开发深度学习量子化框架,用于远程传感边缘设备,以估计韩国内陆水质
JunGi Moon1, SangJin Jung1, SungMin Suh1
1Department of Environmental Engineering, Pusan National University, Busan 46241, Republic of Korea.
Water research
|May 14, 2025
概括
这项研究开发了一种轻量级的人工智能模型,用于使用遥感实时监测河流总悬浮固体 (TSS). 量化技术压缩了边缘设备的模型,使得有效的水质评估成为可能.
科学领域:
- 环境科学 环境科学
- 人工智能的人工智能
- 遥感 遥感 遥感 遥感
背景情况:
- 深度学习和遥感越来越多地用于河流水质监测.
- 使用多光谱图像和卷积神经网络 (CNN) 估计总悬浮固体 (TSS) 是一个关键方法.
- 目前先进的人工智能在水质监测中的应用有限.
研究的目的:
- 用模型量化开发一个用于边缘设备的设备内人工智能框架.
- 创建一个轻量级的深度学习模型,用于高效的TSS估计.
- 为了实现可扩展的,实时的河流水质监测.
主要方法:
- 使用神经架构搜索 (NAS) 和帕雷托优化识别了轻量级的CNN模型.
- 应用后训练量子化 (PTQ) 和量子化意识训练 (QAT) 用于模型压缩.
- 使用纳什-萨特克利夫效率 (NSE) 评估模型性能.
主要成果:
- 通过轻量级的CNN模型 (8.118 MB) 实现了高性能 (0.806 NSE).
- 进一步使用PTQ和QAT将模型压缩到0.736 MB,同时保持精度 (0.831 NSE).
- 在边缘设备上展示了实时TSS监控的可扩展方法.
结论:
- 在环境监测中开发了设备上人工智能的实用框架.
- 突出了使用多光谱图像来估计其他水质指数的潜力.
- 实现了实时污染源追踪和对水质变化的快速响应.
更多相关视频
10:28Investigating the Relationship between Sea Surface Chlorophyll and Major Features of the South China Sea with Satellite Information
Published on: June 13, 2020
5.7K
07:13Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy
Published on: February 25, 2021
3.7K
