一種消防物聯(lián)網(wǎng)智能網(wǎng)關(guān)的搭建與優(yōu)化

關(guān)鍵詞：邊緣計(jì)算；深度學(xué)習(xí)；Jetson Nano；YOLO；模型蒸餾

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）28-0023-04

0 引言

多年的實(shí)踐表明，傳統(tǒng)基于單一傳感器的火災(zāi)預(yù)警系統(tǒng)經(jīng)常面臨誤報(bào)和漏報(bào)等問(wèn)題[1]。與此同時(shí)，基于云計(jì)算的多源感知火災(zāi)報(bào)警系統(tǒng)在節(jié)點(diǎn)數(shù)據(jù)處理中給數(shù)據(jù)中心帶來(lái)了巨大的計(jì)算分析壓力[2]。為應(yīng)對(duì)這一挑戰(zhàn)，本文選用了Jetson Nano和樹(shù)莓派作為智能硬件平臺(tái)，結(jié)合深度學(xué)習(xí)中的YOLO算法，提出了一種基于邊緣計(jì)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(bào)、漏報(bào)以及數(shù)據(jù)中心計(jì)算壓力大的問(wèn)題，同時(shí)降低了對(duì)云計(jì)算的依賴(lài)，從而提升了系統(tǒng)的實(shí)時(shí)性和可靠性。這一創(chuàng)新設(shè)計(jì)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(dāng)連接終端設(shè)備和云端的橋梁，通過(guò)邊緣計(jì)算實(shí)現(xiàn)對(duì)節(jié)點(diǎn)數(shù)據(jù)的實(shí)時(shí)監(jiān)測(cè)和分析。為滿足網(wǎng)關(guān)的實(shí)時(shí)性和智能化需求，采用了三層架構(gòu)來(lái)實(shí)現(xiàn)，包括環(huán)境感知層、實(shí)時(shí)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(cè)傳感器和火災(zāi)報(bào)警監(jiān)測(cè)傳感器等。這些傳感模塊承擔(dān)著實(shí)時(shí)采集環(huán)境數(shù)據(jù)的任務(wù)，為后續(xù)的分析和處理提供基礎(chǔ)數(shù)據(jù)。

實(shí)時(shí)分析層則負(fù)責(zé)數(shù)據(jù)的實(shí)時(shí)分析。基于邊緣計(jì)算的理念，該層將計(jì)算任務(wù)從傳統(tǒng)的集中式云端向網(wǎng)絡(luò)邊緣推移，以實(shí)現(xiàn)更低延遲、更高實(shí)時(shí)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(yùn)算平臺(tái)，同時(shí)樹(shù)莓派充當(dāng)輔助硬件平臺(tái)。

核心決策層主要依賴(lài)于YOLO算法對(duì)節(jié)點(diǎn)數(shù)據(jù)進(jìn)行實(shí)時(shí)智能檢測(cè)，并采用MongoDB數(shù)據(jù)庫(kù)以有效存儲(chǔ)和管理數(shù)據(jù)。

通過(guò)以上三層構(gòu)建，該網(wǎng)關(guān)在智能消防任務(wù)中具備了相對(duì)完整的數(shù)據(jù)處理和分析能力。網(wǎng)關(guān)能夠在本地進(jìn)行火災(zāi)檢測(cè)，一旦檢測(cè)到火災(zāi)，就將相關(guān)信息上傳至云端，由云端執(zhí)行系統(tǒng)預(yù)警。智能網(wǎng)關(guān)的結(jié)構(gòu)框架經(jīng)過(guò)模塊化設(shè)計(jì)，層次清晰，具有較高的維護(hù)性和可擴(kuò)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(kāi)發(fā)板，搭載了NVIDIA Maxwell架構(gòu)的GPU[4]。在網(wǎng)關(guān)中，Jetson Nano承擔(dān)了處理圖像數(shù)據(jù)、運(yùn)行實(shí)時(shí)目標(biāo)檢測(cè)算法的任務(wù)，以實(shí)現(xiàn)對(duì)消防場(chǎng)景的智能分析。

樹(shù)莓派作為低成本、高性能的單板計(jì)算機(jī)，廣泛應(yīng)用于物聯(lián)網(wǎng)和嵌入式系統(tǒng)[5]。在本項(xiàng)目中，其主要任務(wù)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(wù)。

