CN110414457A - 一种用于视频监控的算力系统 - Google Patents
一种用于视频监控的算力系统 Download PDFInfo
- Publication number
- CN110414457A CN110414457A CN201910707136.9A CN201910707136A CN110414457A CN 110414457 A CN110414457 A CN 110414457A CN 201910707136 A CN201910707136 A CN 201910707136A CN 110414457 A CN110414457 A CN 110414457A
- Authority
- CN
- China
- Prior art keywords
- operating system
- frame image
- power device
- video
- calculates
- 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.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 63
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 2
- 230000017525 heat dissipation Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 13
- 238000013473 artificial intelligence Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 6
- 238000004804 winding Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000009434 installation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- TVEXGJYMHHTVKP-UHFFFAOYSA-N 6-oxabicyclo[3.2.1]oct-3-en-7-one Chemical compound C1C2C(=O)OC1C=CC2 TVEXGJYMHHTVKP-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000004100 electronic packaging Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种用于视频监控的算力系统。该算力系统包括视频处理装置，用于提取视频流中的每帧图像；与视频处理装置连接的算力管理装置，包括第二操作系统，算力管理装置用于通过第二操作系统输入目标图像，以及接收视频流中的每帧图像并发送给AI算力装置；与算力管理装置连接的AI算力装置，包括第一操作系统和第二操作系统，AI算力装置用于通过第一操作系统提取视频流中的每帧图像的第一特征数据和目标图像的第二特征数据，以及对第一特征数据和第二特征数据进行匹配并通过第二操作系统将匹配成功的第一特征图像数据对应的每帧图像输出给算力管理装置。本发明实施例实现了监控系统中使用界面友好的操作系统以控制AI算力装置。
Description
技术领域
本发明实施例涉及计算机领域人工智能运算技术，尤其涉及一种用于视频监控的算力系统。
背景技术
随着互联网和信息行业的快速发展，各种声音、图像、视频数据均呈井喷式的发展，大数据处理已经逐步取代传统的人工数据处理，而人工智能(简称AI)技术的应用使得大数据分析处理能力得到再一次飞跃。
深度学习技术引发了人工智能应用的高速发展，引领人类由信息时代进入智能时代。深度学习本质是一种机器学习技术，需要强大的硬件计算能力，来完成复杂的数据处理和运算。现有的监控系统对于如此庞大的数据处理和运算，采用专用的AI算力装置执行深度学习运算。
但现有的AI算力装置使用的系统一般都是基于开发者、界面不友好以及便于运算的操作系统，不便于非本领域的技术人员使用以控制AI算力装置。
发明内容
本发明实施例提供一种用于视频监控的算力系统，以实现监控系统中使用界面友好的操作系统以控制AI算力装置。
为达此目的，本发明实施例提供了一种用于视频监控的算力系统，该算力系统包括：
视频处理装置，用于提取视频流中的每帧图像；
与所述视频处理装置连接的算力管理装置，包括第二操作系统，所述算力管理装置用于通过所述第二操作系统输入目标图像，以及接收所述视频流中的每帧图像并发送给所述AI算力装置；
与所述算力管理装置连接的AI算力装置，包括第一操作系统和第二操作系统，所述AI算力装置用于通过所述第一操作系统提取所述视频流中的每帧图像的第一特征数据和所述目标图像的第二特征数据，以及对所述第一特征数据和第二特征数据进行匹配并通过所述第二操作系统将匹配成功的第一特征图像数据对应的每帧图像输出给所述算力管理装置。
