CN110390246A - 一种边云环境中的视频分析方法 - Google Patents

一种边云环境中的视频分析方法 Download PDF

Info

Publication number
CN110390246A
CN110390246A CN201910304259.8A CN201910304259A CN110390246A CN 110390246 A CN110390246 A CN 110390246A CN 201910304259 A CN201910304259 A CN 201910304259A CN 110390246 A CN110390246 A CN 110390246A
Authority
CN
China
Prior art keywords
video
edge device
cloud
data
docker container
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201910304259.8A
Other languages
English (en)
Inventor
杨树森
李颖
惠永昌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Huizhong Data Technology Co Ltd
Original Assignee
Jiangsu Huizhong Data Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Huizhong Data Technology Co Ltd filed Critical Jiangsu Huizhong Data Technology Co Ltd
Priority to CN201910304259.8A priority Critical patent/CN110390246A/zh
Publication of CN110390246A publication Critical patent/CN110390246A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

一种边云环境中的视频分析方法，包括以下步骤：通过在边缘端对视频数据预处理，再通过MQTT消息传输协议，再将前景图像发送至下一台边缘设备中进行模型推理，对视频中出现的目标进行分类识别，最后将分类结果上传至云端数据库中；具有减小传输负载，降低带宽损耗，提高神经网络模型识别精度以及识别速度的特点。

