一种用于森林火灾识别的动态剪枝网络设计方法

技术领域

本发明涉及计算机视觉技术领域，具体为一种用于森林火灾识别的动态剪枝网络设计方法。

背景技术

森林火灾指的是在林地内自由蔓延和扩展，对森林、森林生态系统和人类带来一定危害和损失的林火行为。它的发生会对森林资源、土壤结构、生物多样性进行破坏，还会产生大量的烟尘和有害气体污染环境，影响水文循环。有时还会造成人员伤亡。

现有技术中，建立森林火灾智能预警系统是目前森林防火的重要发展方向。人工智能物联网技术的发展,为实施森林火灾智能监控提供了新的机遇。通过前端摄像头和搭载轻量化森林火灾目标检测模型的嵌入式设备,可以实现大范围、高密度的森林火灾监控。

发明内容

本发明的目的在于提供一种用于森林火灾识别的动态剪枝网络设计方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种用于森林火灾识别的动态剪枝网络设计方法，所述动态剪枝网络设计方法包括以下步骤：

步骤1人工设计出应用于小目标检测的轻量化模型；

步骤2初始化步骤1的网络和准备训练集；

步骤3训练一定轮次，计算网络验证集的精度；

步骤4综合计算通道排序后，每次将排列在前面1％的通道参数置0，产生对应的掩码，进行剪枝；

步骤5重复步骤3和步骤4进行边训练；

步骤6完成剪枝，进行网络测试。

优选的，人工设计出应用于小目标检测的轻量化模型时，将现在适用于移动网络的MobileNet系列网络和用于目标检测的单步检测网络SSD结合。

优选的，初始化步骤1的网络和准备训练集时，验证集和测试集，并设定训练的相关参数。

优选的，训练一定轮次，计算网络验证集的精度时，两种不同的通道分别计算两种不同的重要性判别准则并排序。

优选的，重复步骤3和步骤4进行边训练，边验证，边剪枝。

优选的，完成剪枝，进行网络测试时，符合精度后布置到嵌入式设备中结合小型摄像头进行森林火灾的识别。

与现有技术相比，本发明的有益效果是：

本发明提出的用于森林火灾识别的动态剪枝网络设计方法，设计用于识别森林火灾的轻量化网络结构；初始化网络并设定相应的数据集；训练一定轮次，计算网络验证集的精度，计算通道重要性判别分数并排序；综合计算通道排序进行剪枝。重复以上步骤，进行网络测试，符合精度后布置到嵌入式设备中，实现大范围、高密度的森林火灾监控。

附图说明

图1为本发明人工设计的总网络结构图；

图2为本发明方法流程图。

具体实施方式

为了使本发明的目的、技术方案进行清楚、完整地描述，及优点更加清楚明白，以下结合附图对本发明实施例进行进一步详细说明。应当理解，此处所描述的具体实施例是本发明一部分实施例，而不是全部的实施例，仅仅用以解释本发明实施例，并不用于限定本发明实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1至图2，本发明提供一种技术方案：一种用于森林火灾识别的动态剪枝网络设计方法，所述动态剪枝网络设计方法包括以下步骤：

1.人工设计出轻量化模型：将MobileOne和SSD网络结合。SSD的网络主要由VGG16作为主干网络，再加上4个额外的卷积层(图1(a))。其中分类和回归预测总共提取SSD网络结构中的6层。浅层特征图用于提取小目标，而深层的特征图则用于提取较大的目标。首先我们将整个主干网络VGG16替换为MobileOne-S0结构。MobileOne-S0中stage7为平均池化层，所以我们只截取到前面的stage6为止。另外额外的4个卷积层也替换为4个深度可分离卷积。此外由于我们的模型是应用于森林火灾的目标检测任务，由于是需要在较远的目标检测到火灾的发生，所以摄像头检测的对象都是一些小目标。针对这个网络的特殊性，分类和回归预测提取的6层中，我们取消了1*1的特征输出图，再加上了一层19*19作为特征输出层。再将MobileOne-S0中stage6的通道由512改为1024。依次获取MobileOne-S0的stage3，stage4，stage5，stage6和2个额外层的输出特征图(图1(b))

2.将预训练ImageNet网络的权重初始化步骤1的网络，准备检测森林数据集并根据8:1:1划分训练集，验证集和测试集。并设定训练集的训练参数：数据读取的批次大小为32，权重衰减系数为0.0001，随机梯度下降的动量设置为0.9。初始学习率设置为0.01，使用余弦退火来调整学习率。训练迭代轮次为2000轮。

3.训练每一定的轮次后计算网络验证集的精度，然后分别计算各个通道的两种重要性分数，并按照3*3和1*1通道分开计算两种通道重要性，并按低到高排序，并按通道的顺序返回排序的结果。

每一定的轮次规则如下前500轮，每10轮计算一次，共计算50次。500-1000轮，每20轮计算一次，共计算25次。1000-2000轮，每40轮计算一次，共25次。

两种重要性分数分别为Batchnorm层的缩放参数γ和下面的公式

其中C

C

4.将每一种通道(例如3*3)的两种通道重要性排序的序号相加(例如第5号通道的两种通道重要性的序号分别是17和30，那么5号通道的综合排序序号为47)，再进行从低到高的排序通道排序后，每次将排列在前面1％的通道参数置0(3*3和1*1通道分开计算，例如3*3的通道有1000个，1*1通道有2000个，则将3*3的通道前10个置0，将1*1通道前20个置0)，产生对应的掩码，进行剪枝。

5.重复步骤3和步骤4进行边训练，边验证，边剪枝。记录每次验证集的精度。

剪枝到精度大幅度下降后，停止剪枝。进行测试集精度的计算，符合指标后将剪枝完成的模型进行实际网络模型的压缩，并布置到森林火灾智能预警系统的嵌入式设备上结合小型摄像头进行森林火灾的识别。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。