进一步的，所述AI算力装置为至少一个，所述算力管理装置还用于根据至少一个所述AI算力装置的工作负担分发视频流中的每帧图像。
进一步的，该算力系统还包括至少一个录像装置，所述录像装置连接所述视频处理装置，所述录像装置用于拍摄和存储视频流，并将所述视频流发送至所述视频处理装置。
进一步的，所述AI算力装置还用于将提取后的第一特征数据标记上对应的视频流中的每帧图像的信息，并将标记有每帧图像的信息的第一特征数据存储为视频流特征集。
进一步的，所述AI算力装置通过所述第一操作系统将视频流特征集存储在所述AI算力装置中。
进一步的，所述AI算力装置输出的每帧图像为至少一个。
优选的，所述AI算力装置采用神经卷积网络提取视频流中的每帧图像的特征数据。
优选的，所述神经卷积网络为VGG-16卷积神经网络。
优选的，所述第一操作系统为Unix系统、Linux系统或android系统，所述第二操作系统为Windows系统。
另一方面，本发明实施例提供了一种用于视频监控的算力系统，该算力系统包括：
算力管理装置，包括第二操作系统，所述算力管理装置用于通过所述第二操作系统输入目标图像，以及用于提取视频流中的每帧图像并发送给所述AI算力装置；
与所述算力管理装置连接的AI算力装置，包括第一操作系统和第二操作系统，所述AI算力装置用于通过所述第一操作系统提取所述视频流中的每帧图像的第一特征数据和所述目标图像的第二特征数据，以及对所述第一特征数据和第二特征数据进行匹配并通过所述第二操作系统将匹配成功的第一特征图像数据对应的每帧图像输出给所述算力管理装置。
本发明实施例通过算力管理装置中的第二操作系统和AI算力装置中的第一操作系统和第二操作系统，解决了现有技术中AI算力装置使用的系统一般都是基于开发者、界面不友好以及便于运算的操作系统，不便于非本领域的技术人员使用以控制AI算力装置的问题，实现了监控系统中使用界面友好的操作系统以控制AI算力装置的效果。
附图说明
图1是本发明实施例一提供的一种用于视频监控的算力系统的结构示意图；
图2是本发明实施例二提供的一种用于视频监控的算力系统的结构示意图；
图3是本发明实施例三提供的一种用于视频监控的算力系统的结构示意图；
图4是本发明实施例四提供的一种AI算力装置的结构示意图；
图5是本发明实施例五提供的一种AI计算板卡的结构示意图；
图6是本发明实施例六提供的一种算力板卡的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一速度差值称为第二速度差值，且类似地，可将第二速度差值称为第一速度差值。第一速度差值和第二速度差值两者都是速度差值，但其不是同一速度差值。术语“第一”、“第二”等不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。
实施例一
如图1所示，本发明实施例一提供了一种用于视频监控的算力系统，该算力系统包括视频处理装置300、算力管理装置200和AI算力装置100。
其中，视频处理装置300用于提取视频流中的每帧图像；与所述视频处理装置300连接的算力管理装置200包括第二操作系统，所述算力管理装置200用于通过所述第二操作系统输入目标图像，以及接收所述视频流中的每帧图像并发送给所述AI算力装置100；与所述算力管理装置200连接的AI算力装置100包括第一操作系统和第二操作系统，所述AI算力装置100用于通过所述第一操作系统提取所述视频流中的每帧图像的第一特征数据和所述目标图像的第二特征数据，以及对所述第一特征数据和第二特征数据进行匹配并通过所述第二操作系统将匹配成功的第一特征图像数据对应的每帧图像输出给所述算力管理装置200。
进一步的，所述第一操作系统为Unix系统、Linux系统或android系统，所述第二操作系统为Windows系统。
本实施例中，第一操作系统为Unix系统，Unix操作系统是一个强大的多用户、多任务操作系统，支持多种处理器架构，属于分时操作系统。第二操作系统为Windows系统，所述视频处理装置300连接一个AI算力装置100，人工智能(AI，Artificial Intelligence)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
在监控系统当中想要通过一目标图像查找到包含该目标图像的视频流，以及视频流中包含该目标图像的每帧图像时，视频处理装置300提取视频流中的每帧图像，并发送给算力管理装置200，算力管理装置200将视频流中的每帧图像发送给AI算力装置100，然后AI算力装置100中通过Unix系统中预设的指令，控制AI算力装置100对收到的视频流的每帧图像进行提取每帧图像的第一特征数据的操作。其中，除非一段时间内视频流中的图像是完全静止不动的，否则每帧图像的第一特征数据都互不相同，例如，某一帧的图像上可能有人，也可能没有人，有人和没有人的第一特征数据是不一样的，该第一特征数据可以包括人脸特征、体态特征和场景特征等等。
用户通过算力管理装置200中的Windows系统输入需要查找的目标图像，AI算力装置100就会通过Unix系统中预设的指令提取所述目标图像的第二特征数据，用户输入控制指令控制该AI算力装置100在已提取的第一特征数据中查找目标图像的第二特征数据，AI算力装置100通过Windows系统将匹配成功的第一特征图像数据对应的每帧图像输出给所述算力管理装置200。
