基于轻量级深度学习模型的电火灾短路熔痕实时Android端分类

《Energies》：Android-Based Real-Time Classification of Electric Fire Short-Circuit Traces Using Lightweight Deep Learning Model

　　

本文提出一种轻量级深度学习框架，用于电火灾短路熔痕的分类，以提升电气能源系统的安全性和故障诊断能力。准确区分一次短路熔痕（Primary Short-Circuit Traces, PSCT）与二次短路熔痕（Secondary Short-Circuit Traces, SSCT）对于判定故障起源至关重要，而传统的人工目测检验耗时且主观性强。为解决上述局限，研究人员在领域专用图像数据集上采用迁移学习系统评估了三种轻量级卷积神经网络（Convolutional Neural Network, CNN）架构——MobileNetV2、MobileNetV3和EfficientNet，并依据准确率（Accuracy）、损失（Loss）、精确率（Precision）、召回率（Recall）及F1值（F1-score）进行评估。实验结果表明，EfficientNet取得了最高的分类准确率，而MobileNetV3表现出最低的验证损失及更优的泛化稳定性。基于性能—效率权衡分析，研究人员将MobileNetV3通过TensorFlow Lite部署于Android平台，实现实时、离线及端侧推理。据研究人员所知，这是首批将基于轻量级CNN的短路熔痕分类与实时移动端部署相结合、用于现场能源系统故障分析的研究之一。该移动系统弥合了深度学习与现场部署之间的鸿沟，保证了低延迟执行，为电火灾调查中的运行安全提升提供了快速、可靠且便携的解决方案。

论文解读：基于轻量级深度学习模型的电火灾短路熔痕Android端实时分类研究

《Energies》刊载的本研究针对电气火灾物证鉴定中一次短路熔痕（Primary Short-Circuit Traces, PSCT）与二次短路熔痕（Secondary Short-Circuit Traces, SSCT）靠人工鉴别存在主观性强、效率低的问题，指出已有深度学习火灾与电气故障研究多关注宏观检测或信号分析，未见专门针对熔痕显微形貌图像的法医级二分类及边缘端部署。研究人员通过搭建受控短路与受热实验平台构建领域专用数据集，对比MobileNetV2、MobileNetV3及EfficientNet三种轻量级卷积神经网络（Convolutional Neural Network, CNN）在PSCT与SSCT二分类上的表现，综合精度与计算开销选定MobileNetV3转换为TensorFlow Lite（TFLite）格式并部署于Android智能手机，实现无云端的实时现场推断，为电气火灾原因认定提供客观、便携的辅助手段。

主要关键技术方法

研究人员采集实验室可控条件及真实火场受损导线共752张熔痕显微图像（含PSCT与SSCT两类），按分层8:2划分为训练集与测试集，并实施旋转、翻转、亮度调整等数据增强。采用ImageNet预训练权重的MobileNetV2、MobileNetV3-Small与EfficientNet-B0进行迁移学习，冻结浅层并微调高层特征，以二元交叉熵（Binary Cross-Entropy）为损失函数、Adam为优化器训练100轮。经指标对比后选定最优模型经TFLite量化转换，集成至Android App，完成摄像头取图→224×224重采样→归一化→ByteBuffer传入解释器→输出PSCT/SSCT概率的端侧推断流程。

研究结果

3. Proposed Approach（研究方法）

研究人员设计了从数据采集、预处理增强、三模型对比训练到TFLite安卓部署的端到端流水线，明确以224×224像素输入、80/20分层划分及迁移学习微调策略保障模型泛化。

3.2. Dataset Preparation and Preprocessing（数据集制备与预处理）

通过自制实验平台对截面积为1.5 mm²与4 mm²铜导线在常温及约900 ℃火焰下分别制取PSCT（先短路后常温）与SSCT（先受火再短路），辅以数码显微镜采集图像，混入200张真实火场样本，总计752张，标注平衡并经增强扩充训练集。

4.1. Quantitative Results（定量结果）

在测试集上EfficientNet取得最高验证准确率96.05％、F1值0.96；MobileNetV3验证准确率95.39％，验证损失最低（0.1044），召回率0.97；MobileNetV2略低（92.76％）。三者混淆矩阵均显示较少误分，少量错判源于兼具两类形貌特征的边界样本。

4.2. Comparative Performance Analysis（对比性能分析）

EfficientNet因复合缩放（Compound Scaling）捕获细微纹理能力最强但参数量约4.05×10⁶（15.45 MB）；MobileNetV3仅约9.4×10⁵参数（3.58 MB），推理步长约430 ms/步快于EfficientNet之720 ms/步，精度接近且泛化损失最低。综合考虑移动终端算力限制，研究人员选定MobileNetV3为部署模型。

4.3. Implications for Real-World Deployment（实际部署意义）

TFLite格式模型集成入Android应用后，手机可离线完成图像采集、预处理及推断并在界面实时显示PSCT或SSCT判定结果，消除云端延迟与网络依赖，满足火灾现场勘查对隐私与可靠性的要求。

4.4. Limitations and Future Work（局限性与展望）

当前数据集规模偏小且真实火场样本占比有限，未系统测试低光照与运动模糊下的鲁棒性；仅做二分类。后续拟扩大多源样本、引入k折交叉验证、拓展多分类及融合多模态信息。

讨论与结论翻译

研究表明，EfficientNet凭借复合缩放策略获得最高分类精度，MobileNetV3则具最低验证损失与最佳收敛稳定性。兼顾性能与计算效率，MobileNetV3最适于资源受限环境下的实时应用。将优选模型通过TensorFlow Lite成功部署于Android平台，实现了不依赖云端设施、低延迟、保护隐私的现场端推断，对电火灾调查中迅速定位故障源、缩短勘验时间、提升电气基础设施安全有重要实用价值。该工作证明轻量级卷积神经网络结合移动端部署技术，可为电气能源系统的智能故障分析提供可行且可扩展的解决方案。