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(jìn)行配置，包括驅(qū)動(dòng)安裝、環(huán)境搭建和網(wǎng)絡(luò)設(shè)置。安裝完成后，需要進(jìn)一步安裝Pad?dleX深度學(xué)習(xí)基礎(chǔ)框架[6]，以支持后續(xù)算法的實(shí)現(xiàn)。同時(shí)，為充分發(fā)揮Jetson Nano的GPU性能，必須安裝并配置CUDA和cuDNN庫(kù)。

實(shí)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(shù)莓派、攝像頭和二氧化碳煙霧傳感器。

1.2 數(shù)據(jù)庫(kù)的設(shè)計(jì)與配置

在核心決策層中，選擇MongoDB 作為數(shù)據(jù)庫(kù)系統(tǒng)，以滿足消防物聯(lián)節(jié)點(diǎn)數(shù)據(jù)的存儲(chǔ)和高效管理需求。首先，需要對(duì)MongoDB進(jìn)行安裝和配置，以確保其能夠在網(wǎng)關(guān)上正常運(yùn)行。隨后，進(jìn)行數(shù)據(jù)庫(kù)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(kù)結(jié)構(gòu)。合理設(shè)計(jì)的數(shù)據(jù)庫(kù)結(jié)構(gòu)能夠更高效地存儲(chǔ)和檢索消防監(jiān)測(cè)數(shù)據(jù)，其結(jié)構(gòu)如表1所示。

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

2 算法的評(píng)估與優(yōu)化

在核心決策層中，不僅需要實(shí)現(xiàn)節(jié)點(diǎn)數(shù)據(jù)的高效存儲(chǔ)和管理，還需采用YOLO 算法進(jìn)行火災(zāi)檢測(cè)。YOLO算法以快速、準(zhǔn)確的圖像識(shí)別能力著稱(chēng)，有效支持實(shí)時(shí)火災(zāi)事件監(jiān)測(cè)[7]。為滿足智能網(wǎng)關(guān)的需求，需對(duì)不同版本的YOLO算法進(jìn)行篩選并進(jìn)行相應(yīng)優(yōu)化。

2.1 算法性能評(píng)估

為了評(píng)估YOLO算法的性能，選取了4項(xiàng)評(píng)價(jià)指標(biāo)：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(píng)估模型在不同類(lèi)別上的表現(xiàn)；IoU，即交集比（也稱(chēng)JaccardIndex） ，用于衡量模型預(yù)測(cè)的邊界框與真實(shí)邊界框之間的重疊程度，是檢測(cè)準(zhǔn)確性的評(píng)價(jià)指標(biāo)；Speed指推理速度，即算法在檢測(cè)過(guò)程中處理單個(gè)圖像所需的時(shí)間，單位為毫秒（ms） ；FLOPs表示每秒浮點(diǎn)運(yùn)算次數(shù)，衡量神經(jīng)網(wǎng)絡(luò)模型計(jì)算復(fù)雜度的指標(biāo)。以上4項(xiàng)指標(biāo)綜合評(píng)估YOLO 算法在檢測(cè)過(guò)程中的準(zhǔn)確性和全面性。

限于篇幅，僅比較YOLOv3和YOLOv5在3種不同類(lèi)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(gè)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(xùn)練集為3 570張，驗(yàn)證集為1 020張，測(cè)試集為510 張。實(shí)驗(yàn)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(qǐng)參見(jiàn)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(duì)較高，表現(xiàn)優(yōu)于YOLOv3。在高分辨率圖片下，mAP通常更高，因?yàn)楦叻直媛实膱D片可以提供更多的細(xì)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(duì)目標(biāo)定位更加準(zhǔn)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(shì)。YOLOv5的FLOPs相對(duì)較高，這與其更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)有關(guān)。

