關(guān)鍵詞：邊緣計算；深度學習；Jetson Nano；YOLO；模型蒸餾

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2024）28-0023-04

0 引言

多年的實踐表明，傳統(tǒng)基于單一傳感器的火災預警系統(tǒng)經(jīng)常面臨誤報和漏報等問題[1]。與此同時，基于云計算的多源感知火災報警系統(tǒng)在節(jié)點數(shù)據(jù)處理中給數(shù)據(jù)中心帶來了巨大的計算分析壓力[2]。為應對這一挑戰(zhàn)，本文選用了Jetson Nano和樹莓派作為智能硬件平臺，結(jié)合深度學習中的YOLO算法，提出了一種基于邊緣計算的智能物聯(lián)網(wǎng)網(wǎng)關(guān)。該系統(tǒng)不僅能夠有效改善誤報、漏報以及數(shù)據(jù)中心計算壓力大的問題，同時降低了對云計算的依賴，從而提升了系統(tǒng)的實時性和可靠性。這一創(chuàng)新設(shè)計為消防安全提供了更為靈活的解決方案。

1 智能網(wǎng)關(guān)的結(jié)構(gòu)框架

在消防物聯(lián)網(wǎng)領(lǐng)域，智能網(wǎng)關(guān)充當連接終端設(shè)備和云端的橋梁，通過邊緣計算實現(xiàn)對節(jié)點數(shù)據(jù)的實時監(jiān)測和分析。為滿足網(wǎng)關(guān)的實時性和智能化需求，采用了三層架構(gòu)來實現(xiàn)，包括環(huán)境感知層、實時分析層和核心決策層。其示意圖如圖1所示。

環(huán)境感知層集成了多種傳感模塊，包括攝像頭、煙霧監(jiān)測傳感器和火災報警監(jiān)測傳感器等。這些傳感模塊承擔著實時采集環(huán)境數(shù)據(jù)的任務，為后續(xù)的分析和處理提供基礎(chǔ)數(shù)據(jù)。

實時分析層則負責數(shù)據(jù)的實時分析?；谶吘売嬎愕睦砟睿搶訉⒂嬎闳蝿諒膫鹘y(tǒng)的集中式云端向網(wǎng)絡邊緣推移，以實現(xiàn)更低延遲、更高實時性的數(shù)據(jù)處理[3]。在該層中，主要使用Jetson Nano作為嵌入式運算平臺，同時樹莓派充當輔助硬件平臺。

核心決策層主要依賴于YOLO算法對節(jié)點數(shù)據(jù)進行實時智能檢測，并采用MongoDB數(shù)據(jù)庫以有效存儲和管理數(shù)據(jù)。

通過以上三層構(gòu)建，該網(wǎng)關(guān)在智能消防任務中具備了相對完整的數(shù)據(jù)處理和分析能力。網(wǎng)關(guān)能夠在本地進行火災檢測，一旦檢測到火災，就將相關(guān)信息上傳至云端，由云端執(zhí)行系統(tǒng)預警。智能網(wǎng)關(guān)的結(jié)構(gòu)框架經(jīng)過模塊化設(shè)計，層次清晰，具有較高的維護性和可擴展性。

1.1硬件的選擇與配置

Jetson Nano是由NVIDIA推出的一款嵌入式系統(tǒng)開發(fā)板，搭載了NVIDIA Maxwell架構(gòu)的GPU[4]。在網(wǎng)關(guān)中，Jetson Nano承擔了處理圖像數(shù)據(jù)、運行實時目標檢測算法的任務，以實現(xiàn)對消防場景的智能分析。

樹莓派作為低成本、高性能的單板計算機，廣泛應用于物聯(lián)網(wǎng)和嵌入式系統(tǒng)[5]。在本項目中，其主要任務是輔助Jetson Nano，連接環(huán)境感知層的傳感模塊及執(zhí)行環(huán)境數(shù)據(jù)采集等任務。

操作系統(tǒng)選擇了Ubuntu 18.04，將其燒錄至SD 卡，并根據(jù)系統(tǒng)需求進行配置，包括驅(qū)動安裝、環(huán)境搭建和網(wǎng)絡設(shè)置。安裝完成后，需要進一步安裝Pad?dleX深度學習基礎(chǔ)框架[6]，以支持后續(xù)算法的實現(xiàn)。同時，為充分發(fā)揮Jetson Nano的GPU性能，必須安裝并配置CUDA和cuDNN庫。

