面向设备端基于视觉的裂缝检测的量化技术综述
计算机视觉与模式识别
2025-07-22 v1 机器学习
摘要
结构健康监测 (SHM) 通过实现及时损伤检测来确保基础设施的安全性与耐久性。基于视觉的裂缝检测结合无人机 (UAV) 弥补了传统基于传感器的 SHM 方法的局限性，但需要在资源受限的设备上部署高效的深度学习模型。本研究在 TensorFlow、PyTorch 和 Open Neural Network Exchange 平台上，使用动态量化、训练后量化 (PTQ) 和量化感知训练 (QAT) 三种量化技术，评估了两种轻量级卷积神经网络模型 MobileNetV1x0.25 和 MobileNetV2x0.5。结果表明，QAT 始终能获得接近浮点精度的准确率，例如使用 Torch-QAT 的 MBNV2x0.5 的 F1 分数达到 0.8376，同时保持高效的资源利用率。PTQ 显著降低了内存和能耗，但存在精度损失，尤其是在 TensorFlow 中。动态量化保持了精度，但在 PyTorch 上面临部署挑战。通过利用 QAT，本工作实现了无人机上实时、低功耗的裂缝检测，提升了 SHM 应用中的安全性、可扩展性和成本效益，同时为自主巡检中跨平台平衡精度与效率提供了见解。
引用
@article{arxiv.2502.02269,
title = {Survey of Quantization Techniques for On-Device Vision-based Crack Detection},
author = {Yuxuan Zhang and Luciano Sebastian Martinez-Rau and Quynh Nguyen Phuong Vu and Bengt Oelmann and Sebastian Bader},
journal= {arXiv preprint arXiv:2502.02269},
year = {2025}
}
备注
Accepted by IEEE International Instrumentation and Measurement Technology Conference (I2MTC) 2025