边缘智能驱动的边坡落石视频监测系统设计与实现

Journal: Engineering Technology Development DOI: 10.32629/etd.v7i2.18959

吴欣欣

长江大学

Abstract

针对公路边坡落石灾害突发性强、传统监测方法实时性差、部署困难等问题,本文设计并实现了一套云边端协同的落石视频监测系统。系统采用端侧工业摄像头采集视频流,边缘侧基于轻量化YOLOv26模型进行实时检测,云端负责数据汇聚与二次预警。重点阐述了双模抽帧处理策略、边缘端模型量化与算子融合加速、低带宽结构化数据传输等关键技术。通过昇腾CANN工具链完成INT8量化,实现2.52倍推理加速。采用自适应抽帧和四级事件过滤机制,端到端延迟<200ms,单次报警数据量<5KB,动态抽帧降低63%带宽需求。在湖北省某高速公路的示范应用中,系统连续稳定运行,检测准确率达96.3%,有效实现了落石事件的实时预警。系统基于Docker容器化部署,集成NPU+CPU异构计算架构,具备四级容错机制,为公路边坡安全监测提供了高可靠、易部署的技术方案。

Keywords

视频流处理；落石监测；YOLOv26；模型量化；昇腾AI处理器；云边端协同

Full Text

PDF - Viewed/Downloaded: 0 Times

References

[1] 王学良,刘海洋,王瑞琪,等.输变电工程崩塌(滚石)灾害识别与预测方法[J].工程地质学报,2018,26(1):172-178.
[2] 王栋,王剑锋,李天斌,等.西南山区某铁路隧道口高位落石三维运动特征分析[J].地质力学学报,2021,27(1):96-104.
[3] 胡厚田.崩塌落石研究[J].铁道工程学报,2005,22(S1):387-391.
[4] 刘诗懿.基于语义分割和LiDAR激光点云的全天候边坡落石灾害实时监测与预警[D].长安大学,2023.
[5] 陈垦,欧鸥,杨长志,等.基于改进YOLOX的落石检测方法[J].计算机测量与控制,2023,31(11):13-59.
[6] 交通运输部.“十四五”公路养护管理发展纲要[Z].北京:中华人民共和国交通运输部,2022.
[7] Ascend.AscendDockerRuntimeDocumentation[EB/OL].2023.
[8] RangiLyu.NanoDet:超轻量目标检测模型[EB/OL].GitHub,2021.https://github.com/RangiLyu/nanodet.
[9] Jocher G,et al.YOLOv5 by Ultralytics[EB/OL].GitHub,2020.https://github.com/ultralytics/yolov5.
[10] Howard A,et al.Searching for MobileNetV3[C]//Proceed ings of the IEEE/CVF International Conference on Computer Vision(ICCV).2019:1314-1324.

Citing this article:

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License