面向云边协同监测的知识引导洪涝水位推理

频繁发生的城市洪涝严重威胁着智能交通系统的安全与效率。现有基于视觉的洪涝水位检测方法面临两大局限。首先，缺乏显式推理导致检测性能不佳且可解释性不足。其次，这些方法难以泛化至不同视角下复杂多样的真实道路场景。为此，我们将该任务重新表述为显式视觉推理问题，并提出了面向云边协同的洪涝水位推理框架 HydroReasoner。HydroReasoner 基于 Qwen2.5-VL 构建，并采用组相对策略优化进行训练。为解决推理过程标注稀缺的问题，我们构建了洪涝领域知识图谱 HydroKG，并设计了一种新颖的知识图谱路径奖励。该奖励通过对 HydroKG 进行确定性图遍历，为模型的推理过程提供细粒度监督，从而提升推理能力与泛化能力。在边缘部署方面，我们对模型进行 4 位量化，使 GPU 显存占用降低 57%，推理延迟降低 43%，而域外准确率仅下降 0.2 个百分点。我们还提出了一种基于置信度的云边路由机制，以提高系统安全性并减轻云端计算负载。此外，我们构建了包含 3,000 张图像的洪涝基准数据集 HydroLevel，用于模型训练与评估。实验结果表明，HydroReasoner 在域内和域外评估中的检测准确率分别比传统视觉基线高出 4.0 和 13.6 个百分点，且域外性能仅下降 4.4 个百分点。