(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211144981.8 (22)申请日 2022.09.20 (71)申请人 国网安徽省电力有限公司电力科 学 研究院 地址 230000 安徽省合肥市经济开发区紫 云路299号 申请人 国家电网有限公司 (72)发明人 张佳庆　刘睿　黄勇　周亦夫　 谢佳　黄伟民　过羿　黄玉彪　 朱太云　刘辉　汪书苹　何旸　 (74)专利代理 机构 合肥市浩智运专利代理事务 所(普通合伙) 34124 专利代理师 闫客 (51)Int.Cl. G06V 10/82(2022.01)G06V 10/764(2022.01) G06V 10/80(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 轻量级卷积神经网络的火灾检测方法、 装置 及设备 (57)摘要 本发明公开一种轻量级卷积神经网络的火 灾检测方法、 装置及设备， 属于火灾检测技术领 域， 所述方法包括获取特高压换流变压器区域图 像； 将特高压换流变压器区域图像输入至预先训 练好的火灾识别网络模型， 得到火灾检测结果； 其中， 火灾识别网络模型包括SSD目标识别网络， SSD目标识别网络的主干 特征提取网络为轻量级 网络MobileNetV2， 轻量级网络MobileNetV2中加 入注意力机制Squeez e‑and‑Excitation。 本发明 以轻量级网络MobilNetV2为基础， 加入了SE注意 力机制， 以极小的计算量增加， 在不明显损失精 度的条件下， 达 到更快的运行速度。 权利要求书3页 说明书10页 附图3页 CN 115424116 A 2022.12.02 CN 115424116 A 1.一种轻量级卷积神经网络的火灾检测方法， 其特 征在于， 所述方法包括： 获取特高压换流变压器区域图像； 将所述特高压换流变压器区域图像输入至预先训练好的火灾识别网络模型， 得到火灾 检测结果； 其中， 所述火灾识别网络模型包括SSD目标识别网络， 所述SSD目标识别网络的主干特 征提取网络为轻量级网络MobileNetV2， 轻量级网络MobileNetV2中加入注意力机制 Squeeze‑and‑Excitati on。 2.如权利要求1所述的轻量级卷积神经网络的火灾检测方法， 其特征在于， 所述注意力 机制Squeeze ‑and‑Excitation包括挤压操作和激励操作， 其中挤压操作采用全局平均池化 层， 激励操作采用两个全连接层， 其中： 所述挤压操作用于对空间维度为H ×W的特征图在第c个通道 做以下操作： 其中， zc是第c个通道的输出； 输入uc是第c个通道的单层特 征图； 所述激励操作用于捕获通道之间的依赖关系， 将第c个通道的激励计算表示 为： 其中， 最后的输出 uc表示输入； ·表示为通道级别的乘法； σ代表 sigmoid激活函数； 代表捕获通道之间依赖关系的变换函数， 公式表示 为： 其中， 分别为两个全连接层的权 重。 3.如权利要求1所述的轻量级卷积神经网络的火灾检测方法， 其特征在于， 所述轻量级 网络MobileNetV2中每个Bottlenck操作加入所述注意力机制Squeez e‑and‑Excitation， 所 述Bottlenck操作包括步长为1的第一Bottlenck操作和步长为2的第二Bottlenck操作， 其 中： 第一Bottlenck操作包括卷积层一、 卷积层二和深度可分离卷积层， 输入特征图经所述 卷积层一输入， 所述卷积层一的输出经所述深度可分离卷积层连接所述卷积层二， 所述卷 积层二的输出与所述注意力机制Squeeze ‑and‑Excitation连接， 所述注意力机制Squeeze ‑ and‑Excitation的输出与所述卷积层二的输出经相乘操作后与所述输入特征图进行拼接 得到输出结果； 第二Bottlenck操作包括卷积层一、 卷积层二和深度可分离卷积层， 输入特征图经所述 卷积层一输入， 所述卷积层一的输出经所述深度可分离卷积层连接所述卷积层二， 所述卷 积层二的输出与所述注意力机制Squeeze ‑and‑Excitation连接， 所述注意力机制Squeeze ‑ and‑Excitati on的输出与所述卷积层二的输出 经相乘操作后得到 输出结果。 