面向边缘结构健康监测的设备内裂缝分割

裂缝分割在结构健康监测（Structural Health Monitoring, SHM）中发挥关键作用，通过准确识别裂缝的尺寸和位置，使我们能够随时间监测结构损伤。然而，在资源受限的微控制器上部署深度学习模型用于裂缝分割 presents 由于内存、计算能力和能源资源有限，面临重大挑战。为此，本研究探索了针对TinyML应用的轻量级U-Net架构，聚焦于三个优化策略：滤波器数量减缓、网络深度减缓，以及采用深度可分离卷积（Depthwise Separable Convolutions, DWConv2D）。我们的结果表明，减缓卷积核和网络深度显著降低RAM和Flash需求和推理时间，尽管伴随一定的精度牺牲。具体而言，通过将滤波器数量降至25%，将网络深度减至四个模块，并采用深度可分离卷积，在分割性能与资源消耗之间取得良好平衡。这使网络特别适用于低功率TinyML应用。该研究不仅推进了基于TinyML的裂缝分割，还为能源自治的边缘SHM系统提供了可能。