Description

一种边云环境中的视频分析方法
技术领域
本发明属于边缘计算技术领域，具体涉及一种边云环境中的视频分析方法。
背景技术
随着物联网、大数据、云计算技术的快速发展，万物互联的环境下，边缘端传感器、监控等设备的数量也在迅速增加，并产生着数据，这些海量的数据需要被及时处理得到响应，否则会造成大量的拥塞。然而由于现有的集中式云计算服务模式下带宽以及资源的限制，已经不能实时高效的处理这些设备所产生的数据，且直接将边缘端采集到的原始数据上传至云端，必然会造成网络带宽负载以及计算资源的浪费。
这些设备会产生大量涉及个人隐私的数据，传统模式下，所有的数据需要全部上云处理，那就意味着用户的隐私数据将被上传至云中心，包括装载在无人驾驶汽车上的传感器和摄像头数据、中国用于打击犯罪的“天网”监控网络对行人和车辆实时监控和记录等等，这些数据全部上传至云端大大增加了泄露用户隐私数据的风险。
传统集中式云计算服务无法满足大数据处理的实时性、安全性以及低能耗等需求，边缘计算应运而生，网络的边缘设备具有足够的计算能力来实现原始数据的本地化梳理，只需将处理结果上传至云即可。边缘计算是指在网络边缘执行计算的一种计算模式，“边缘”是指从数据源到云计算中心路径之间的任意计算、存储和网络资源，将这条路径上的资源看成是“连接统”(continuum)，边缘计算的产生不是替代云计算的位置，而是云计算的扩展，二者相辅相成，共同弥补物联网环境下云计算服务的不足。随着智慧城市的普及，生活中各处将安装有网络智能摄像头，这就需要对监控视频做到实时分析处理并作出响应。集中式云计算模式下，直接将视频上传至云端数据中心，视频数据的传输不仅会占用大量的带宽资源，而且视频中大量的内容不是处理必须要的，这就不可避免的造成资源浪费。
大量的视频数据无法实时上传至云端做处理，所以将视频发送至靠近数据源产生的边缘设备中做处理，将处理完的结果上传至云端即可，当边缘设备的资源无法完成分类任务时，就需要将原始视频数据或者经过预处理的运动物体发送至其他边缘设备或上传至云服务器做运算，这样一来可大大降低传输中的带宽消耗且降低视频处理的延迟。
发明内容
为了克服上述现有技术的不足，本发明的目的在于提供一种边云环境下视频目标检测的方法，具有减小传输负载，降低带宽损耗，提高神经网络模型识别精度以及识别速度，视频目标检测更高效，节约计算资源的特点。
为实现上述目的，本发明采用的技术方案是：一种边云环境下视频目标检测的方法，包括以下步骤：
步骤1，边缘端视频数据采集：边缘端安装有多个摄像头，实时监控路口的车辆以及行人，并采集视频数据，摄像头为网络摄像头，是传统摄像机与网络视频技术相结合的产品，视频数据通过局域网、Internet或者无线网络传送至边缘设备；
各个路口安装有大量的网络摄像头，对所在区域进行实时监控，并将采集到的帧图像传输至边缘设备中；
步骤2，边缘端视频预处理：将步骤1中采集到的帧图像传至封装有前背景分离算法的docker容器中进行前背景分离；将实时采集到的视频帧图像通过前背景分离算法，获取该帧中的运动物体，舍弃图像背景数据；再通过MQTT消息发布机制，向下一个Docker容器传输运动物体；这一步骤的目的在于，减小传输负载，降低带宽损耗，提高神经网络模型识别精度以及识别速度；
步骤3，边缘端运动目标推理识别：边缘设备通过MQTT消息订阅机制，接收步骤2中检测出来的运动物体，传输至封装有深度学习模型的Docker容器中进行图像识别，输出分类结果，通过MQTT发布机制向下一个Docker容器传输分类结果；
步骤4，边缘设备之间、边-云协同图像推理识别：基于神经网络的视频处理业务需要消耗边缘设备大量的资源，当边缘设备的计算能力不足时，需要将部分数据传至其他空闲的边缘设备做处理，以减轻当前设备的负载，即边缘设备之间的协同；当某个任务在边缘设备中都无法完成时，就将数据上传至云端服务器中做处理，即边云协同。
步骤5，云端存储处理结果：云端通过MQTT订阅步骤3、步骤4中的处理结果，将其存入用docker容器封装的云端数据库中，用docker封装数据库方便数据迁移，改变任务拓扑，对数据库可进行查询、可视化、预警等操作。
进一步的，边云环境中的视频分析方法，所述的步骤2中的原始视频数据预处理的方法、所述的步骤3中的图像推理的神经网络模型均可更改；检测当前处理的效果低于预期要求时，利用Docker容器迁移技术来改变实现的方法，提高系统的灵活性，增强视频的分析能力。
进一步的，边云环境中的视频分析方法，所述的步骤3中，需要对预处理的结果进行神经网络推理，当系统现有的网络模型都不适应于该场景时，可以根据用户自定义输入，在边缘端来实时训练神经网。
与现有技术相比，本发明的有益效果是：