4.如权利要求1所述的轻量级卷积神经网络的火灾检测方法， 其特征在于， 所述方法还 包括： 获取火灾数据图像， 并对所述火灾数据图像进行标注， 得到火灾分类数据集和火灾检权　利　要　求　书 1/3 页 2 CN 115424116 A 2测数据集； 利用所述火灾分类数据集对轻量级网络MobileNetV2进行训练和测试， 得到训练好的 轻量级卷积神经网络， 所述轻量级网络MobileNetV2中加入注意力机制Squeeze ‑and‑ Excitati on； 将轻量级卷积神经网络作为SSD 目标识别网络的主干特征提取网络， 在所述火灾检测 数据集上使用Adam优化器对所述SSD目标识别网络进行训练和测试， 得到训练好的所述火 灾识别网络模型。 5.如权利要求4所述的用于火灾检测的轻量级卷积神经网络训练方法， 其特征在于， 所 述利用所述火灾分类数据集对轻量级网络MobileNetV2进行训练和测试， 得到训练好的轻 量级卷积神经网络， 包括： 设置初始学习率lr为0.1， 动量momentum为0.9， 权重衰减weight_decay为1e ‑4， 批量数 Batch_size为64， 共训练15 0epoch； 基于所述火灾分类数据， 使用随机梯度下降法优化训练所述轻量级网络MobileNetV2， 得到训练好的轻量级卷积神经网络； 分别在epoch为50和100时， 将学习率衰减为原来的0.1倍， 加速所述轻量级网络 MobileNetV2收敛， 得到训练好的轻量级卷积神经网络 。 6.如权利要求4所述的用于火灾检测的轻量级卷积神经网络训练方法， 其特征在于， 所 述在所述火灾检测数据集上使用Adam优化器对所述SSD目标识别网络进行训练和测试， 得 到训练好的火灾识别网络模型， 包括： 选择Adam优化器训练250ep och， 初始学习率为1e ‑3， 批量数Batch_size为16， 权重衰减 weight_decay为5e ‑4； 在所述火灾检测数据集上使用Adam优化器对所述S SD目标识别网络进行训练； 分别在150epoch和200epoch， 将学习率衰减为原来 的0.1倍， 加速所述SSD目标识别网 络收敛， 得到训练好的火灾识别网络模型。 7.如权利要求4所述的用于火灾检测的轻量级卷积神经网络训练方法， 其特征在于， 在 所述获取火灾数据图像， 并对所述火灾数据图像进行标注， 得到火灾分类数据集和火灾检 测数据集之后， 所述方法还 包括： 对所述火灾数据图像进行预处理， 将所述火灾分类数据集中的图像缩放至第一尺寸， 将所述火灾检测数据集中的图像缩放至第二尺寸， 所述第一尺寸小于所述第二尺寸； 对缩放至第一尺寸的图像放大后再缩放至所述第一尺寸， 然后进行水平翻转操作， 得 到增强后的火灾分类数据集； 对缩放至第二尺寸的图像进行 数据增强处 理， 得到增强后的火灾检测数据集。 8.一种用于火灾检测的轻量级卷积神经网络训练装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取 特高压换流变压器区域图像； 检测模块， 用于将所述特高压换流变压器区域图像输入至预先训练好的火灾识别网络 模型， 得到火灾检测结果； 其中， 所述火灾识别网络模型包括SSD目标识别网络， 所述SSD目标识别网络的主干特 征提取网络为轻量级网络MobileNetV2， 轻量级网络MobileNetV2中加入注意力机制 Squeeze‑and‑Excitati on。权　利　要　求　书 2/3 页 3 CN 115424116 A 3