一、单选题
-
在端侧设备部署AI模型时，使用swap空间的主要目的是？ (
答案：B )A. 提高GPU性能
B. 防止内存溢出导致程序崩溃
C. 加快网络传输速度
D. 增加磁盘读写寿命
-
Paddle Inference框架的主要特性包括？ (
答案：A )A. 高吞吐、低延迟、通用性强
B. 仅支持训练不支持推理
C. 必须依赖PyTorch运行
D. 不支持ARM架构
-
在智能端侧设备中，用于采集声音信号的硬件属于？ (
答案：C )A. 执行器
B. 存储器
C. 传感器
D. 显示器
-
以下哪项任务在计算机视觉中包含的信息量最丰富？ (
答案：C )A. 图像分类
B. 目标检测
C. 图像分割
D. 图像去噪
-
使用crontab -e配置定时任务时，以下哪一行表示每天凌晨2点30分执行 /home/user/backup.sh 脚本？ (
答案：A )A. 30 2 * * * /home/user/backup.sh
B. 2 30 * * * /home/user/backup.sh
C. * * 2 30 * /home/user/backup.sh
D. 30 2 /home/user/backup.sh
-
在Jetson设备上，用于监控GPU、CPU、内存等资源的工具是？ (
答案：C )A. top
B. htop
C. jtop
D. nvidia-smi
-
以下哪项不属于人工智能算法的基本特征？ (
答案：C )A. 有穷性
B. 可行性
C. 必须使用GPU加速
D. 时效性
-
在PaddleOCR中，以下哪项不是其主要特点？ (
答案：C )A. 轻量级
B. 支持多种设备部署
C. 仅支持英文识别
D. 高性能
二、多选题
-
关于端侧AI推理框架，以下描述正确的是？ (
答案：A, B, C )A. MNN是阿里巴巴推出的轻量级推理引擎
B. Paddle Inference支持多平台部署
C. TensorFlow Lite专为移动端和嵌入式设备优化
D. PyTorch主要用于训练，不支持端侧推理
-
在OpenCV图像处理中，以下哪些操作属于常见预处理步骤？ (
答案：A, B, C )A. 转换颜色空间（如BGR转RGB）
B. 调整图像尺寸
C. 图像二值化
D. 使用detectMultiScale进行人脸检测
-
以下哪些操作系统适用于人工智能端侧设备？ (
答案：A, B, C )A. Linux
B. DuerOS
C. AliOS-Things
D. Windows Server
-
使用crontab设置定时任务时，以下哪些表达式是合法且能正常工作的？ (
答案：A, B, C )A. 0 2 * * * /clean.sh
B. @daily /backup.sh
C. */5 * * * * /monitor.sh
D. echo “test”
-
在边缘智能系统中，关于数据安全与隐私，以下说法正确的是？ (
答案：A, B )A. 端侧处理可减少敏感数据上传至云端
B. 本地计算有助于满足GDPR等隐私法规要求
C. 所有数据必须加密后才能在端侧存储
D. 边缘设备天然具备防黑客攻击能力
三、判断题
-
在crontab中，“0 0 *“表示每天午夜执行任务。(
答案：√ ) -
图像分割任务比图像分类包含更丰富的语义信息。(
答案：√ ) -
Linux系统中的swap空间可以完全替代物理内存使用。(
答案：× ) -
Paddle Inference是一个用于模型训练的深度学习框架。(
答案：× ) -
端侧设备处理数据有助于减少上传至核心网的数据流量。(
答案：√ ) -
detectMultiScale函数中的scaleFactor参数用于控制检测窗口的缩放比例。(
答案：√ ) -
所有人工智能端侧设备都必须使用GPU进行推理。(
答案：× ) -
MNN是专为移动端和嵌入式设备设计的轻量级推理引擎。(
答案：√ )
四、填空题
-
百度推出的面向语音交互的人工智能操作系统是
答案：DuerOS 。 -
在Linux中，强制删除文件且不提示确认的命令选项是
答案：-f 。 -
PaddleOCR的核心优势包括轻量级、高性能和
答案：多语言支持 。 -
边缘智能设备常通过
答案：传感器 采集环境信息，如图像、声音等。 -
使用OpenCV显示图像时，需调用