本发明实施例通过算力管理装置200中的第二操作系统和AI算力装置100中的第一操作系统和第二操作系统，解决了现有技术中AI算力装置100使用的系统一般都是基于开发者、界面不友好以及便于运算的操作系统，不便于非本领域的技术人员使用以控制AI算力装置100的问题，实现了监控系统中使用界面友好的操作系统以控制AI算力装置100的效果。
实施例二
如图2所示，本发明实施例二是在本发明实施例一提供的一种用于视频监控的算力系统的基础上对该算力系统的进一步优化。
具体的，该算力系统还包括至少一个录像装置400，所述录像装置400连接所述视频处理装置300，所述录像装置400用于拍摄和存储视频流，并将所述视频流发送至所述视频处理装置300。
进一步的，AI算力装置100为至少一个，所述算力管理装置200还用于根据至少一个所述AI算力装置100的工作负担分发视频流中的每帧图像，所述AI算力装置100输出的每帧图像为至少一个。
进一步的，AI算力装置100还用于将提取后的第一特征数据标记上对应的视频流中的每帧图像的信息，并将标记有每帧图像的信息的第一特征数据存储为视频流特征集，所述AI算力装置100通过所述第一操作系统将视频流特征集存储在所述AI算力装置100中。
优选的，AI算力装置100采用神经卷积网络提取视频流中的每帧图像的特征数据。优选的，所述神经卷积网络为VGG-16卷积神经网络。
本实施例中，第一操作系统为Unix系统，Unix操作系统是一个强大的多用户、多任务操作系统，支持多种处理器架构，属于分时操作系统。第二操作系统为Windows系统，所述视频处理装置300连接三个AI算力装置100，所述算力管理装置200连接三个AI算力装置100，所述录像装置400连接视频处理装置300，所述视频处理装置300连接所述算力管理装置200。人工智能(AI，Artificial Intelligence)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
录像装置400拍摄和存储视频流用于监控某一区域，至少一个录像装置400以监控至少一个区域，本实施例中录像装置400为三个，以分别监控学校的操场、宿舍楼和教学楼。当想要通过学生A的照片在学校的操场、宿舍楼和教学楼中查找到包含学生A的视频流时，三个录像装置400会将存储的视频流发送给视频处理装置300以提取视频流的每帧图像，并发送给算力管理装置200，算力管理装置200接收视频流中的每帧图像并随时根据三个AI算力装置100当前的工作负担来分发视频流中的每帧图像至三个AI算力装置100，以防止三个AI算力装置100工作中存在某个AI算力装置100工作量异常高或者某个AI算力装置100处于空闲状态，可以提高资源的使用率，减缓设备老化以及提高处理效率。然后三个AI算力装置100中通过Unix系统中预设的指令，控制三个AI算力装置100分别对收到的视频流的每帧图像进行提取每帧图像的第一特征数据的操作。然后三个AI算力装置100分别将提取后的第一特征数据标记上对应的视频流中的每帧图像的信息，并将标记有每帧图像的信息的第一特征数据存储为视频流特征集，通过所述第一操作系统将视频流特征集存储在三个所述AI算力装置100中。
其中，除非一段时间内视频流中的图像是完全静止不动的，否则每帧图像的第一特征数据都互不相同，例如，某一帧的图像上可能有人，也可能没有人，有人和没有人的第一特征数据是不一样的，该第一特征数据可以包括人脸特征、体态特征和场景特征等等。
优选的，所述AI算力装置100采用神经卷积网络提取视频流中的每帧图像的特征数据，所述神经卷积网络为VGG-16卷积神经网络。具体先后使用卷积、padding(填充)、pooling(池化)、flatten(拉开)、dropout(丢弃)等步骤来提取当前帧画面的特征数据。例如，卷积过程是基于一个小矩阵，也就是卷积核，在每层像素矩阵上不断按步长扫过去的，扫到数与卷积核对应位置的数相乘，然后求总和，每扫一次，得到一个值，全部扫完则生成一个新的矩阵。padding是在每次卷积操作之前，在原矩阵外边补包一层0，可以只在横向补，或只在纵向补，或者四周都补0，从而使得卷积后输出的图像跟输入图像在尺寸上一致。pooling是在一个小矩阵区域内，取该区域的最大值或平均值来代替该区域，该小矩阵的大小可以在搭建网络的时候自己设置。flatten是指将多维的矩阵拉开，变成一维向量来表示。dropout是指在网络的训练过程中，按照一定的概率将网络中的神经元丢弃，这样有效防止过拟合。
用户通过算力管理装置200中的Windows系统输入需要查找学生A的照片信息，三个AI算力装置100就会分别通过Unix系统中预设的指令提取所述学生A照片信息的第二特征数据，用户输入控制指令控制该三个AI算力装置100分别在视频流特征集中查找学生A的照片信息的第二特征数据，三个AI算力装置100分别通过Windows系统将匹配成功的第一特征图像数据对应的视频流特征集中标记的每帧图像输出给所述算力管理装置200，其中，AI算力装置100输出的每帧图像为三张录像装置400拍摄到的不同场景下学生A的图像。