在云计算中，由于某一个应用程序或者计算节点发生崩溃可能影响整个系统的稳定，在边缘计算场景下，这样的情况同样存在甚至更为复杂；本发明由于计算任务或者应用程序之间时相对独立互不干扰的，所以工作流中某一个节点任务的失败不能影响到其他节点的正常运行，不会引起严重后果；在边缘计算中，要求随时可更改任务流拓扑结构，这就需要对边缘或者云端的任务进行隔离；在云计算中，主流使用VM虚拟机和Docker容器技术等方法保持资源的隔离。
本发明由于借鉴云计算中的隔离方法，采用Docker容器技术对算子进行封装，所以系统具有灵活性，可动态调整任务流的拓扑结构；由于计算任务分布在靠近数据源产生的地方，所以可实现对视频实时性处理；由于原始数据无需上云处理，所以大大降低了泄露用户隐私数据的风险。
本发明中由于所有的算法都以Docker容器的方式封装起来，易于迁移，且互不影响；由于原始视频数据无需上云，极大缓解了网络带宽与云端的压力，增强响应能力。
附图说明
图1为本发明的边缘设备以及摄像头设备的地理位置示意图。
图2为本发明的边云架构下视频目标检测系统运行结构示意图。
图3为本发明中Docker镜像的模块图。
图4为边缘设备更换模型的流程图。
图5为边-边、边-云协同流程图。
图6为本发明的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
在本发明的描述中，需要理解的是，附图1中表示的“路口1”、“路口2”、“云端图标服务器”等表示该方法所处位置，为了简化说明这里只假设有两个交通路口的边缘计算任务，并不代表本发明仅局限于两台边缘设备以及一台云端服务器。此外，图2中标示的“Inception–v4”、“帧间差分”、“Faster RCNN”、“Raspberry Pi”、“Pi Cam”、“PostgreSQL”等术语，也仅仅是为了能清楚描述本说明，而不是实际应用中需要固定用到的设备或者方法，因此不能理解为对本发明的限制。另外，采用“交通监控视频”的案例来说明具体方法，也并不局限于交通监控视频的处理，本发明在一些其他的家庭监控或者公共场合安全监控中也可以得到应用。
边缘计算环境下，需要对计算资源以及数据进行隔离，保证计算的可迁移性以及某个应用程序的崩溃不会造成整个系统的不稳定，为达所述要求，本发明采用Docker容器技术对每个算子进行封装，并实时监控每个Docker容器的状态。图2中“镜像仓库”层代表本发明中用到的Docker镜像，所用到的方法或者深度学习服务封装在Docker镜像里，需要说明的是，图2中表示的镜像库不局限于图中标注的方法，用户可以根据系统自行添加镜像仓库，用到时将其拉取至相应的设备中即可。
本发明采用Docker容器方式对视频处理的任务流中每个节点进行隔离，这就需要Docker容器之间、边缘设备之间以及边缘设备、与云端设备之间进行通信，这里选择用MQTT消息队列遥测传输作为通信方式，MQTT是一种基于发布/订阅范式的消息传输协议，附图3中MQTTbroker是消息中间件，负责在两台设备之间传输消息。
参照图2，一种边云环境中的视频分析方法，选取边缘设备计算资源、深度学习推理服务和物理因素三个方面的共8个属性作为系统中边缘-边缘端协同、边缘-云端协同以及更换神经网络模型的依据。
1)边缘设备CPU Resources(C)：CPU资源，对每个边缘设备，实时监控运行程序所占用的CPU的资源情况，记成C；
2)边缘设备Memory Resources(M)：内存资源，监控统计该设备的内存使用率，记成M；
3)边缘设备Hard disk Resources(H)：硬盘资源，监控边缘设备的硬盘使用率，记成H；
4)边缘设备Internet Resources(I)：网络资源，监控边缘设备的网络情况，记成I；
5)响应延时Latency(L)：这项指标是进行服务化过程中关心的性能指标，比如20min/小时视频、500ms/张图像；
6)吞吐量Throughput(T)：服务性能指标，例如200条视频/天、100张图片/秒；
7)模型精度Accuracy(A)：表示模型处理的精确度；
8)边缘设备之间的距离Distance(D)：根据无线网络的特性可以知道，在其他条件一致的情况下，随着距离的增加，无线网络的有效传输的能力也会逐渐下降，在选择边缘设备协同的时候应当有限选择距离最近的设备，以减小传输消耗。
下面结合图2、3、6详细描述本发明的具体步骤：
步骤1，边缘端视频数据采集：
在本发明中，采用树莓派(Raspberry Pi)作为边缘端数据采集设备，RaspberryPi是一款基于linux的单片机电脑，树莓派摄像头模块(Pi Cam)可链接到Raspberry Pi的CSI接口，调试成功后对交通路口的车辆情况进行监控。为说明清楚，这里只说明一帧图像的处理过程，通过Pi Cam采集到的第i-1、i、i+1帧的图像，则对第i帧的图像进行深度学习推理分类；
步骤2，边缘端视频预处理：
