关键词:
深度卷积网络
VGG
火焰检测
剪枝
摘要:
目的 野火预警大多采用烟雾或红外传感器检测,且这些传感器在大型开放式空间下,容易受到环境的影响,从而很难进行开放场所的精准火灾预警,而优越的火焰检测模型往往存在过多的参数量,且存在结构冗余的问题,基于此问题,提出一种改进的VGG深度卷积网络架构。方法 以映射变换为基础,进行像素值调整,在保证分类精度的前提下,采用L1正则化保证稀疏性,并基于BN层进行结构化剪枝,从而降低模型储存数据量,得到精简的模型。结果 大量的仿真试验结果表明:该方法在不同剪枝比例下,在野火架构数据集上,检测与勘误率依然能够保持高的准确精度,改进的模型在剪枝率为80%时,准确率达到了95.29%,提升了0.92%,并有效解决了模型过参数化的问题;通过不同的微调训练,模型精度略微超过没有进行剪枝时的模型,且在参数量上少了近20倍,并随着剪枝率的上升,检测效果在原有精度水平上无明显下降,甚至略高于原始模型精度,这说明在训练过程中,有大量的冗余权重。结论 该方法可以大幅度缩减模型的储存量,并可保证较高的分类精度,具有较好的实际应用意义,可以应用在神经网络存储计算能力较弱的嵌入式设备中。