利用轻量化深度学习模型和加速度信号的枪击识别方法.pdf
《利用轻量化深度学习模型和加速度信号的枪击识别方法.pdf》由会员分享,可在线阅读,更多相关《利用轻量化深度学习模型和加速度信号的枪击识别方法.pdf(7页珍藏版)》请在咨信网上搜索。
1、针对不同类型的枪击加速度信号,采用深度学习的方法,提出一种新的兼顾精度和轻量化的时间序列(ENT)模型进行研究.该架构核心由注意力倒置残差模块与倒置残差模块组成,能够自动提取枪击加速度信号特征,对不同输人时间尺度更具鲁棒性.在识别精确率方面达到97.42%,超越传统枪击识别算法,在公开枪击数据集上与SVM、决策树、随机森林3种传统机器学习模型,以及FCN、R e s Ne t、In c e p t i o n t i me、Xc e p t i o n t i me 等4种时间序列深度学习模型对比.实验结果表明:ENT模型更加高效,识别精确率更高.关键词:枪击识别;加速度;高精度;轻量化;时间
2、序列模型中图分类号:TP391.4;E92 0.2Gunshot detection based on lightweight deep learning model and acceleration signalZHENG Haoxin,CHEN Zhicong,WU Lijun,LIN Peijie,CHENG Shuying(Institute of Micro-Nano Devices and Solar Cells,College of Physics and Information Engineering,Abstract:In contrast to the convention
3、al method,this research employs for the first time a deeplearning strategy to examine various types of gunshot acceleration signals.A novel time series classifi-cation model called EfficientNettime has been proposed,capable of balancing recognition accuracy andmodel lightweight.The core of this arch
4、itecture is composed of MBConvtime and Fused-MBConvtimemodules,which can automatically extract the characteristics of gunshot acceleration signals and aremore robust to different input time scales.The proposed model is verified and compared with threeconventional machine learning models(SVM,Decision
5、 Tree,and Random Forest)and four other deeplearning time series models(FCN,ResNet,Inceptiontime,and Xceptiontime),using a publiclyavailable gunshot dataset.The experimental results show that the recognition precision of EfficientNet-time model reaches 97.42%beyond the traditional gunshot recognition
6、 algorithm,and the model ismore efficient and has higher recognition precision.Keywords:gunshot recognition;acceleration;high accuracy;light-weighting;EfficientNettime model文献标识码:AFuzhou University,Fuzhou,Fujian 350108,China)0引言近年来,非法贩运和滥用枪支对全球安全构成严重的威胁在枪击监测识别上采取有针对性的干预措施,除了需要在行政方面进行干预外,还需要在技术层面提供可靠
7、的支持。现有的枪击识别手段主要利用声学系统识别定位的方法,在定位敌人方面具有良好的准确性。然而,这类识别方案具有一定的局限性,在枪声传播50 m后,声信号质量明显下降,回声的存在和麦克风方向的变化会造成实际场景中的探测困难。若从枪击者自身获取枪声数据,采用声学阵列进行繁重的音频处理,会使得嵌人式设备的计算密集,最终成为耗电系统2 利用加速度传感器进行枪击识别提供了解决问题的全新思路.由于后坐力是接触特定的,不容易在人与人之间传递,所以从枪击者身上获取加速度信号能够精准定位持有枪支的人员.收稿日期:2 0 2 2-0 8-2 8通信作者:陈志聪(198 3-),副教授,主要从事故障诊断、机器学习
