4. 数据采集规范（上）

Edge AI 项目的成败，往往不取决于模型结构有多先进，而取决于喂给模型的数据是否“干净、对齐、可解释”。在边缘计算场景中，数据采集受物理环境、硬件成本、功耗约束和部署位姿等多重因素制约，一旦采集规范缺失，后续的模型训练、仿真验证和实车/实机测试都将陷入被动。本章聚焦数据采集的上游环节——需求分析、场景定义、传感器选型与标注标准，帮助学员建立一套可执行、可追溯、可复用的采集规范框架。

4.1 采集需求分析：从业务目标到数据规格的映射

采集需求分析不是简单地回答“我们要拍多少张图片”，而是要从业务目标出发，逐层拆解出数据在“内容、分布、精度、时效”四个维度上的硬性要求。以工业质检为例，业务目标是“检测 PCB 板上的微小焊点缺陷”，那么采集需求就应明确：缺陷类型（虚焊、桥连、少锡）、最小缺陷尺寸（如 0.3mm）、检测节拍（每片 2 秒）、误检率上限（≤0.5%）。这些指标直接决定了相机的分辨率、光源类型、拍摄角度和样本数量。

操作上，建议采用“需求-数据规格”映射表，将业务指标逐项转化为可测量的数据参数。例如：

这里的关键是避免“过度采集”和“欠采集”。过度采集会浪费存储和算力，欠采集则导致模型泛化能力不足。建议在需求分析阶段就定义“最小有效数据集”的概念——即满足模型训练和验证所需的最少样本量，通常通过经验公式或小规模预实验来估算。

4.2 场景定义：覆盖矩阵与边界条件

场景定义是数据采集中最容易“想当然”的环节。很多团队在实验室里采集的数据效果很好，一到现场就崩溃，根本原因在于场景定义没有覆盖真实部署时的环境变化。场景定义需要从五个维度展开：光照条件（自然光/人造光、强光/逆光/暗光）、天气与季节（雨雾、雪、扬尘）、物理位姿（安装高度、俯仰角、旋转角）、动态干扰（运动模糊、遮挡、反光）、边缘工况（极端温度、振动、电磁干扰）。

一个实用的工具是“场景覆盖矩阵”，横轴为环境变量，纵轴为业务场景，交叉点标注采集优先级（P0/P1/P2）。例如，对于户外巡检机器人：

• P0（必须覆盖）：晴天上午 9 点-11 点、阴天、黄昏低照度、夜间路灯照明。
• P1（尽量覆盖）：小雨、薄雾、逆光、反光路面、树叶遮挡。
• P2（可选覆盖）：大雪、暴雨、沙尘暴、夜间无照明。

在定义场景时，还要明确“采集位姿”的量化标准。例如，相机安装高度 1.2m±0.05m，俯仰角 15°±2°，水平旋转角 0°±5°。这些参数必须写入采集作业指导书，否则不同批次的采集数据在视角上存在偏差，导致模型对位姿敏感。

4.3 传感器选型：分辨率、帧率、接口与功耗的权衡

传感器选型是采集规范中的“硬骨头”，因为它涉及多个相互制约的参数。以视觉传感器为例，核心选型参数包括：分辨率（决定空间精度）、帧率（决定时间精度）、动态范围（决定光照适应性）、接口类型（决定传输带宽和延迟）、功耗（决定边缘设备的散热和续航）。

选型流程建议按以下步骤执行：

1. 计算最小分辨率：根据最小目标尺寸和视场范围，用公式 分辨率 = 视场宽度 / 最小特征尺寸 × 3（奈奎斯特系数） 估算。
2. 确定帧率：根据目标运动速度和检测节拍，保证相邻帧重叠率 ≥30%。
3. 评估接口带宽：例如，500万像素、10bit 深度、30fps 的原始数据带宽约为 150MB/s，需选择 USB3.0 或 GigE 接口。
4. 功耗预算：边缘设备总功耗通常限制在 10W-30W，传感器功耗应控制在 1W-3W 以内。
5. 环境适应性：工业场景需选择 IP65 以上防护等级，户外场景需考虑宽温设计。

下表对比了常见视觉传感器的适用场景：

4.4 数据标注标准：格式、类别体系与质量控制

数据标注是连接采集与训练的桥梁，标注标准直接决定模型的上限。标注标准需要明确三个层面：标注格式（COCO、VOC、YOLO 或自定义）、类别体系（层级分类、属性标签）、质量控制流程（交叉验证、抽检比例、争议仲裁）。

在格式选择上，建议优先采用行业通用格式，便于复用预训练模型和开源工具。例如，目标检测推荐 COCO 格式（JSON），语义分割推荐 COCO 或 Cityscapes 格式。同时，要定义“标注粒度”——是框级标注还是像素级标注，这直接影响标注成本和模型精度。

类别体系的设计需要遵循“互斥且完备”原则。以智慧交通为例，车辆类别应细分为轿车、SUV、卡车、公交车、自行车、行人等，并定义“其他车辆”作为兜底类别。每个类别还需附带属性标签，如颜色、朝向、遮挡程度（0-100%）、截断比例等。这些属性标签对后续的模型调优和场景分析至关重要。

质量控制方面，建议采用“双人标注+仲裁”机制：

1. 两名标注员独立标注同一批数据，计算 IoU（交并比）和类别一致性。
2. IoU ≥0.7 且类别一致，视为合格；否则进入仲裁环节。
3. 仲裁员（通常是算法工程师）根据标注规范文档做出最终决定。
4. 每周抽检 5%-10% 的已入库数据，统计标注错误率，目标控制在 2% 以内。

4.5 常见误区与总结复盘

在数据采集规范的实际落地中，团队常陷入以下误区：

• 误区一：重数量轻分布——认为样本越多越好，忽略了场景覆盖的均衡性，导致模型在长尾场景下失效。
• 误区二：传感器选型只看参数表——没有实测环境光、振动、温度对传感器输出的影响，导致现场数据与实验室数据分布偏移。
• 误区三：标注标准“一刀切”——不同场景的标注粒度应该不同，例如高速运动目标适合框级标注，精密缺陷检测需要像素级标注。
• 误区四：忽略时间戳同步——多传感器融合时，如果时间戳不同步，即使每个传感器数据都准确，融合后的结果也会出现错位。

总结复盘时，建议建立“数据采集规范检查清单”，包含以下核心项：

最后需要强调的是，数据采集规范不是一次性交付物，而是伴随项目全生命周期的动态文档。每当模型在测试中发现新的失败模式，都应回溯到采集规范，检查是场景覆盖不足、传感器参数不当，还是标注标准模糊。只有形成“采集→训练→测试→反馈→再采集”的闭环，Edge AI 项目才能持续稳定地交付。