.png){kind=icon}
返回
GridScope: A Cloud-Edge Collaborative Framework for Robust and Efficient Power-Grid Inspection
.png){kind=icon}
OA
AI
DOI：10.3390/electronics15184226.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电网巡检需要高检测可靠性和低延迟部署，但现有解决方案通常面临轻量级边缘模型（语义能力有限）与大型多模态模型（推理成本高）之间的根本性权衡。为解决此问题，我们提出GridScope，一种用于电网巡检的云-边协同目标检测框架。GridScope集成了基于服务等级协议（SLA）的置信度路由，根据任务优先级和检测置信度自适应协调本地推理、云端验证和双通道响应。为提高通信效率，我们进一步设计了分拆视觉语言模型（split-VLM）协同推理管道，其中在边缘端提取紧凑视觉特征，仅将特征级表示传输至云端进行语义验证。此外，云端优化后的预测结果用于定期优化边缘检测器，形成持续反馈循环，随时间提升本地检测质量。在野火和外来物体入侵基准上的实验表明，GridScope始终比轻量级检测器和完整VLM基线实现更优的精度-效率权衡。
Keyword:
power-grid inspection
cloud-edge collaboration
vision-language models
object detection
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
引用论文
Large-scale Video Analytics with Cloud-Edge Collaborative Continuous Learning基于云边缘的协作式持续学习的大规模视频分析OAAI
OAAI分享收藏Ace-Sniper: Cloud–Edge Collaborative Scheduling Framework With DNN Inference Latency Modeling on Heterogeneous DevicesAce-Sniper：基于异构设备DNN推理延迟建模的云-边协同调度框架
PREAI
分享收藏Ji, Y.; Ma, T.; Shen, H.; Feng, H.; Zhang, Z.; Li, D.; He, Y. Transmission Line Defect Detection Algorithm Based on Improved YOLOv12. Electronics 2025, 14, 2432. [Google Scholar] [CrossRef]Ji, Y.; Ma, T.; Shen, H.; Feng, H.; Zhang, Z.; Li, D.; He, Y. 基于改进YOLOv12的输电线路缺陷检测算法. Electronics 2025, 14, 2432. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Automatic autonomous vision-based power line inspection: A review of current status and the potential role of deep learning基于视觉的自动自主电力线巡检: 深度学习的现状和潜在作用综述
OAAI
OAAI分享收藏PArtNNer: Platform-Agnostic Adaptive Edge-Cloud DNN Partitioning for Minimizing End-to-End LatencyPArtNNer: 一种平台无关的自适应边缘-云DNN切分方法，用于最小化端到端延迟OAAI
OAAI分享收藏分享收藏
查看更多内容