面向TinyML的关键词检测嵌入式模型优化设计.docxVIP

PAGE2

面向TinyML的关键词检测嵌入式模型优化设计

摘要

随着物联网和边缘计算的快速发展，将语音交互能力下沉到资源极度受限的微控制器上成为迫切需求。本文针对TinyML场景下的关键词检测任务，设计并实现了一套可在嵌入式MCU上离线运行的语音唤醒与指令识别模型优化方案。研究以压缩语音识别模型体积、降低计算复杂度和内存占用为核心目标，通过模型剪枝、量化感知训练和知识蒸馏等技术的组合应用，将原始高精度模型压缩至适合微控制器的规模，并成功部署于ARMCortex-M系列芯片上。

论文遵循“需求分析→总体设计→详细设计→实现→测试”的工程递进逻辑。第一章阐述边缘侧语音交互的痛点与本课题意义；第二章梳理TinyML、模型压缩与嵌入式语音处理的关键技术；第三章明确功能与非功能需求，构建用例模型；第四章提出系统总体架构与模块划分；第五章深入模型剪枝、量化与蒸馏算法的详细设计；第六章给出开发环境、核心功能实现过程及关键技术难点的解决；第七章通过功能与性能测试验证系统在精度、延迟和资源占用方面的指标；第八章总结工作并展望未来改进方向。

本设计的核心创新在于：提出一种面向微控制器分级唤醒的两阶段模型结构，结合结构化剪枝与整型量化，将关键词检测模型压缩至100KB以内，实现了低于200ms的实时响应和92%以上的识别准确率，为低功耗离线语音交互提供了实用化参考。

第一章绪论

1.1研究