本发明在这一步采用帧间差分(三帧差分)的方法对步骤1中采集到的三振图像进行前背景分离，以获得中间帧的目标(车辆)；附图2中所示，数据采集端与数据预处理均在一台边缘设备Raspberry Pi中完成，只需要在树莓派中拉取帧间差分的Docker镜像，并启动该Docker容器即可对原始视频流数据进行处理；
OpenCV是一个跨平台的计算机视觉库，用于实时的图像处理、计算机视觉以及模式识别程序，步骤1中摄像头模块(Pi Camera)采集到的三帧图像(i-1、i、i+1)，在帧间差分的Docker容器中采用OpenCV不断的获取图像内容，利用三帧差分算法对第i帧图像进行预处理；
摄像机采集的视频具有连续性，如果没有运动目标，则连续帧的变化很微弱，若存在运动目标，则相邻帧之间会有明显的变化，帧间差分就是以此来获得运动区域；但是两帧间的变化部分较小，导致无法检测出相邻帧之间重叠的部分，在本说明采用相邻的三帧图像作为一组进行差分，能够较好的获得中间帧运动区域的形状轮廓；
具体操作如下：
Step1：选取视频图像中连续的三帧图像，分别计算相邻两帧图像的差值，其表达式如下：
式中，Oi(x，y)表示i时刻图像的灰度值，d(i-1，i)(x，y)表示i-1、i时刻图像的灰度值之差；
Step2：对上一步的差分图像进行与操作得到di(x，y)；
di(x，y)＝d(i-1，i)(x，y)∩d(i，i+1)(x，y)；
式中，di(x，y)表示i时刻的运动目标；
Step3：设置阈值T，阈值处理、连通性分析，最终提取运动目标Wij(x，y)，j代表第i帧图像中的获得的运动目标；
Step4：MQTT向下一个Docker容器的MQTT broker发布消息Wij(x，y)；
步骤3，边缘端帧图像推理识别：
图2中所示，这一步在边缘设备1-2中进行，将步骤2中预处理得到的运动目标(车辆)Wij(x，y)传输至设备1-2中，在设备1-2中拉取Inception v4的Docker镜像并启动该容器，将Wij(x，y)作为容器输入，输出为该帧中的目标物体的分类结果Rij(x，y)，步骤3的操作过程如下：
Step1：接收目标车辆数据，订阅MQTT broker中的消息Wij(x，y)；
Step2：目标车辆分类，在Step1中MQTT订阅者接受到来自上一个容器(帧间差分)的目标车辆Wij(x，y)，输入到已经训练好的模型Inception v4中进行推理分类，具体推理过程为深度学习的内容，这里不再详细说明，输出结果为该目标车辆的分类结果Rij(x，y)；
Step3：MQTT发布消息Rij(x，y)。
当某台设备中的处理效率过低，无法满足分类要求时，就需要在边缘设备端更换神经网络模型，附图4所示，这里就参照三个指标，响应延时Latency(L)、吞吐量Throughput(T)、模型精度Accuracy(A)，具体过程如下所述：
Step1：实时检测模型的处理指标l、t、a；
Step2：设置阈值FL、FT、FA，分别代表模型可以正常处理数据的值；
Step3：l＜FL、t＜FT、a＞FA，当有两个指标超过设定阈值时，更换神经网络模型；
Step4：关闭当前神经网络模型的Docker容器，启动新的Docker容器
步骤4，边缘设备之间、边-云协同图像推理识别：
基于神经网络的视频处理业务需要消耗边缘设备大量的资源，因此当设备1-2中的计算能力不足时，需要将部分数据传至其他空闲的边缘设备做处理，以减轻当前设备的负载。当某个任务在大多数边缘设备中都无法完成时，就需要将数据上传至云端服务器中做处理；这里就参照五个指标，边缘CPU资源(C)、设备内存资源Memory(M)、设备硬盘资源Hard disk(H)、设备网络资源Internet(I)以及边缘设备之间的距离Distance(D)，附图5所示，具体步骤如下所述：
Step1：边缘设备1-2正在进行分类任务，对该设备中的CPU、内存、硬盘以及网络资源实时监控，分别记做c、m、h、i；
Step2：设置阈值FC、FM、FH、FI，当有超过三项指标超过阈值c＜FC||m＜FM||h＞FH||i＜FI，将分类任务分配给设备2-2；
Step3：选择合适的边缘设备，附图2中所示边缘设备有两台所以这里只发给设备2-2，而在实际场景中，边缘设备有很多台，且一台设备中需要做的不是一个任务，也就是说一台设备中会存在两个以上的Docker容器，这里优先选择距离该设备距离Distance(D)小的设备；
Step4：在数据预处理端选择两个MQTT Topic，topic1对应边缘设备1-2，topic2对应边缘设备2-2；
Step5：两台边缘设备的处理结果都上传至一个云端数据库；.
Step6：设定Topic阈值FT，当MQTT Topic数t超过阈值FT，表示边缘端无法完成该任务，这时需要将视频数据上传云端服务器做处理，即边-云协同。
步骤5，云端存储处理结果：
边缘设备分类出结果Rij(x，y)上传至云端数据库存储，系统可做预警处理、用户可对视频分析结果进行查询、可视化。

