[发明专利]一种基于TinyML的火灾检测方法及装置

说明书

本发明公开一种基于TinyML的火灾检测方法及装置，涉及机器学习应用技术领域；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。

技术领域

本发明公开一种方法及装置，涉及机器学习应用技术领域，具体地说是一种基于TinyML的火灾检测方法及装置。

背景技术

目前火灾检测，通常有两种方案，一是通过摄像头提取图像视频并传到云端进行云服务化的检测和预警，另一种是通过在摄像头内直接集成算法模型等进行直接检测并只返回结果进行预警监控。其中第一种方案对于现场实施部分的设备要求较低，只需要具备摄录及网络传输功能，但对网络传输部分要求较高，需要实时传输至云端且要求保持稳定连接，成本、功耗较高。第二种方案对于集成度要求较高，需要在摄像头有限的内部空间里集成智能感知和计算的单元，通常是基于ARM架构的边缘计算单元和机器视觉算法，高集成度相对成本也较高，且持续全速运行的算法功耗较高。

发明内容

本发明针对现有技术的问题，提供一种基于TinyML的火灾检测方法及装置，通过TinyML算法和摄像头结合MCU作为视觉唤醒设备，以持续低功耗运行对场景火苗进行检测，当检测到火苗存在则发送信号唤醒高清摄像头和网络设备进行后续处置。

本发明提出的具体方案是：

本发明提供一种基于TinyML的火灾检测方法，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。

进一步，所述的一种基于TinyML的火灾检测方法中所述基于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。

进一步，所述的一种基于TinyML的火灾检测方法中所述根据 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。

进一步，所述的一种基于TinyML的火灾检测方法中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。

进一步，所述的一种基于TinyML的火灾检测方法中所述基于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。