开发用于表面缺陷检测的资源受限 EdgeAI 模型
计算机视觉与模式识别
2024-01-12 v1 人工智能
机器学习
摘要
资源限制已将许多 EdgeAI 应用局限于机器学习推理方法，即模型在云端训练并部署到边缘设备。这带来了与将数据存储在异地以进行模型构建相关的带宽、延迟和隐私等挑战。在边缘设备上进行训练可以通过消除将数据传输到另一设备进行存储和模型开发的需求来克服这些挑战。设备端训练还提供了对数据变化的鲁棒性，因为模型可以利用新获取的数据进行重新训练以提高性能。因此，我们提出了一种基于 Xception 修改的轻量级 EdgeAI 架构，用于资源受限边缘环境中的设备端训练。我们在 PCB 缺陷检测任务上评估了我们的模型，并将其性能与现有的轻量级模型（MobileNetV2、EfficientNetV2B0 和 MobileViT-XXS）进行了比较。实验结果表明，我们的模型在没有预训练的情况下取得了 73.45% 的测试准确率，表现卓越。这与未预训练的 MobileViT-XXS（75.40%）相当，且远优于其他未预训练模型（MobileNetV2 - 50.05%，EfficientNetV2B0 - 54.30%）。我们模型在未预训练情况下的测试准确率与预训练的 MobileNetV2 模型（75.45%）相当，并优于预训练的 EfficientNetV2B0 模型（58.10%）。在内存效率方面，我们的模型表现优于 EfficientNetV2B0 和 MobileViT-XXS。我们发现，机器学习模型的资源效率不仅取决于参数数量，还取决于架构考量。我们的方法可应用于其他资源受限应用，同时保持显著的性能。
引用
@article{arxiv.2401.05355,
title = {Developing a Resource-Constraint EdgeAI model for Surface Defect Detection},
author = {Atah Nuh Mih and Hung Cao and Asfia Kawnine and Monica Wachowicz},
journal= {arXiv preprint arXiv:2401.05355},
year = {2024}
}
备注
Keywords: Lightweight Edge AI, Resource-constraint ML, Surface Defect Detection