实施例三
本发明实施例三是在实施例一的基础上进一步的简化，本发明实施例三提供了一种用于视频监控的算力系统，该算力系统包括算力管理装置200和AI算力装置100。
其中，算力管理装置200包括第二操作系统，所述算力管理装置200用于通过所述第二操作系统输入目标图像，以及用于提取视频流中的每帧图像并发送给所述AI算力装置100；与所述算力管理装置200连接的AI算力装置100包括第一操作系统和第二操作系统，所述AI算力装置100用于通过所述第一操作系统提取所述视频流中的每帧图像的第一特征数据和所述目标图像的第二特征数据，以及对所述第一特征数据和第二特征数据进行匹配并通过所述第二操作系统将匹配成功的第一特征图像数据对应的每帧图像输出给所述算力管理装置200。
本实施例中，第一操作系统为Unix系统，Unix操作系统是一个强大的多用户、多任务操作系统，支持多种处理器架构，属于分时操作系统。第二操作系统为Windows系统，人工智能(AI，Artificial Intelligence)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
在监控系统当中想要通过一目标图像查找到包含该目标图像的视频流，以及视频流中包含该目标图像的每帧图像时，算力管理装置200会提取视频流中的每帧图像，并将视频流中的每帧图像发送给AI算力装置100，然后AI算力装置100中通过Unix系统中预设的指令，控制AI算力装置100对收到的视频流的每帧图像进行提取每帧图像的第一特征数据的操作。其中，除非一段时间内视频流中的图像是完全静止不动的，否则每帧图像的第一特征数据都互不相同，例如，某一帧的图像上可能有人，也可能没有人，有人和没有人的第一特征数据是不一样的，该第一特征数据可以包括人脸特征、体态特征和场景特征等等。
用户通过算力管理装置200中的Windows系统输入需要查找的目标图像，AI算力装置100就会通过Unix系统中预设的指令提取所述目标图像的第二特征数据，用户输入控制指令控制该AI算力装置100在已提取的第一特征数据中查找目标图像的第二特征数据，AI算力装置100通过Windows系统将匹配成功的第一特征图像数据对应的每帧图像输出给所述算力管理装置200。
本发明实施例通过算力管理装置200中的第二操作系统和AI算力装置100中的第一操作系统和第二操作系统，解决了现有技术中AI算力装置100使用的系统一般都是基于开发者、界面不友好以及便于运算的操作系统，不便于非本领域的技术人员使用以控制AI算力装置100的问题，实现了监控系统中使用界面友好的操作系统以控制AI算力装置100的效果。
实施例四
如图4所示，本发明实施例四是对上述实施例中的AI算力装置100进一步描述，本实施例提供的一种AI算力装置100包括机箱1、服务器主板2、AI计算板卡3、硬盘阵列4和第一散热装置5。
其中，机箱1包括依序设置的第一区域101、第二区域102和第三区域103。服务器主板2设置在第一区域101。AI计算板卡3平行服务器主板2设置，AI计算板卡3通过PCIE转接排线6和服务器主板2电连接。设置在第三区域103的硬盘阵列4通过数据排线和服务器主板2电连接。设置在第二区域102的第一散热装置5包括间隔第一区域101和第三区域103的散热器支架501，散热器支架501包括联通第一区域101和第三区域103的散热通道5011，第一散热装置5还包括散热风扇，散热风扇固定在散热通道5011内。
本实施例中，机箱1一般包括外壳、支架、面板上的各种开关、指示灯等。外壳用钢板和塑料结合制成，硬度高，主要起保护机箱1内部元件的作用。支架主要用于固定主板、电源和各种部件，并且将机箱1分隔为第一区域101、第二区域102和第三区域103。
服务器主板2固定在机箱1的第一区域101，AI计算板卡3安装于第一区域101，与服务器主板2平行安装，AI计算板卡3通过PCIE转接排线6和服务器主板2电连接。PCIE转接排线6用于连接服务器主板2的PCIE插槽，接收主机CPU发送的数据，并将服务器主板2的CPU发送的数据发送给AI计算板卡3。同时，PCIE转接排线6还用于向服务器主板2的CPU返回AI计算板卡3的运算结果数据。现有技术中AI计算板卡3的PCIE接口用于连接主机的PCIE插槽，接收主机CPU发送的数据，在AI计算板卡3运算能力不可调的情况下，如果需要增加GPU运算能力则需要外部连接GPU来增加图像处理能力。而本实施例的PCIE转接排线6可以设置多个PCIE插槽与AI计算板卡3连接，也就是说一个服务器内可以同时使用多个AI计算板卡3，极大地提升了AI计算板卡3的使用灵活度，降低了硬件成本。
硬盘阵列4设置在机箱1的第三区域103，把相同的数据存储在多个硬盘的不同的地方(因此，冗余地)的方法。通过把数据放在多个硬盘上，输入输出操作能以平衡的方式交叠，改良性能。因为多个硬盘增加了平均故障间隔时间(MTBF)，储存冗余数据也增加了容错。硬盘阵列能够提供在线扩容、动态修改阵列级别、自动数据恢复、驱动器漫游、超高速缓冲等功能。它能提供性能、数据保护、可靠性、可用性和可管理性的解决方案。硬盘阵列4通过数据排线和服务器主板2电连接。排线减少了内连所需的硬体，如传统的电子封装上常用的焊点、中继线、底板线路及线缆，使排线可以提供更高的装配可靠性和质量。