盡管YOLOv5模型的檢測(cè)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(shì)。如果將YOLOv5部署在Jetson Nano上，因?yàn)槠銰PU性能相對(duì)有限，可能無(wú)法達(dá)到Y(jié)OLOv5在更強(qiáng)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(dǎo)致模型整體性能下降，進(jìn)而影響實(shí)際檢測(cè)中的響應(yīng)速度。此外，在長(zhǎng)時(shí)間高負(fù)載的情況下，設(shè)備容易過(guò)熱，這會(huì)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(shí)現(xiàn)速度和準(zhǔn)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(píng)估結(jié)果，盡管YOLOv3的推理速度較快，但其目標(biāo)檢測(cè)性能仍有待進(jìn)一步提高。為此，采用模型蒸餾方法對(duì)YOLOv3進(jìn)行優(yōu)化。該方法是一種將復(fù)雜模型的知識(shí)傳遞給簡(jiǎn)單模型的方法[8]，能夠在保持模型規(guī)模和計(jì)算成本的同時(shí)，提高簡(jiǎn)單模型的性能。具體操作包括：將較復(fù)雜且表現(xiàn)優(yōu)異的模型作為“教師模型”，而將較簡(jiǎn)單的模型作為“學(xué)生模型”。教師模型首先在原始數(shù)據(jù)集上進(jìn)行訓(xùn)練，然后學(xué)生模型根據(jù)教師模型的預(yù)測(cè)結(jié)果進(jìn)行訓(xùn)練；這樣，學(xué)生模型的目標(biāo)是學(xué)習(xí)教師模型的概率分布，而不是直接學(xué)習(xí)原始數(shù)據(jù)集上的標(biāo)簽，從而使學(xué)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(zhǔn)備。選擇YOLOv5作為教師模型，YO?LOv3作為學(xué)生模型。這樣做的目的是在保持YOLOv3 速度優(yōu)勢(shì)的前提下，使其檢測(cè)性能盡可能逼近YOLOv5。

2） 軟標(biāo)簽生成。在訓(xùn)練集上，使用YOLOv5生成軟標(biāo)簽。這些軟標(biāo)簽是概率分布，而不是傳統(tǒng)的類(lèi)別標(biāo)簽和邊界框信息（硬標(biāo)簽），反映了YOLOv5對(duì)火焰及煙霧位置的置信度分布。對(duì)于每個(gè)目標(biāo)的置信度分?jǐn)?shù)，使用Softmax函數(shù)將其轉(zhuǎn)換為概率分布，計(jì)算方式如下：

4） 優(yōu)化后的模型評(píng)估。在模型訓(xùn)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(jìn)行訓(xùn)練。訓(xùn)練完成后，通過(guò)測(cè)試和評(píng)估，得出了改進(jìn)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(guò)以上數(shù)據(jù)可以看出，在416×416分辨率下，當(dāng)λ 值在0.5至0.7之間時(shí)，改進(jìn)后的YOLOv3模型能夠取得較好的性能表現(xiàn)。然而，當(dāng)λ 值大于0.7時(shí)，性能反而會(huì)下降。這是因?yàn)檫^(guò)大的λ 值會(huì)導(dǎo)致模型過(guò)于關(guān)注分類(lèi)損失，從而影響回歸損失，導(dǎo)致邊界框的位置和大小不夠準(zhǔn)確。

最終可以得出結(jié)論：改進(jìn)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(jìn)一步逼近YOLOv5，達(dá)到了優(yōu)化的目的。

3結(jié)論與展望

通過(guò)深入研究邊緣計(jì)算理論，提出并實(shí)現(xiàn)了一種基于邊緣計(jì)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(bào)、漏報(bào)等問(wèn)題。在網(wǎng)關(guān)構(gòu)建中，利用三層架構(gòu)實(shí)現(xiàn)了對(duì)數(shù)據(jù)的高效存儲(chǔ)和實(shí)時(shí)智能分析。在算法性能評(píng)估中，通過(guò)實(shí)驗(yàn)對(duì)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(biāo)檢測(cè)性能。為了進(jìn)一步提高YOLOv3的性能，通過(guò)模型蒸餾方法對(duì)其進(jìn)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(biāo)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(jìn)空間。未來(lái)可以引入溫度參數(shù)來(lái)調(diào)整軟標(biāo)簽的分布，并利用梯度下降法進(jìn)一步減小損失函數(shù)，以提高目標(biāo)檢測(cè)的準(zhǔn)確性。此外，還可以考慮拓展其應(yīng)用領(lǐng)域，將邊緣計(jì)算技術(shù)應(yīng)用于其他安全領(lǐng)域，以實(shí)現(xiàn)更廣泛的社會(huì)影響。