基于轻量化神经网络的边缘端电力设备识别系统设计.docxVIP

PAGE2

基于轻量化神经网络的边缘端电力设备识别系统设计

摘要

随着智能电网的快速发展，对电力设备的实时监测与智能识别需求日益迫切。传统识别方法依赖云端服务器，存在网络延迟高、带宽占用大、数据隐私风险等问题，难以满足变电站、配电房等边缘场景的实时性、可靠性及低功耗要求。本课题旨在设计并实现一套部署于边缘计算设备的电力设备识别系统，通过采用轻量化神经网络模型，在资源受限的边缘端实现电力设备的实时、高精度识别。

本设计遵循系统工程方法，首先进行需求分析，明确系统在识别精度、实时性、功耗及部署便捷性等方面的具体指标。接着，对轻量化神经网络、边缘计算平台及模型优化等关键技术进行选型与论证，确定以MobileNetV3作为核心识别模型，并部署于JetsonNano边缘计算平台。在系统总体设计中，规划了数据采集、模型推理、结果输出三大功能模块，并设计了相应的软件架构与数据流。详细设计阶段，重点阐述了模型轻量化改造、图像预处理及后处理算法的具体流程。系统实现部分展示了基于PyTorch的模型训练、量化及在边缘设备上的部署过程。最后，通过构建测试数据集，对系统的识别准确率、推理延迟及功耗等关键性能指标进行了全面测试与验证。

测试结果表明，本系统在自建电力设备数据集上的平均识别准确率达到96.8%，单张图像推理时间小于150毫秒，功耗低于10瓦，满足了边缘端实时识别的设计要求。本设计的核心