运行强度大的服务器所使用的CPU至少为两个或更多，而且加上内部多采用SCSI磁盘阵列的形式，因而使得服务器内部发热量很大，所以良好的散热性是一款优秀服务器机箱的必备条件。散热性能主要表现在三个方面，一是风扇的数量和位置，二是散热通道的合理性，三是机箱材料的选材。本实施例的第一散热装置5设置在第二区域102，包括将机箱1分隔成第一区域101、第二区域102和第三区域103的散热器支架501。散热器支架501通过联通第一区域101和第三区域103的散热通道5011隔离硬盘和主板，为硬盘和主板分别设置单独的散热通道5011，通过固定在散热通道5011内部的散热风扇对散热通道5011的风进行出风，进入主板和电源的风不再为热风，这样避免因为热量传递和窜扰导致的散热恶化，并通过各分区独立工作独立散热，来达到各部分最优化散热，实现提升硬盘、主板和电源的散热效果，避免产生宕机现象。
本发明实施例通过AI计算板卡3通过PCIE转接排线6和服务器主板2电连接，并且设置联通第一区域101和第三区域103的散热通道5011，解决服务器硬件资源浪费或系统算力不足和服务器散热不足的问题，实现多个AI计算板卡3能够重叠横置于服务器的狭小空间内，且散热通道5011在机箱内密集板卡之间形成良好的散热通道，保证了机箱1的始终处于工作温度内运行的效果。
替代实施例中，AI算力装置100还包括设置在第一区域101的电源模块7，电源模块7一端固定在机箱1的入风口，电源模块7另一端的出风口朝向第一散热装置5。
进一步的，AI算力装置100还包括安装在服务器主板2的处理器8和存储器9。
本实施例中，处理器8可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器8是服务器的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
存储器9可用于存储服务器程序和/或模块，处理器8通过运行或执行存储在存储器9内的服务器程序和/或模块，以及调用存储在存储器9内的数据，实现服务器装置的各种功能。存储器9可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器9可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
进一步的，AI算力装置100还包括和处理器8连接的第二散热装置。
本实施例中，电源模块7设置在第一区域101，电源模块7的进风口位于服务器机箱后端侧壁的下方部位的中心位置。设置在中心位置，这样进风口进的风也处于电源的中心位置，另一端的出风口朝向第一散热装置5，通过第一散热装置5的散热通道5011和内部的散热风扇的通风，能够全达到全面均衡散热的效果，散热效果进一步提升。
第二散热装置还与处理器8连接，能对处理器8进行单独散热，进行效率极高的有效散热，避免产生宕机现象。
实施例五
本发明实施例五是在实施例四的基础上，对部分结构做了进一步细化，具体如下：
如图5所示，AI计算板卡3为多个，多个AI计算板卡3层叠放置，每个AI计算板卡3的侧部和服务器侧壁固定。
AI计算板卡3包括转接板卡301和算力板卡302，转接板卡301包括M.2插座3011、桥接芯片3012和PCIE接口3013，桥接芯片3012包括第一接口和第二接口，第一接口连接M.2插座3011；第二接口连接PCIE接口3013。算力板卡302为多个，多个算力板卡302并行连接至桥接芯片3012。
本实施例中，M.2接口，是Intel推出的一种替代MSATA新的接口规范。M.2接口分两种类型，分别支持SATA通道与NVME通道，其中SATA3.0只有6G带宽，而后者是走PCI-E通道，能提供高达32G的带宽，NVME作为新一代存储规范，由于走PCI-E通道带宽充足，可提升空间极大，传输速度更快。因此，本实施例通过桥接芯片3012将PCIE接口3013与M.2插座3011连接起来，提高数据传输速率。
与桥接芯片3012的第二接口相连接的PCIE接口3013接收主机CPU发送的数据，并将CPU发送的数据通过与桥接芯片3012的第二接口相连接的PCIE接口3013和到与桥接芯片3012的第一接口相连接的M.2插座3011，发送到算力板卡302进行数据处理，并接收由算力板卡302返回的处理结果数据。AI计算板卡3的侧部和服务器侧壁固定并层叠放置。
进一步地，算力板卡302为多个，多个算力板卡302并行连接至桥接芯片3012。当安装有多个算力板卡302时，AI算力装置100可以形成关于人工智能计算的资源池。需要说明的是，算力板卡302能够以M.2接口的插拔方式安装在AI算力装置100上。这样，AI算力装置100可以根据需要调节算力板卡302的安装数量。这里，AI算力装置100通过M.2接口的插拔方式安装算力板卡302，能够方便地调节AI计算板卡3的资源池的规模。