8、、智能信号处理等研究,基金项目:国家自然科学基金面上资助项目(6 2 2 7 1151);福建省自然科学基金面上资助项目(2 0 2 1J01580):476 随着物联网的发展与微型传感器的出现,利用加速度传感器识别枪击信号可以帮助刑侦部门确定犯罪嫌疑人,有利于平安城市的建设.在枪械训练方面,通过对数据的分析,可以识别射击者特定的后坐力特征,从而进行针对性的训练改进在战场物联网建设方面,执法部门也可以受益于枪击加速度检测的应用,提升战场信息自动化技术.在枪击识别研究中,研究人员已经成功地利用佩戴在手腕上3-5 或者手机上的加速度传感器6 进行枪击识别其中,普遍的策略是采用快速动态时间规划(fa
9、st dynamic time warping,FD T W)与最邻近规则分类(k-nearest-neighbors,K NN)结合、支持向量机(supportvector machine,SVM)、决策树、朴素贝叶斯、逻辑回归等基于距离测量或特征提取的传统算法.然而,这两类算法的性能很大程度上取决于手工提取特征,在实际应用中会造成大量的计算量7 ,不利于枪击信号实时识别和嵌人式设备的部署。鉴于此,采用深度学习的方法进行研究,模型自动学习原始数据的特征表示在数据预处理和终端应用场景上节省了时间和计算量.但是,由于枪击信号识别往往需要高采样率的传感器,高采样频率所记录信息空间的数据量成倍增加,
10、导致不同尺度时间窗口输入选择困难和模型泛化能力之间的矛盾.并且大数据量的输人会对嵌入式部署产生极大的影响,故模型需要进行针对性的轻量化设计.因此,本研究针对枪击加速度信号的特点,设计具有高精确率和轻量化的时间序列(EfficientNettime,ENT)模型.在公开数据集下,与SVM、决策树、随机森林3种机器学习算法和3种循环神经网络进行对比,探究模型的分类性能;通过设计特殊的网络结构,验证模型性能独立于不同尺度信号;并在识别准确率和轻量化方面与全卷积神经网络(fully convolution network,FCN)、残差网络(residual network,R e s Ne t)、I
11、nceptiontime、Xc e p t i o n t i m e 等4种时间序列深度学习模型比较.1枪击识别原理与枪击识别模型设计1.1枪击识别原理分析枪击加速度信号与人类普通的运动信号或者射击过程中其他动作信号存在较大差异性,在射击事件发生前,出于对射击目标瞄准的需要,人的手腕处于静止或者恒定加速状态4。一且扣动扳机,射击加速度会迅速到达峰值,随后出现爆炸波、后坐力和枪口上抬3种明显信号特征.这个过程中枪管内会有30%的化学能转换为子弹的动能,随着加速度到达峰值,动量从推进剂和弹壳转移到手腕上,从而可被加速度传感器监测8 .由于不同的枪支具有不同的结构特点,其产生的加速度是不同的,因此
12、可以根据加速度判断不同类型的枪击信号,如图12 所示,两种不同类型枪支的加速度波形不同.2g1g0-1g-2g0200图1拴式步枪加速度波形图Fig.1Bolt rifle acceleration waveform1.2倒置残差模块设计在某些情况下,常规卷积能够有效地利用GPU架构,能够提高检测的精度和速度.图3所示的倒置残差模块设计中,首先采用卷积核大小为3,步长为2 的普通一维卷积,卷积通道数fi为输人特征图维度的4倍.其次,在卷积层后都采用批归一化层(batch normalization,BN)和激活函数Swish9,与Effificient-NetV2中Fused-MBConv10
13、不同的是该模块不采用注意力机制SE层(squeeze-and-excitation,SE),因为这会增加更多的计算量.最后使用降维的11卷积(conv11)将特征矩阵通道数转换为新的通道深度.基于此,该模块能在小参数的情况下,提取加速度信号的低维特征.http:/福州大学学报(自然科学版)X轴15gY轴乙轴400600采样点数/个第51卷X轴Y轴10g乙轴5g0-5g-10g-15g-20g800100012001400 16000Fig.2Molot Vepr-12 acceleration waveform200400图2 MolotVepr-12加速度波形图600采样点数/个800100
14、0120014001600第4期1.3注意力倒置残差模块设计MobilenetV212中提出的倒残差结构可提高模型的内存使用效率。本研究将相同的设计思路运用到时间序列模型上,如图4所示.首先在第一层中引人升维的conv11,卷积通道数f,为输入特征图维度的4倍.在减少模型参数量方面,采用卷积核大小为3,步长为2 的深度卷积,对于输入的每个通道进行卷积,大幅减少模型的参数量.在提高模型精确率方面,使用注意力机制SE模块它由一个全局平局池化层和两个全连接层组成,第一个全连接层的节点个数是输人特征矩阵的通道数的四分之一,第二个全连接层的节点个数等于深度卷积输出的特征矩阵的通道数.最后,使用点卷积将S
