基于边缘 AI 的海洋污染智能环境监测

油污事件对海洋生态系统和沿海环境构成严重威胁， necessitating rapid detection and monitoring capabilities to mitigate environmental damage. 本文展示了尽管人工智能具有固有的高计算和内存要求，如何将其有效集成到海洋污染监测系统中。更准确地说，我们提出了一种基于压缩深度学习 U-Net 架构的无人机智能监测系统，用于油污检测和厚度估计。与标准 U-Net 架构相比，卷积块的数量和每个块的通道数被修改。该新模型在合成雷达数据上进行训练，以准确预测厚达 10 毫米的油斑厚度。结果表明，我们优化的 Tiny U-Net 在 IoU 指标上性能卓越，约为 79%，同时将模型大小相对于最先进技术缩小了约 $\sim$269 倍。这种显著的模型压缩使得在集成到无人机平台上的现场可编程门阵列 (FPGA) 硬件上实现高效边缘计算成为可能。硬件实现显示出近实时厚度估计能力，运行功耗约为 2.2 瓦特。我们的发现凸显了智能监测技术和高效边缘计算在海洋环境中操作性表征潜力日益增长。