进一步地，为提高在一个AI算力装置100内的主板算力，AI计算板卡3可为多个，多个计算板卡层叠放置，每个计算板卡的侧部固定在服务器的侧壁。
本发明实施例五在上述技术方案的基础上进一步完善了AI计算板卡3的功能，由于服务器的CPU通常具备标准PCIE接口，通过转接板卡301将M.2接口转换成PCIE接口，AI算力装置100通过M.2接口的插拔方式安装算力板卡302，能够方便地调节AI计算板卡3的资源池的规模。
实施例六
本发明实施例六是在实施例五的基础上，对AI计算板卡3做了进一步细化，具体如下：
如图6所示，算力板卡302包括M.2插头3021和AI芯片3022，AI芯片3022包括和M.2插头3021连接的数据接口，M.2插头3021和M.2插座3011可拆卸式连接。
其中，桥接芯片3012通过PCIE接口3013从外部设备获取第一数据并传输至AI芯片3022进行计算，然后将基于第一数据的计算结果传输至外部设备；或者桥接芯片3012将从外部设备获取的第一数据分解为多个第二数据，将多个第二数据并行传输至多个AI芯片3022进行计算，然后将基于第一数据的计算结果传输至外部设备，第一数据为预设事件的特征数据，计算结果为预设事件的AI判断结果。
算力板卡302进一步包括控制芯片3023，每个算力板卡302包括的AI芯片3022为多个，多个AI芯片3022通过控制芯片3023连接至M.2插头3021。
每个算力板卡302包括的AI芯片3022为多个，多个AI芯片3022并行连接至控制芯片3023。
本实施例中，算力板卡302包括多个AI芯片3022，由于AI芯片3022与控制芯片3023之间有大量的数据交换，所以采用特殊的数据接口，本发明实施例采用FIP接口，多个AI芯片3022通过控制芯片3023连接至M.2插头3021。多个AI芯片3022通过FIP接口与控制芯片3023并行连接。
与桥接芯片3012的第二接口相连接的PCIE接口3013接收主机CPU发送的数据，并将CPU发送的数据通过与桥接芯片3012的第一接口相连接的M.2插座3011，发送到与M.2插头3021经由数据接口连接的AI芯片3022中，由AI芯片3022处理数据，并按照原本的数据传输路线向CPU返回AI芯片3022的预算结果数据。
桥接芯片3012通过PCIE接口3013从外部设备获取第一数据并通过M.2插座3011传输至AI芯片3022进行计算。第一数据为预设事件的特征数据，控制芯片3023取出一个尚未处理的数据列，对之进行特征列检查，识别其中特征数据类型的标记，AI芯片3022根据特征工程知识库找到其对应的特征处理算法，采用对应的算法对该列进行处理。优化AI运算可以是减少调用次数和减少计算数据量，本发明实施例还可以是控制芯片3023将一个完整的第一数据拆分成多个第二数据，各第二数据之间有数据依赖关系，且每个第二数据的结果都可以设置保存点，同时，每个第二数据处理都可以单独重启，每个第二数据可以存在同一计算节点上，由AI芯片3022进行处理，尽可能分布式并行计算，提高执行的并发度。在处理完成后，控制芯片3023将多个第二数据的AI判断结果合并成预设事件的AI判断结果。
本发明实施例六在上述技术方案的基础上进一步完善了算力板卡302的功能，AI芯片3022与控制芯片3023之间有大量的数据交换，需要采用特殊的数据接口，通过控制芯片3023将FIP接口转换成M.2接口，实现算力板卡302算力的可调制。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种用于视频监控的算力系统，其特征在于，包括：
视频处理装置，用于提取视频流中的每帧图像；
与所述视频处理装置连接的算力管理装置，包括第二操作系统，所述算力管理装置用于通过所述第二操作系统输入目标图像，以及接收所述视频流中的每帧图像并发送给所述AI算力装置；
与所述算力管理装置连接的AI算力装置，包括第一操作系统和第二操作系统，所述AI算力装置用于通过所述第一操作系统提取所述视频流中的每帧图像的第一特征数据和所述目标图像的第二特征数据，以及对所述第一特征数据和第二特征数据进行匹配并通过所述第二操作系统将匹配成功的第一特征图像数据对应的每帧图像输出给所述算力管理装置。
2.根据权利要求1所述的一种系统，其特征在于，所述AI算力装置为至少一个，所述算力管理装置还用于根据至少一个所述AI算力装置的工作负担分发视频流中的每帧图像。
3.根据权利要求1所述的一种系统，其特征在于，还包括至少一个录像装置，所述录像装置连接所述视频处理装置，所述录像装置用于拍摄和存储视频流，并将所述视频流发送至所述视频处理装置。
4.根据权利要求1所述的一种系统，其特征在于，所述AI算力装置还用于将提取后的第一特征数据标记上对应的视频流中的每帧图像的信息，并将标记有每帧图像的信息的第一特征数据存储为视频流特征集。
5.根据权利要求4所述的一种系统，其特征在于，所述AI算力装置通过所述第一操作系统将所述视频流特征集存储在所述AI算力装置中。
6.根据权利要求1所述的一种系统，其特征在于，所述AI算力装置输出的每帧图像为至少一个。
7.根据权利要求1所述的一种系统，其特征在于，所述AI算力装置采用神经卷积网络提取所述视频流中的每帧图像的特征数据。
