火灾探测和管理是非常重要的,防止社会、生态和经济损失。然而,实现实时火灾探测精度较高的物联网环境中是一项非常具有挑战性的任务,由于有限的存储、传输和计算资源。为了克服这些挑战,早期火灾探测和自动反应是非常重要的。因此,我们开发一种新型的框架基于一个轻量级的卷积神经网络(CNN),需要更少的培训时间,适用于资源受限的设备上。的内部架构提出的模型是基于块的启发VGG16架构明显减少了参数的数量,输入大小,推理时间,相对早期火灾探测的精度高。在提出的模型中,小型制服卷积过滤器是使用专门捕捉细节的顺序输入火灾图像越来越多的渠道帮助有效的特征提取。该模型评估基准福贾等两个数据集的数据集和新创建的小型火灾探测与极具挑战性真实图像数据集包含一个高级的多样性。实验结果对数据集进行的更好的性能相比,该模型的准确性,假阳性率,模型大小,和运行时间,这表明其鲁棒性和可行的安装在真实的场景中。