基于微型机器学习的供应运河表面状况监测监测

科学领域:

• 土木工程 土木工程是指土木工程.
• 人工智能的人工智能
• 嵌入式系统 嵌入式系统

背景情况:

• 确保中国南北转水项目基础设施的安全运行至关重要.
• 目前用于液压基础设施的结构健康监测系统通常依赖于资源密集型桌面应用程序.
• 需要高效,低功耗的解决方案来实时监控供水道.

研究的目的:

• 开发和部署一个轻量级的卷积神经网络 (CNN) 模型,用于早期检测供水道的结构损坏.
• 在低功耗微控制器单元 (MCU) 上实现这个模型作为一个微型机器学习 (TinyML) 应用程序.
• 评估模型的性能,能源效率和对资源有限的设备的可行性.

主要方法:

• 收集并利用供应道损坏的图像作为CNN模型的输入.
• 采用数据增强技术来增强培训数据集.
• 在MCU上部署轻量级的CNN模型 (7.57KB) 作为TinyML应用程序,用于实时推断.

主要成果:

• 部署的TinyML模型实现了高精度 (94.17 ± 1.67%) 和精度 (94.47 ± 1.46%).
• 与其他常见的CNN模型相比,该模型表现出卓越的性能和能源效率.
• 每个推断都消耗了最小的能量 (5610.18μJ),使按电池连续运行近11年.

结论:

• 在低功耗,资源有限的设备上实时监测供应道表面状况是可行的.
• 开发的TinyML应用程序为增强液压基础设施安全提供了一个实用的解决方案.
• 这项研究为更高效和更容易获得的结构性健康监测系统铺平了道路.