8.根据权利要求7所述的一种系统，其特征在于，所述神经卷积网络为VGG-16卷积神经网络。
9.根据权利要求1所述的一种系统，其特征在于，所述第一操作系统为Unix系统、Linux系统或android系统，所述第二操作系统为Windows系统。
10.一种用于视频监控的算力系统，其特征在于，包括：
算力管理装置，包括第二操作系统，所述算力管理装置用于通过所述第二操作系统输入目标图像，以及用于提取视频流中的每帧图像并发送给所述AI算力装置；
与所述算力管理装置连接的AI算力装置，包括第一操作系统和第二操作系统，所述AI算力装置用于通过所述第一操作系统提取所述视频流中的每帧图像的第一特征数据和所述目标图像的第二特征数据，以及对所述第一特征数据和第二特征数据进行匹配并通过所述第二操作系统将匹配成功的第一特征图像数据对应的每帧图像输出给所述算力管理装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910707136.9A CN110414457A (zh) | 2019-08-01 | 2019-08-01 | 一种用于视频监控的算力系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910707136.9A CN110414457A (zh) | 2019-08-01 | 2019-08-01 | 一种用于视频监控的算力系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110414457A true CN110414457A (zh) | 2019-11-05 |
Family
ID=68365165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910707136.9A Pending CN110414457A (zh) | 2019-08-01 | 2019-08-01 | 一种用于视频监控的算力系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110414457A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110944201A (zh) * | 2019-12-02 | 2020-03-31 | 深圳云朵数据技术有限公司 | 一种视频去重压缩的方法、装置、服务器及存储介质 |
| WO2021139173A1 (zh) * | 2020-01-12 | 2021-07-15 | 苏州浪潮智能科技有限公司 | 一种ai视频处理方法与装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101990085A (zh) * | 2009-07-31 | 2011-03-23 | 深圳市朗驰欣创科技有限公司 | 一种硬盘录像机 |
| CN105518709A (zh) * | 2015-03-26 | 2016-04-20 | 北京旷视科技有限公司 | 用于识别人脸的方法、系统和计算机程序产品 |
| CN108280020A (zh) * | 2018-01-23 | 2018-07-13 | 广州视源电子科技股份有限公司 | 计算机设备的监控方法、装置、终端及计算机存储介质 |
| CN109167979A (zh) * | 2018-10-30 | 2019-01-08 | 深兰科技（上海）有限公司 | 多路监控视频人工智能分析的处理方法及系统 |
| CN110069111A (zh) * | 2019-06-06 | 2019-07-30 | 深圳云朵数据科技有限公司 | 一种ai计算服务器 |
-
2019
- 2019-08-01 CN CN201910707136.9A patent/CN110414457A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101990085A (zh) * | 2009-07-31 | 2011-03-23 | 深圳市朗驰欣创科技有限公司 | 一种硬盘录像机 |
| CN105518709A (zh) * | 2015-03-26 | 2016-04-20 | 北京旷视科技有限公司 | 用于识别人脸的方法、系统和计算机程序产品 |
| CN108280020A (zh) * | 2018-01-23 | 2018-07-13 | 广州视源电子科技股份有限公司 | 计算机设备的监控方法、装置、终端及计算机存储介质 |
| CN109167979A (zh) * | 2018-10-30 | 2019-01-08 | 深兰科技（上海）有限公司 | 多路监控视频人工智能分析的处理方法及系统 |
