买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安中核核仪器股份有限公司申请的专利基于双级剪枝和自适应量化的轻量化火灾检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119169420B 。

龙图腾网通过国家知识产权局官网在2025-06-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411190138.2，技术领域涉及：G06V10/80；该发明授权基于双级剪枝和自适应量化的轻量化火灾检测方法是由徐鹏涛;花锋;张连杰;毕仙鹏;彭珑丽;王馨蕊;陈卫聪设计研发完成，并于2024-08-28向国家知识产权局提交的专利申请。

本基于双级剪枝和自适应量化的轻量化火灾检测方法在说明书摘要公布了：本发明公开了一种基于双级剪枝和自适应量化的轻量化火灾检测方法，属于火灾检测机器学习应用领域。该方法根据火灾检测任务构建非轻量化的卷积神经网络模型，通过利用可融合分支卷积块替换原本模型中的卷积层，在模型训练时通过通道级重要性因子和层级重要性因子的稀疏化实现从通道级、层级两个层次上进行剪枝；再将可融合分支卷积的两条分支融合为普通卷积层，进一步通过自适应离群值百分比参数在对剪枝后模型进行量化处理，获得最优量化模型。该方法在通道级、层级两个层次上同时进行剪枝，又根据模型每层的特性自适应地进行量化，有效地实现了模型的轻量化；通过对火灾检测模型进行轻量化，解决了现有火灾检测模型硬件成本高和运行效率低的问题。

本发明授权基于双级剪枝和自适应量化的轻量化火灾检测方法在权利要求书中公布了：1.一种基于双级剪枝和自适应量化的轻量化火灾检测方法，其特征在于：该方法包括有如下步骤： 步骤1、根据待实现的火灾检测任务构建非轻量化的卷积神经网络模型，所述卷积神经网络模型包括有输入层、卷积层、池化层和输出层，输入层接收已知的火灾图像数据，并将其传递给卷积层，卷积层根据输入特征图输出对应的特征图，池化层对卷积层输出的特征图进行下采样，输出对应的特征图，输出层根据卷积层和池化层输出的特征图，做出最终的识别结果；该卷积神经网络包括有多个卷积层； 该卷积神经网络模型中的所有卷积层均采用可融合分支卷积块，可融合分支卷积块包括有主干分支和捷径分支，将主干分支和捷径分支的输出进行融合作为可融合分支卷积块最终的输出； 所述主干分支中输入特征图依次经过第一卷积层和批归一化层输出特征图，每条通道的特征图与对应通道的通道级重要性因子做线性乘积运算，得到各通道特征图，再与层级重要性因子作线性乘积运算，完成第一特征图的输出；所述捷径分支中输入特征图先经过特征图匹配操作后，每条通道的特征图与对应通道的通道级重要性因子做线性乘积运算，再与自适应信息控制因子作线性乘积运算，完成第二特征图的输出； 步骤2、对卷积神经网络模型进行L1稀疏化训练，使层级重要性因子和通道级重要性因子趋向于零，训练后将不重要的层和通道剪裁掉，融合未被剪裁的可融合分支卷积块为普通卷积层，融合后的卷积神经网络模型称为剪枝模型；不重要的层指的是该层的层级重要性因子小于0.0001，不重要的通道指的是该通道的通道级重要性因子小于0.0001； 步骤3、对剪枝模型进行量化，根据权重离群值百分比参数和激活值离群值百分比参数对每层网络进行权重离群值和激活值离群值进行去除；量化后的剪枝模型称为动态量化模型； 步骤4、以动态量化模型与剪枝模型输出的特征图的损失值最小作为优化目标，权重离群值百分比参数和激活值离群值百分比参数不断迭代，直至得到最终的权重离群值百分比参数和激活值离群值百分比参数； 步骤5、根据最终的权重离群值百分比参数和激活值离群值百分比参数对剪枝模型进行实际量化，实际量化后的模型为基于双级剪枝和自适应量化的轻量化火灾检测模型； 步骤6、将待检测的火灾图像输入到基于双级剪枝和自适应量化的轻量化火灾检测模型中，输出对应的识别结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安中核核仪器股份有限公司，其通讯地址为：710061 陕西省西安市雁塔区小寨东路108号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。