基于边缘AI计算架构的风力发电机组传动链故障预警算法

风力发电机组运行过程中出现故障的样本相对较少,而正常运行的样本数量通常较多,导致训练模型时样本分布不平衡。为此,提出了基于边缘AI计算架构的风力发电机组传动链故障预警算法。归一化处理样本数据,基于卷积神经网络,提取原始输入数据的关键特征;采用支持向量机算法完成故障预警机制的建立,引入非线性核函数实行最优计算,实现故障预警数据属性分类;基于边缘AI计算架构,根据风力发电机组传动链数据特点,实现风力发电机组传动链故障预警。实验结果表明,所提方法可以预警出齿轮箱、主轴承出现的故障,主动预警准确率高于80%,故障预警曲线与实际曲线拟合度更高,故障预警效果较好。

边缘AI的霜雪识别系统设计与实现

为提高霜雪识别系统的识别率,开展了基于边缘AI的霜雪识别系统设计。综合海思嵌入式处理器Hi3559A高算力、低功耗特点,硬件部分采用模块复用的方法降低功耗和资源消耗,软件部分,从模型训练、模型量化、模型部署入手对MobileNetV2图像分类网络和ISP自适应处理算法进行改进,最终识别率99.7%,预处理时间0.3 s,图像分类时间0.8 s,模组平均功率2 W,鲁棒性好、性能稳定。由此可见Hi3559A智能相机模组可有效纠正雪深探测仪的疑误数据。

边缘AI技术在反窃电智慧表箱改造中的研究与应用

近年来,边缘AI技术及应用已在电力行业进行了广泛的研究与探索,因其具有流量占有少、隐私性强、低时延等特征,缓解了电网生产运行数据日益增长所导致的存储难、管理难、分析应用难等压力。文中基于边缘AI技术在上海供电台区数字化转型及智能防窃电等业务中的研究与应用,首先介绍了边缘AI技术的应用特点,接着描述分析了边缘AI技术基于计量柜和表箱智能化改造的三种应用场景及功能实现原理,最后论述了实施应用方案。文中研究为供电企业降损增效及配电台区数字化转型提供了一种切实可行的工作思路。

基于边缘AI移动视频关键点的多姿态物体识别技术研究

物体识别主要针对某一物体的多姿态特征点,对不同移动视频旋转角度下的关键点,进行2D、3D图像特征信息的最优匹配,不同物体特征识别流程包含关键点检测、特征提取与比对等环节,且存在多种几何特征统计与检测方法。本文主要借助于多姿态AAM算法、Face-detector相结合的方法,基于物体在不同旋转角度下灰度不变性、局部纹理不变性特征,对物象展开多姿态关键点的检测、特征识别与匹配,从而保证物体对象几何特征的层次化分类与识别精确度。

基于边缘AI终端的车辆分析场景研究及应用

阐述网络摄像机和边缘AI终端的车辆分析产品的典型组网形态,提出具有共性的统一表达的场景解决方案,包括车辆分析场景:闸机联动场景、事件监控场景、交通管理场景,并针对每种场景监测的具体内容定制对应策略。结合某社区智慧停车需求,探讨车辆分析场景方案在项目开发中进行体现,从而实现社区智慧停车。

边缘AI为智能零售、智能工厂带来的改变

存储器厂商美光介绍了边缘AI为机器视觉和智能零售、智能工厂应用带来的变化,以及美光的存储器解决方案。

智能AI视频识别系统在测井作业现场的应用

测井行业是石油工业中的重要环节,负责对石油勘探、开发和生产过程中的各种数据进行测量和分析,涉及到多种设备和流程。本文研究了智能AI视频识别系统在测井作业现场中的应用,以摄像机的实时数据为基础,对人、物、设备等进行识别、抓拍,同时部署智能AI边缘计算盒子,建立相关算法、模型及智能感知应用场景,搭建智能分析平台,挖掘视频监控价值,实现监控各环节的联动,提高生产效率,优化生产过程,提升生产安全,并带来更多的经济效益。