| CN110069111A (zh) * | 2019-06-06 | 2019-07-30 | 深圳云朵数据科技有限公司 | 一种ai计算服务器 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110944201A (zh) * | 2019-12-02 | 2020-03-31 | 深圳云朵数据技术有限公司 | 一种视频去重压缩的方法、装置、服务器及存储介质 |
| WO2021139173A1 (zh) * | 2020-01-12 | 2021-07-15 | 苏州浪潮智能科技有限公司 | 一种ai视频处理方法与装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110069111A (zh) | 一种ai计算服务器 | |
| WO2017113201A1 (zh) | 一种网络服务的生命周期管理方法及设备 | |
| US20170068844A1 (en) | Automated methods and systems for identifying and assigning attributes to human-face-containing subimages of input images | |
| CN109214238A (zh) | 多目标跟踪方法、装置、设备及存储介质 | |
| CN110134205B (zh) | 一种ai计算服务器 | |
| CN110414457A (zh) | 一种用于视频监控的算力系统 | |
| CN104574510A (zh) | 三维重建和编辑系统和方法 | |
| Stekovic et al. | General 3d room layout from a single view by render-and-compare | |
| US10902260B2 (en) | Estimating a height of a cloud depicted in an image | |
| CN108153779A (zh) | 页面数据投放信息处理方法及装置 | |
| CN111352697A (zh) | 灵活的物理功能和虚拟功能映射 | |
| DE102021133634A1 (de) | Intelligente austauschbare modulare einheit für lokale kühlkreisläufe in einem rechenzentrums-kühlsystem | |
| CN109063790A (zh) | 对象识别模型优化方法、装置和电子设备 | |
| DE102022112385A1 (de) | Intelligentes testsystem unter verwendung von kühlsystemen in rechenzentren | |
| Lima et al. | Mobilidade, imersão e experiência: entre ajustes e discordâncias conceituais no jornalismo imersivo. | |
| DE102022101525A1 (de) | Intelligenter kühlmittelunterstützter flüssigkeit-zu-luftwärmetauscher für kühlsysteme in einem rechenzentrum | |
| CN108564134B (zh) | 数据处理方法、装置、计算设备和介质 | |
| Goldworm et al. | Blade servers and virtualization: transforming enterprise computing while cutting costs | |
| CN110134206A (zh) | 一种计算板卡 | |
| CN108257172B (zh) | 基于Hadoop的集成电路版图开路关键面积提取方法 | |
| Chang et al. | Cloud-Based parallel implementation of an intelligent classification algorithm for fault detection and diagnosis of HVAC systems | |
| CN109783187A (zh) | 虚拟机器的建立方法、装置及非挥发性电脑可读取记录媒体 | |
| CN114201727A (zh) | 数据的处理方法、处理器、人工智能芯片及电子设备 | |
| CN111178373B (zh) | 运算方法、装置及相关产品 | |
| US9501311B2 (en) | Apparatus and method for multicore emulation based on dynamic context switching |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |
|
| RJ01 | Rejection of invention patent application after publication |