15、E层的输出通道数转换为新的通道深度,并引人具有随机深度13 的随机失活层.为了减小过拟合的风险和提高运行模型的速度,在第一个卷积层和深度卷积后采用批归一化层和激活函数Swish.批量大小输出通道数窗口长度随机失活层Swish激活函数批归一化层批量大小Xfx窗口长度个1X1卷积批量大小f窗口长度Swish激活函数批归一化层批量大小X窗口长度个一维卷积批量大小输入通道数窗口长度郑浩鑫,等:利用轻量化深度学习模型和加速度信号的枪击识别方法批量大小f窗口长度.个1x1卷积批量大小对窗口长度SE注意力机制Swish激活函数批归一化层个批量大小X窗口长度深度卷积批量大小x窗口长度Swish激活函数批归一化
16、层批量大小对窗口长度个1x1卷积批量大小输入通道数窗口长度 477批量大小输出通道数窗口长度随机失活层图3倒置残差模块Fig.3Fused-MBConvtime module1.4 ENT模型设计在网络的浅层大量使用深度卷积会极大地降低模型的推理速度10 ,所以在浅层中首先使用过滤器数量为32,卷积核大小为3,步长为2 的一维卷积,然后使用批归一化层和激活函数Swish;在模型第二层中添加过滤器数量分别为12 8、32 的倒置残差模块,第三层添加过滤器数量分别为12 8、6 4的注意力倒置残差模块.第四层使用过滤器数量为12 8,卷积核大小为3,步长为2 的一维卷积.并在最后引人全局平均池化进
17、行下采样,模型结构图如图5所示./-128432-32图4注意力倒置残差模块Fig.4MBConvtime moduleConvID层,f示滤波器数量BN层Swish激活函数Fused-MBConyTime层MBConvTime层Conv1xi层:表示滤波器数量全局平均池化层Dense层4-128+128-64图5EfficientNettime模型Fig.5EfficientNettime modelhttp:/:478 本研究提出的ENT结构的新颖之处在于模型结构与时间窗口尺度之间的独立性,即对于不同的窗口尺度,模型结构能够保持不变且参数不需要重新配置.另外,该结构在精确率和轻量化上具有一
18、定的优势2实验材料与方法2.1楼数据集采用公开的枪械反冲力数据集5,它利用三轴加速度传感器采集枪击事件,采样频率为1600Hz,灵敏度为16 g.数据集中记录了手枪、猎枪和霰弹枪共15种类型的枪支射击加速度信号,并且数据集中还存在如枪支碰撞、拉枪栓等信号.为了在真实射击过程中识别出枪击信号,必须考虑射击过程中的其他动作干扰(如在射击过程中装弹等动作的干扰,见图6),所以本研究增加了非枪击信号作为对比数据,以进一步验证模型准确识别出枪击信号的能力.2.2楼数据预处理与数据增强对原始加速度信号采用重复率为50%的滑动窗口进行分割,每个窗口大小包括T个采样点.通过判断窗口能量TE=(a?+,+a)的
19、大小选择候选枪击信号中心片0段区域,其中E表示窗口的能量,x,y,a.表示三轴加速度,T表示窗口大小。随后将滑动窗口进行随机偏移,并剔除不符合枪击特征的信号帧.这种方法等同于文献3提出的数据处理和数据增强14 的思想。通过这种手段,可以实现深度学习在小型数据集上的应用.所以,原始枪击后坐力数据经数据预处理和数据增强后,得到包含97 5个枪弹后坐力片段数据,总共16 类别,每个信号维度为16 0 0 3,具体信息如表1所示随后,该数据集被随机分为两个子数据集,包括6 8 3个(7 0%)样本的训练数据集和2 92 个(30%)样本的测试数据集.2.3实验平台与评价指标实验在NVIDIA GeFo
20、rceGTX2060平台上进行.选择加权的精确率(Precision,P),召回率(Recall,R),F,分数(F,-score,F,)和准确率(Accuracy,A)、Co h e n s K a p p a统计系数(Kappa,K)作为模型的分类指标,在模型轻量化评价方面,选择模型的参数量,模型总体运行内存消耗,以及推理时间(识别出一帧加速度信号的时间)和训练时间(将总体数据集以批量大小为32 作为输人直到loss收敛).即1PleLF1leL式中:Tp、Fp、Fn、T N是训练好的算法模型在测试集上混淆矩阵中对应的真正率、假正率、假负率和真负福州大学学报(自然科学版)15gX轴一Y轴枪
21、吉乙轴信号信号10g5g0-5g-10g-1580图6 数据集中枪击与非枪击信号波形图Fig.6 Waveforms of gunshot and non-gunshot signals in the dataset表1样本类别说明Tab.1Samples category description类别信号名称Ruger MK2FN5.7Glock 19Bolt 22Ruger 10/22ADCOR AR15Yugo SKS枪击信号M16AR15WASR10AK 47Scoped M91/30Romanian PSLM44Remington 1100VEPR 12Remington 870非枪击
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 利用 量化 深度 学习 模型 加速度 信号 枪击 识别 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。