计算机工程

作者：王克文, 陈紫阳, 宁松成, 肖硕

单位：1. 北京交通大学电气工程学院, 北京 1000442. 国能新朔铁路有限责任公司, 内蒙古 鄂尔多斯 0103003. 中国矿业大学计算机科学与技术学院, 江苏 徐州 2210004. 北京飞鸿云际科技有限公司, 北京 100070

关键词：钢轨检测,任务分配,协同卸载,最大最小化模型,遗传算法

基金：国家自然科学基金(62071470); 国家自然科学基金(62271486)

钢轨是铁路运输系统的重要基础设施, 其安全性对列车运行安全至关重要。定期检测钢轨的状态可以帮助及时发现潜在的缺陷和损坏。机器视觉检测近年来逐步运用到钢轨检测中。然而, 因为铁路上网络和计算资源的限制, 检测工作只能在普通列车非运行时间段开展, 不能进行实时检测。针对以上问题, 采用终端-边缘端-云端架构, 提出在列车上每隔一段距离装载高速摄像机, 并将列车收集到的检测图片任务合理卸载至提前缓存的预训练检测模型的终端、轨边的边缘服务器和云服务器进行处理。基于检测任务的组成是离散的, 考虑检测任务分配比例、CPU计算能力和任务优先级约束时延的约束条件, 以检测任务时延作为优化目标构建目标函数, 将任务卸载处理问题表述为最大最小化模型问题。最后通过遗传算法(GA)获取最优任务分配比例、最优CPU计算能力任务分配以及最优最小任务时延。实验结果表明, 在列车拍摄频率为200 Hz生成单个检测任务的情况下, GA的协同卸载比基于二进制云端、边缘端和本地的响应时延分别减少了1 287、515、875 ms; 在检测任务数为10个情况下, 基于GA的协同卸载比基于粒子群算法和蚁群算法的响应时延分别减少了2.440、3.520 s。该方法在不同卸载方案中具有明显的时延优化作用。

来源：2026年第1期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第1期