面向模型预分层的边缘终端多AI任务调度策略

边缘AI的兴起促进了AI在边缘计算场景中的广泛应用.随着AI任务的多样化、终端设备性能的不断提升,实际应用中亟须设计一种新的模型实现单个终端设备上的多AI任务并行调度.然而目前的研究更关注单个AI任务在单个终端设备上的计算效率,因此本文提出一种基于模型预分层的多AI任务调度策略,以优化多AI任务在终端设备上的计算效率.首先,对多个AI任务进行模型预分层,并记录每种预分层的计算量和参数量;其次,在终端设备上建立资源监控模型,实时检测可用资源情况;最后,结合时间周期要求和实时可用资源的约束,以对边缘终端的计算资源需求最大为目标,从多个AI任务的多个预分层模型集合中选取一组由多个AI任务不同预分层组成的最优解,动态地调整每个AI任务在终端设备上的模型计算层数,在避免固定式模型分层的弊端的同时,充分利用终端设备的计算资源.实验结果显示,本文策略能够有效提高多AI任务的计算效率,计算资源利用率可达到96.97%,调度分配成功率可达到96.45%,数据传输量减小率可达到97.22%.

基于5G网络和AI边缘计算的无人机巡检实时视频传输技术研究

5G网络具有高精度定位传输的优势,AI边缘计算具有计算速度快等优势,通过综合5G网络和AI边缘计算可实现无人机实时结果传输,从而提高无人机巡检效率和智能化程度。为此,文章在对5G网络、AI边缘计算原理进行分析的基础上,对基于5G网络和AI边缘计算的无人机巡检实时视频传输技术进行探讨,在一定程度上可以提升无人机巡检精度及应用效果。

KubeEdge-Sedna v0.3:迈向次时代自动定制的AI工程范式

全球边缘AI市场规模持续增长。当前阻碍边缘AI规模复制的技术挑战主要是边侧小样本与边缘数据异构。另外,边缘AI客户往往存在数据安全合规与边缘AI服务离线自治需求。基于学界终身学习方法,我们首次正式地定义边云协同终身学习问题,发布业界首个开源边云协同终身学习。边云协同终身学习通过(1)多任务迁移学习适应不同边缘局点数据异构,实现“千人千面”精准预测;(2)未知任务增量处理在小样本下越学越聪明,逐步实现AI工程化与自动化;(3)借助云侧知识库来记忆新情景知识,避免灾难性遗忘;(4)边云协同架构使得在应用云上资源的同时保证数据安全合规与边缘AI服务离线自治,希望从根本上解决上述边云协同机器学习的挑战。

基于深度学习的嵌入式目标追踪研究进展

作为计算机视觉领域的基本问题之一,目标追踪具有广泛的应用场景.随着硬件算力和深度学习方法的进步,常规的深度学习目标追踪方法精度越来越高,但其模型参数量庞大,计算资源和能耗需求高.近年来,随着无人机和智能物联网应用的蓬勃发展,如何在存储空间和算力有限、低功耗需求的嵌入式硬件环境中进行实时目标跟踪,成为当前研究的热点.本文对面向嵌入式应用的目标追踪方法进行了分析综述,包括相关滤波结合深度学习的目标追踪方法、基于轻量神经网络的目标跟踪方法,并总结了深度学习模型部署流程和无人机等领域的嵌入式目标追踪典型应用实例,最后对未来研究重点进行了展望.

基于多模态的智能穿戴设备功耗控制系统研究设计

穿戴移动式人工智能动态心肺监测仪是用于心脏疾高危病人的日常居家监测,能够预防心脏猝死等疾病的医疗器械。本文针对上述需求,根据穿戴式人工智能心肺监测的不同数据源和计算要求,在计算速度满足要求的情况,采用多模态控制算法调度人工智能心肺监测设备里的神经网络计算资源的方法和系统。实验表明本系统能够有效控制边缘计算设备的功耗,实现控制系统功耗、延长穿戴设备待机时间。