實際搭建完成的網(wǎng)關(guān)系統(tǒng)如圖2所示。其中，顯示器顯示的是Jetson Nano中安裝的Ubuntu 18.04，其下方設(shè)備從左至右依次是：Jetson Nano、樹莓派、攝像頭和二氧化碳煙霧傳感器。

1.2 數(shù)據(jù)庫的設(shè)計與配置

在核心決策層中，選擇MongoDB 作為數(shù)據(jù)庫系統(tǒng)，以滿足消防物聯(lián)節(jié)點數(shù)據(jù)的存儲和高效管理需求。首先，需要對MongoDB進行安裝和配置，以確保其能夠在網(wǎng)關(guān)上正常運行。隨后，進行數(shù)據(jù)庫的創(chuàng)建和初始化，建立適用于環(huán)境感知層數(shù)據(jù)的數(shù)據(jù)庫結(jié)構(gòu)。合理設(shè)計的數(shù)據(jù)庫結(jié)構(gòu)能夠更高效地存儲和檢索消防監(jiān)測數(shù)據(jù)，其結(jié)構(gòu)如表1所示。

通過以上操作，網(wǎng)關(guān)能夠有效保存環(huán)境感知層采集的實時數(shù)據(jù)，為后續(xù)的智能分析提供基礎(chǔ)。

2 算法的評估與優(yōu)化

在核心決策層中，不僅需要實現(xiàn)節(jié)點數(shù)據(jù)的高效存儲和管理，還需采用YOLO 算法進行火災檢測。YOLO算法以快速、準確的圖像識別能力著稱，有效支持實時火災事件監(jiān)測[7]。為滿足智能網(wǎng)關(guān)的需求，需對不同版本的YOLO算法進行篩選并進行相應優(yōu)化。

2.1 算法性能評估

為了評估YOLO算法的性能，選取了4項評價指標：mAP（mean Average Precision） 、IoU（Intersection overUnion） 、Speed 和 FLOPs（Floating Point Operations perSecond） 。其中，mAP代表精度均值，用于綜合評估模型在不同類別上的表現(xiàn)；IoU，即交集比（也稱JaccardIndex） ，用于衡量模型預測的邊界框與真實邊界框之間的重疊程度，是檢測準確性的評價指標；Speed指推理速度，即算法在檢測過程中處理單個圖像所需的時間，單位為毫秒（ms） ；FLOPs表示每秒浮點運算次數(shù)，衡量神經(jīng)網(wǎng)絡模型計算復雜度的指標。以上4項指標綜合評估YOLO 算法在檢測過程中的準確性和全面性。

限于篇幅，僅比較YOLOv3和YOLOv5在3種不同類型的火焰數(shù)據(jù)集上的性能表現(xiàn)。數(shù)據(jù)集包括室外火焰數(shù)據(jù)集、室內(nèi)火焰數(shù)據(jù)集和煙霧數(shù)據(jù)集，如圖3所示。每個數(shù)據(jù)集包含3種分辨率的圖片，分別為250×250、416×416、640×640；每種分辨率包含5 100 張圖片，其中訓練集為3 570張，驗證集為1 020張，測試集為510 張。實驗所用環(huán)境為：Core i9-10900K，RTX2060，CUDA 11.2，Python 3.8.17。具體數(shù)據(jù)比較請參見表3和表4。

由上述數(shù)據(jù)可以看出，YOLOv5在所有數(shù)據(jù)集和分辨率下的mAP都相對較高，表現(xiàn)優(yōu)于YOLOv3。在高分辨率圖片下，mAP通常更高，因為更高分辨率的圖片可以提供更多的細節(jié)。YOLOv5在不同數(shù)據(jù)集和分辨率下的IoU表現(xiàn)相較于YOLOv3更好，表明其對目標定位更加準確。然而，YOLOv3在低分辨率下的推理速度稍快，這使其在一些資源受限的環(huán)境中更具優(yōu)勢。YOLOv5的FLOPs相對較高，這與其更復雜的網(wǎng)絡結(jié)構(gòu)有關(guān)。

