01目标
把工程机械作业识别模型部署到内存与处理能力受限的现场设备，在保留识别能力的同时满足时序数据处理的实时性要求。
这是我的产业合作研究经历。我负责模型搜索、压缩与边缘性能验证，把算法选择放到实际硬件和运行时条件下检查，并参与现场应用验证。
02输入
- 用于作业识别的时序传感器数据、标签和活动识别基线模型。
- 目标设备的内存、处理器与运行时条件。
- 可供比较的网络结构、搜索参数和裁剪方案。
- 离线评估与现场验证中的识别结果和处理耗时。
目标设备资源紧张，量化方案还受到运行时支持限制，因此需要从网络结构与裁剪等方向寻找可行路径。
03用户流程
以下按边缘系统接收与分析传感器数据的任务梳理：
- 采集并准备时序传感器输入，整理为模型需要的数据窗口。
- 在目标设备执行识别，得到作业类别结果。
- 对照标注和现场情况核对识别表现，同时测量处理耗时与资源使用。
- 根据质量和实时性结果，更新模型结构或压缩配置。
- 将经过验证的模型和运行方式用于现场应用验证。
04输出
研究采用 NAS、Bayesian Optimization 与 Structured Pruning，在目标运行时不采用量化的条件下压缩模型，并验证识别表现与时序数据处理速度。
成果完成海外建设现场应用验证，并以第一作者形成 RSJ2022 的作业识别与模型搜索压缩研究发表。公开案例聚焦技术路线和研究贡献，不披露客户内部数据或具体实验指标。
05任务边界
- 工作是传感器活动识别与边缘部署研究，不覆盖整机自主控制。
- 模型搜索和压缩需要遵守目标运行时限制，不能把在开发机可用的方法直接视为现场可用。
- 现场验证有设备、数据与任务范围，不推广为所有机械和作业条件都适用。
- 论文成果与工程验证是本阶段产出，后续长期运营情况不作推断。
06验收标准
以下为研究与部署验证的检查口径：
- 在明确的数据划分上比较基线与压缩模型的识别表现。
- 在目标设备测量时序窗口处理时间，而不是用开发环境性能代替现场结果。
- 检查模型大小与运行资源是否符合约束，记录运行时不支持的技术路径。
- 用现场验证检查输入与离线实验的差异，并保留可解释的失败案例。
具体商业验收阈值不在公开文章中展开。
07迭代
先确定目标设备可执行的技术集合，再通过搜索和裁剪降低模型负担，随后检查实时性与现场识别表现。这段经历也成为后续硕士研究的起点：模型还能否更小，传感器本身是否也能减少？
从设备约束中提出研究问题，再用现场结果检验研究价值，是我连接模型研究与工程交付的一条重要路径。