利用轻量化深度学习模型和加速度信号的枪击识别方法

枪支射击的检测与识别有助于实现枪支和子弹的精准管控,从而防止枪支滥用、提高公共安全。区别于传统利用加速度传感器的枪击识别需要进行特征提取的方法,本文针对不同类型的枪击加速度信号,首次采用深度学习的方法进行研究,提出了一种新的兼顾精度和轻量化的EfficientNetTime时间序列分类模型。该架构核心由MBConvTime,Fused-MBConvTime模块组成,能够自动提取枪击加速度信号特征,对不同输入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,并在公开枪击数据集上与SVM、决策树、随机森林三种传统机器学习模型和FCN、Resnet、Inceptiontime、Xceptiontime四种时间序列深度学习模型对比。实验结果表明EfficientNetTime模型更加高效,识别精确率也更高。