盡管YOLOv5模型的檢測性能更優(yōu)，但在嵌入式系統(tǒng)中，YOLOv3由于其推理速度更快而更具優(yōu)勢。如果將YOLOv5部署在Jetson Nano上，因為其GPU性能相對有限，可能無法達到Y(jié)OLOv5在更強大硬件上的推理速度。而且，Jetson Nano的CPU和內(nèi)存性能也有限，可能導致模型整體性能下降，進而影響實際檢測中的響應速度。此外，在長時間高負載的情況下，設(shè)備容易過熱，這會影響其穩(wěn)定性和壽命。因此，在核心決策層中，選擇YOLOv3作為核心算法，并且為了實現(xiàn)速度和準確性之間的平衡，選擇分辨率為416×416的圖像。

2.2 算法性能優(yōu)化

根據(jù)上述評估結(jié)果，盡管YOLOv3的推理速度較快，但其目標檢測性能仍有待進一步提高。為此，采用模型蒸餾方法對YOLOv3進行優(yōu)化。該方法是一種將復雜模型的知識傳遞給簡單模型的方法[8]，能夠在保持模型規(guī)模和計算成本的同時，提高簡單模型的性能。具體操作包括：將較復雜且表現(xiàn)優(yōu)異的模型作為“教師模型”，而將較簡單的模型作為“學生模型”。教師模型首先在原始數(shù)據(jù)集上進行訓練，然后學生模型根據(jù)教師模型的預測結(jié)果進行訓練；這樣，學生模型的目標是學習教師模型的概率分布，而不是直接學習原始數(shù)據(jù)集上的標簽，從而使學生模型的輸出盡可能逼近教師模型。具體做法如下：

1） 模型準備。選擇YOLOv5作為教師模型，YO?LOv3作為學生模型。這樣做的目的是在保持YOLOv3 速度優(yōu)勢的前提下，使其檢測性能盡可能逼近YOLOv5。

2） 軟標簽生成。在訓練集上，使用YOLOv5生成軟標簽。這些軟標簽是概率分布，而不是傳統(tǒng)的類別標簽和邊界框信息（硬標簽），反映了YOLOv5對火焰及煙霧位置的置信度分布。對于每個目標的置信度分數(shù)，使用Softmax函數(shù)將其轉(zhuǎn)換為概率分布，計算方式如下：

4） 優(yōu)化后的模型評估。在模型訓練中，為了在性能和速度之間取得平衡，只選擇了416×416分辨率的圖片進行訓練。訓練完成后，通過測試和評估，得出了改進后YOLOv3的平均精度（mAP） 值和交并比（IoU） 值，結(jié)果如表5、表6及圖4、圖5所示。

通過以上數(shù)據(jù)可以看出，在416×416分辨率下，當λ 值在0.5至0.7之間時，改進后的YOLOv3模型能夠取得較好的性能表現(xiàn)。然而，當λ 值大于0.7時，性能反而會下降。這是因為過大的λ 值會導致模型過于關(guān)注分類損失，從而影響回歸損失，導致邊界框的位置和大小不夠準確。

最終可以得出結(jié)論：改進后的YOLOv3在性能上有了明顯提升，其平均精度（mAP） 和交并比（IoU） 值進一步逼近YOLOv5，達到了優(yōu)化的目的。

3結(jié)論與展望

通過深入研究邊緣計算理論，提出并實現(xiàn)了一種基于邊緣計算的智能消防物聯(lián)網(wǎng)網(wǎng)關(guān)，以解決傳統(tǒng)消防物聯(lián)網(wǎng)系統(tǒng)中的誤報、漏報等問題。在網(wǎng)關(guān)構(gòu)建中，利用三層架構(gòu)實現(xiàn)了對數(shù)據(jù)的高效存儲和實時智能分析。在算法性能評估中，通過實驗對比YOLOv3 和YOLOv5在不同數(shù)據(jù)集和分辨率下的性能，最終選擇了適用于嵌入式系統(tǒng)的YOLOv3作為核心算法，從而平衡了推理速度和目標檢測性能。為了進一步提高YOLOv3的性能，通過模型蒸餾方法對其進行了優(yōu)化，優(yōu)化后的模型在平均精度（mAP） 和交并比（IoU） 等指標上取得了明顯提升，證明了優(yōu)化方法的有效性。

然而，算法的優(yōu)化仍然存在一些改進空間。未來可以引入溫度參數(shù)來調(diào)整軟標簽的分布，并利用梯度下降法進一步減小損失函數(shù)，以提高目標檢測的準確性。此外，還可以考慮拓展其應用領(lǐng)域，將邊緣計算技術(shù)應用于其他安全領(lǐng)域，以實現(xiàn)更廣泛的社會影響。