Claims (3)

1.一种边云环境中的视频分析方法，为实现动态调整工作流中的拓扑结构，该方法中的每个任务节点都分别以Docker容器的方式封装，边缘设备之间、Docker容器之间，都是通过MQTT协议以消息的形式来传输数据，故每个Docker容器中都有MQTTbroker消息中间件来接收和转发数据，其特征在于，包括以下步骤：
步骤1，边缘端视频数据采集：边缘端安装有多个摄像头，实时监控路口的车辆以及行人，并采集视频数据，视频数据通过局域网、Internet或者无线网络传送至边缘设备；
步骤2，边缘端原始视频预处理：将步骤1接收到的帧图像传输至封装有前背景分离算法的docker容器中进行背景分离，将实时采集到的视频帧图像通过前背景分离算法，获取该帧中的运动物体，舍弃图像背景数据；再通过MQTT消息发布机制，向下一个Docker容器传输运动目标；
步骤3，边缘端帧图像推理识别：边缘设备通过MQTT消息订阅机制，接收视频中的运动物体，传输到深度学习网络模型中进行推理分类，输出分类结果，通过MQTT消息发布机制，将分类结果发送至云端；
步骤4，边缘设备之间、边-云协同图像推理识别：基于神经网络的视频处理业务需要消耗边缘设备大量的资源，当边缘设备的计算能力不足时，需要将部分数据传至其他空闲的边缘设备做处理，以减轻当前设备的负载，即边缘设备之间的协同；当某个任务在边缘设备中都无法完成时，就将数据上传至云端服务器中做处理，即边云协同；
步骤5，云端存储处理结果：云端通过MQTT订阅边缘设备、云端设备的处理结果，将其存入云端数据库中。
2.根据权利要求1所述的一种边云环境中的视频分析方法，其特征在于，所述的步骤2中的原始视频数据预处理的方法、所述的步骤3中的图像推理的神经网络模型均可更改；检测当前处理的效果低于预期要求时，可利用Docker容器迁移技术来修改实现的方法，动态调整工作流的节点。
3.根据权利要求1所述的一种边云环境中的视频分析方法，其特征在于，所述的步骤3中，需要对预处理的结果进行神经网络推理，当系统现有的网络模型都不适应于该场景时，可以根据用户自定义输入，在边缘端来实时训练神经网。
CN201910304259.8A 2019-04-16 2019-04-16 一种边云环境中的视频分析方法 Withdrawn CN110390246A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910304259.8A CN110390246A (zh) 2019-04-16 2019-04-16 一种边云环境中的视频分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910304259.8A CN110390246A (zh) 2019-04-16 2019-04-16 一种边云环境中的视频分析方法

Publications (1)

Publication Number Publication Date
CN110390246A true CN110390246A (zh) 2019-10-29

Family

ID=68284338

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910304259.8A Withdrawn CN110390246A (zh) 2019-04-16 2019-04-16 一种边云环境中的视频分析方法

Country Status (1)

