TinyML管道用于在无人机基础的结构健康检查中高效地分类裂.
Yuxuan Zhang1,2, Arne Nürnberg3, Luciano Sebastian Martinez Rau3,4
1College of Intelligent Science and Engineering, Beijing University of Agriculture, Beijing, China. yuxuan.zhang@miun.se.
Scientific reports
|March 12, 2026
概括
本研究引入了一个微型机器学习 (TinyML) 管道,用于无人机上的机载裂分类,显著提高结构健康监测 (SHM) 的准确性和效率,同时最大限度地降低功耗.
科学领域:
- 嵌入式系统 嵌入式系统
- 机器学习 机器学习
- 结构健康监测 结构健康监测
背景情况:
- 带有视觉传感器的无人机对于基础设施检查至关重要.
- 基于云的破解分类面临带宽,功率和隐私方面的限制.
研究的目的:
- 开发一个独立的微型机器学习 (TinyML) 管道,用于内部裂分类.
- 为优化低功耗微控制器的管道,并评估其性能.
主要方法:
- 在STM32H7微控制器上使用MobileNetV1x0.25作为TinyML管道的基线.
- 对比了两个图像预处理策略和四种模型压缩技术 (PTQ,QAT,修剪,重量聚类).
- 评估了整个测量管道,包括图像捕获,预处理和推断.
主要成果:
- 获得了0.938的F1得分,比最先进的技术提高了11.4%.
- 仅需要2.9 MB的RAM和309 KB的闪存,具有461.6 ms的延迟时间和623.16 mJ的能量成本.
- 与耗电平台 (24%) 相比,对无人机飞行时间的影响很小 (4%).
结论:
- 开发的TinyML管道为基于无人机的SHM提供了准确性,资源效率和能源消耗的实用平衡.
- 这项工作建立了一个可重现的基准,用于在资源有限的环境中对设备上的裂纹进行分类.
- 使用嵌入式人工智能推进实时,机载结构健康监测的可行性.
