Добавить в корзинуПозвонить
Найти в Дзене
Grace Team

⚙️ Микроконтроллеры TinyML научились искать трещины на объектах с дронов

Группа исследователей представила эффективный метод обнаружения трещин на инфраструктурных объектах с помощью дронов, использующих технологии Tiny Machine Learning (TinyML). Работа опубликована в журнале *Scientific Reports*. 🔎 В чём проблема традиционного подхода Обычно дроны передают видео на сервер для анализа — но это создаёт три ключевых ограничения: • 📉 Низкая пропускная способность каналов связи • 🔋 Высокое энергопотребление при передаче данных • 🔒 Риски утечки конфиденциальной информации 🧠 Решение: полностью автономный конвейер на борту Авторы разработали систему на базе микроконтроллера STM32H7, которая обрабатывает изображения непосредственно на дроне с помощью нейросети MobileNetV1x0.25. Ключевые инновации: 🔹 Сравнение двух стратегий предобработки: ручная (цвет, контраст, шум, бинаризация) и автоматизированная 🔹 Применение 4 методов сжатия модели: - Квантование после обучения - Квантование с учётом обучения - Прореживание сети - Кластеризация весов 📊 Результаты,

⚙️ Микроконтроллеры TinyML научились искать трещины на объектах с дронов

Группа исследователей представила эффективный метод обнаружения трещин на инфраструктурных объектах с помощью дронов, использующих технологии Tiny Machine Learning (TinyML). Работа опубликована в журнале *Scientific Reports*.

🔎 В чём проблема традиционного подхода

Обычно дроны передают видео на сервер для анализа — но это создаёт три ключевых ограничения:

• 📉 Низкая пропускная способность каналов связи

• 🔋 Высокое энергопотребление при передаче данных

• 🔒 Риски утечки конфиденциальной информации

🧠 Решение: полностью автономный конвейер на борту

Авторы разработали систему на базе микроконтроллера STM32H7, которая обрабатывает изображения непосредственно на дроне с помощью нейросети MobileNetV1x0.25.

Ключевые инновации:

🔹 Сравнение двух стратегий предобработки: ручная (цвет, контраст, шум, бинаризация) и автоматизированная

🔹 Применение 4 методов сжатия модели:

- Квантование после обучения

- Квантование с учётом обучения

- Прореживание сети

- Кластеризация весов

📊 Результаты, которые впечатляют

| Показатель | Значение |

|------------|----------|

| Точность (F1-мера) | 0,938 (+11,4% к аналогам) |

| Потребление ОЗУ | 2,9 МБ |

| Время цикла анализа | 461,6 мс |

| Энергопотребление цикла | 623,16 мДж |

✈️ Практические испытания на DJI Mini 4 Pro

• Непрерывная работа системы сокращает полётное время всего на 1,31 минуты (4%)

• Для сравнения: платформы типа Jetson снижают автономность на ~24%

• Система работает в реальном времени без потери качества детекции

🎯 Почему это важно для отрасли

✅ Энергоэффективность — анализ на борту без передачи данных в облако

✅ Конфиденциальность — изображения не покидают дрон

✅ Масштабируемость — решение работает на доступных микроконтроллерах

✅ Воспроизводимость — авторы создали эталон для бортового мониторинга конструкций

Это доказывает: эффективный ИИ-анализ возможен даже в условиях жёстких ограничений по памяти и энергии. Для инспекции мостов, ЛЭП, трубопроводов и зданий — это шаг к полностью автономным системам диагностики.

#TinyML #БПЛА #дроны #ИИ #нейросети #инфраструктура #мониторинг #инспекция #микроконтроллеры #инновации #научныеисследования #машинноеобучение #энергоэффективность

📲TapLink (все наши ресурсы)