。

7.根据权利要求6所述的一种基于TinyML的火灾检测装置，其特征是所述MCU模块拆解并用C语言分步建立TinyML算法的MobileNet-v1神经网络，包括：

建立MobileNet-v1神经网络层，包括深度可分离卷积层和全连接层。

8.根据权利要求6或7所述的一种基于TinyML的火灾检测装置，其特征是所述MCU模块根据MobileNet-v1神经网络利用公开的数据集进行火灾检测模型训练，包括：

使用ImageNet-1k数据集进行火灾检测模型训练，得到预训练模型，

根据具体任务收集数据并进行预训练模型的迁移学习，获得火灾检测模型。