Country Link
CN (1) CN110390246A (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110837816A (zh) * 2019-11-18 2020-02-25 中国银行股份有限公司 光学字符识别系统、边缘节点及系统
CN111381545A (zh) * 2020-04-03 2020-07-07 北京奥德威特电力科技股份有限公司 一种基于边缘计算的保护测控智能终端
CN111427664A (zh) * 2020-03-25 2020-07-17 杭州电子科技大学 基于容器的协议解析方法、装置、系统以及存储介质
CN111510774A (zh) * 2020-04-21 2020-08-07 济南浪潮高新科技投资发展有限公司 一种结合边缘计算与深度学习的智能终端图像压缩算法
CN111598036A (zh) * 2020-05-22 2020-08-28 广州地理研究所 分布式架构的城市群地理环境知识库构建方法及系统
CN111723727A (zh) * 2020-06-17 2020-09-29 平安科技（深圳）有限公司 基于边缘计算的云监控方法、装置、电子设备及存储介质
CN111770362A (zh) * 2020-07-09 2020-10-13 南京大学 一种面向边缘环境的视频传输系统及其传输方法
CN111866450A (zh) * 2020-06-18 2020-10-30 昇辉控股有限公司 基于云边协同的智能视频监控装置
CN112183222A (zh) * 2020-09-04 2021-01-05 方正株式(武汉)科技开发有限公司 一种基于分布式人工智能视频分析的设备联动系统及方法
CN113162976A (zh) * 2021-03-12 2021-07-23 上海东普信息科技有限公司 物流分拨中心的数据处理方法、装置、设备和存储介质
CN113222637A (zh) * 2021-02-26 2021-08-06 深圳前海微众银行股份有限公司 门店访客信息的架构方法、装置、设备、介质及程序产品
CN113242271A (zh) * 2021-03-17 2021-08-10 北京大学 一种基于数字视网膜的端、边、云协同系统及方法、设备
CN113534829A (zh) * 2021-06-11 2021-10-22 南京邮电大学 一种基于边缘计算的无人机日常巡逻检测系统
CN113709517A (zh) * 2021-08-12 2021-11-26 德清阿尔法创新研究院 一种基于弱终端的在线视频流处理系统
CN114038008A (zh) * 2021-10-25 2022-02-11 浪潮软件科技有限公司 一种基于YOLO v5和边缘计算的野生动物巡检系统
CN114330722A (zh) * 2021-11-25 2022-04-12 达闼科技（北京）有限公司 推理实现方法、网络、电子设备及存储介质
CN114339312A (zh) * 2021-12-24 2022-04-12 深圳市优必选科技股份有限公司 一种图片传输的方法、装置、终端及存储介质
CN114445411A (zh) * 2022-04-11 2022-05-06 广东电网有限责任公司佛山供电局 一种无人机巡线缺陷识别系统及控制方法
CN114444556A (zh) * 2020-11-03 2022-05-06 中国电信股份有限公司 用于目标的实时检测的装置及方法
WO2022096959A1 (en) * 2021-06-25 2022-05-12 Sensetime International Pte. Ltd. Scene detection method and apparatus, electronic device and computer storage medium
CN117850980A (zh) * 2023-12-25 2024-04-09 慧之安信息技术股份有限公司 基于云边协同的容器镜像构建方法和系统

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110837816A (zh) * 2019-11-18 2020-02-25 中国银行股份有限公司 光学字符识别系统、边缘节点及系统
CN111427664A (zh) * 2020-03-25 2020-07-17 杭州电子科技大学 基于容器的协议解析方法、装置、系统以及存储介质
CN111427664B (zh) * 2020-03-25 2024-04-12 杭州电子科技大学 基于容器的协议解析方法、装置、系统以及存储介质
CN111381545A (zh) * 2020-04-03 2020-07-07 北京奥德威特电力科技股份有限公司 一种基于边缘计算的保护测控智能终端
CN111510774A (zh) * 2020-04-21 2020-08-07 济南浪潮高新科技投资发展有限公司 一种结合边缘计算与深度学习的智能终端图像压缩算法
CN111598036A (zh) * 2020-05-22 2020-08-28 广州地理研究所 分布式架构的城市群地理环境知识库构建方法及系统
CN111598036B (zh) * 2020-05-22 2021-01-01 广州地理研究所 分布式架构的城市群地理环境知识库构建方法及系统
CN111723727B (zh) * 2020-06-17 2024-07-16 平安科技（深圳）有限公司 基于边缘计算的云监控方法、装置、电子设备及存储介质
CN111723727A (zh) * 2020-06-17 2020-09-29 平安科技（深圳）有限公司 基于边缘计算的云监控方法、装置、电子设备及存储介质
WO2021151279A1 (zh) * 2020-06-17 2021-08-05 平安科技（深圳）有限公司 基于边缘计算的云监控方法、装置、电子设备及存储介质
CN111866450A (zh) * 2020-06-18 2020-10-30 昇辉控股有限公司 基于云边协同的智能视频监控装置
CN111770362A (zh) * 2020-07-09 2020-10-13 南京大学 一种面向边缘环境的视频传输系统及其传输方法
CN111770362B (zh) * 2020-07-09 2021-07-02 南京大学 一种面向边缘环境的视频传输系统及其传输方法
CN112183222A (zh) * 2020-09-04 2021-01-05 方正株式(武汉)科技开发有限公司 一种基于分布式人工智能视频分析的设备联动系统及方法
CN112183222B (zh) * 2020-09-04 2024-01-23 方正株式(武汉)科技开发有限公司 一种基于分布式人工智能视频分析的设备联动系统及方法
CN114444556A (zh) * 2020-11-03 2022-05-06 中国电信股份有限公司 用于目标的实时检测的装置及方法
CN113222637A (zh) * 2021-02-26 2021-08-06 深圳前海微众银行股份有限公司 门店访客信息的架构方法、装置、设备、介质及程序产品
CN113162976A (zh) * 2021-03-12 2021-07-23 上海东普信息科技有限公司 物流分拨中心的数据处理方法、装置、设备和存储介质
CN113242271A (zh) * 2021-03-17 2021-08-10 北京大学 一种基于数字视网膜的端、边、云协同系统及方法、设备
CN113534829A (zh) * 2021-06-11 2021-10-22 南京邮电大学 一种基于边缘计算的无人机日常巡逻检测系统
CN113534829B (zh) * 2021-06-11 2024-04-05 南京邮电大学 一种基于边缘计算的无人机日常巡逻检测系统
WO2022096959A1 (en) * 2021-06-25 2022-05-12 Sensetime International Pte. Ltd. Scene detection method and apparatus, electronic device and computer storage medium
CN113709517A (zh) * 2021-08-12 2021-11-26 德清阿尔法创新研究院 一种基于弱终端的在线视频流处理系统
CN114038008A (zh) * 2021-10-25 2022-02-11 浪潮软件科技有限公司 一种基于YOLO v5和边缘计算的野生动物巡检系统
CN114330722A (zh) * 2021-11-25 2022-04-12 达闼科技（北京）有限公司 推理实现方法、网络、电子设备及存储介质
CN114339312A (zh) * 2021-12-24 2022-04-12 深圳市优必选科技股份有限公司 一种图片传输的方法、装置、终端及存储介质
CN114445411A (zh) * 2022-04-11 2022-05-06 广东电网有限责任公司佛山供电局 一种无人机巡线缺陷识别系统及控制方法
CN117850980A (zh) * 2023-12-25 2024-04-09 慧之安信息技术股份有限公司 基于云边协同的容器镜像构建方法和系统
CN117850980B (zh) * 2023-12-25 2024-09-03 慧之安信息技术股份有限公司 基于云边协同的容器镜像构建方法和系统