答案：cv2.imshow() 函数才能在窗口中呈现图像。 -
在端侧部署深度学习模型时，常使用
答案：swap空间 来缓解内存不足问题。 -
MNN是由
答案：阿里巴巴 公司开源的轻量级推理引擎。 -
Linux中用于显示当前工作路径的命令是
答案：pwd 。 -
人脸识别中，OpenCV的级联分类器常用
答案：detectMultiScale 方法进行多尺度检测。 -
在边缘计算架构中，与”云计算”相对、更靠近用户的计算范式是
答案：边缘计算 。
五、简答题
1. 在端侧部署深度学习模型时，通常需要考虑哪些关键技术因素？
答：① 模型轻量化（如剪枝、量化）以适配资源受限设备；② 选择合适的推理引擎（如MNN、Paddle Inference）；③ 优化内存使用，合理配置swap空间；④ 确保操作系统兼容性（如Linux或AliOS-Things）；⑤ 考虑功耗与实时性平衡，避免过热或延迟过高。
2. 请简述图像数据预处理在边缘智能应用中的主要步骤及目的。
答：① 格式统一（如转为PNG），确保模型输入一致性；② 尺寸调整（如700×500），匹配训练数据规格；③ 通道校验（如确保RGB三通道），避免灰度图误入；④ 噪声去除或增强，提升模型鲁棒性；⑤ 过滤无效/损坏图像，保障数据集质量。
六、论述题
1：城市交通信号灯的自适应优化
背景描述：
某智慧城市项目试图通过AI优化主干道交通信号灯配时，以缓解高峰拥堵。传统方案依赖中心化平台处理来自各路口摄像头的视频流，但因数据量大、传输延迟高，难以实现秒级响应。此外，极端天气（如暴雨、浓雾）常导致感知精度下降，影响决策可靠性。
问题：
请设计一个部署在路口边缘服务器上的智能交通控制系统，使其能在本地完成感知、推理与控制闭环，并具备应对恶劣环境的能力，同时支持与相邻路口协同调度。
答题要求：
请从本地感知-决策闭环、鲁棒性增强的感知模型、路口间协同调度机制、动态计算资源分配和安全与冗余设计五个维度，提炼你的方案要点。
答：
参考答案（五个要点）：
l 本地感知-决策闭环：每个路口部署边缘计算单元，集成摄像头+雷达多模态感知，在本地完成车辆检测、排队长度估计与信号配时优化，实现秒级响应。
l 鲁棒性增强的感知模型：训练融合可见光与热成像数据的多模态AI模型，并引入对抗训练或域自适应技术，提升在雨雾、夜间等恶劣条件下的识别准确率。
l 路口间协同调度机制：通过V2I（车路协同）或边缘节点间低延迟通信（如TSN或5G URLLC），实现相邻路口绿波带协调，避免局部优化导致全局拥堵。
l 动态计算资源分配：根据实时车流量调整AI模型复杂度（如高峰用高精度模型，平峰切换至轻量版），平衡性能与能耗。
l 安全与冗余设计：边缘系统内置故障降级策略（如回归固定配时方案）；所有控制指令需经数字签名验证，防止恶意攻击干扰交通流。
2：远程医疗中的实时生命体征分析
背景描述：
一家远程医疗公司开发了一款可穿戴设备，用于监测慢性病患者（如心衰、COPD）的呼吸、心率、血氧等生命体征。设备需在患者家中7×24小时运行，并在检测到异常时立即通知医护人员。然而，持续上传原始生理数据至云端既耗电又占用家庭宽带，且部分农村地区网络覆盖差，可能导致警报延迟。
问题：
如何利用边缘智能技术，在可穿戴设备或家庭网关上实现高效、低功耗的异常检测，并确保关键警报的可靠送达？
答题要求：
请从超轻量边缘AI模型部署、事件触发式数据上传、低功耗运行优化、断网应急与本地告警和隐私合规与数据最小化五个方面，归纳你的解决方案。
答：
参考答案（五个要点）：
l 超轻量边缘AI模型部署：在可穿戴设备或家庭网关上部署TinyML模型（如TensorFlow Lite Micro），实现心律失常、呼吸异常等关键事件的本地实时检测。
l 事件触发式数据上传：正常状态下仅存储或丢弃原始数据；仅当检测到医学异常（如房颤、血氧骤降）时，才加密上传事件片段及上下文数据。
l 低功耗运行优化：采用传感器休眠-唤醒机制，结合硬件加速（如MCU内置NPU），将连续监测功耗控制在毫瓦级，延长设备续航。
l 断网应急与本地告警：在网络中断时，通过蓝牙/Wi-Fi Direct向家属手机发送本地警报；同时缓存事件数据，待网络恢复后自动补传。
l 隐私合规与数据最小化：遵循HIPAA/GDPR原则，原始生理数据不出家庭边界；所有上传数据经差分隐私或同态加密处理，确保患者身份不可逆推。
部分信息可能已经过时