Similar Documents

Publication Publication Date Title
CN110390246A (zh) 一种边云环境中的视频分析方法
Elfatih et al. Internet of vehicle's resource management in 5G networks using AI technologies: Current status and trends
CN111614785B (zh) 一种基于微容器云的边缘ai计算集群
CN106934497B (zh) 基于深度学习的智慧小区用电量实时预测方法及装置
Nasir et al. Enabling automation and edge intelligence over resource constraint IoT devices for smart home
US20200372412A1 (en) System and methods to share machine learning functionality between cloud and an iot network
Gao et al. Federated region-learning for environment sensing in edge computing system
CN110515732A (zh) 一种基于资源受限机器人深度学习推理的任务分配方法
WO2022228204A1 (zh) 一种联邦学习方法以及装置
US20230169356A1 (en) Communications System, First Node, Second Node, Third Node and Methods Performed Thereby for Handling a Prediction of an Event
Pushpa et al. Using fog computing/edge computing to leverage Digital Twin
CN109640284A (zh) 无线传感器网络系统
Raj et al. Edge/Fog Computing Paradigm: The Concept, Platforms and Applications.
US20240023028A1 (en) Wireless network energy saving with graph neural networks
CN113642403A (zh) 基于边缘计算的人群异动智能安全检测系统
Dahiya et al. Efficient green solution for a balanced energy consumption and delay in the iot-fog-cloud computing
Sufian et al. Deep learning in computer vision through mobile edge computing for iot
Xu et al. Edge Video Analytics: A Survey on Applications, Systems and Enabling Techniques
Mittal et al. Smart surveillance systems with edge intelligence: Convergence of deep learning and edge computing
Kurniawan et al. Mobile computing and communications-driven fog-assisted disaster evacuation techniques for context-aware guidance support: A survey
Abd Algani et al. Topological Dependencies in Deep Learning for Mobile Edge: Distributed and Collaborative High-Speed Inference
CN110471988A (zh) 一种基于模块化的三段五层式人工智能系统
Zhang et al. Task placement for crowd recognition in edge-cloud based urban intelligent video systems
Badidi A fog node architecture for real-time processing of urban IoT data streams
de Oliveira et al. An energy-aware data cleaning workflow for real-time stream processing in the internet of things

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20191029

WW01 Invention patent application withdrawn after publication