CN111199279A - 一种警务行业云端边缘计算和人工智能融合方法及装置 - Google Patents

Abstract

本发明提供一种警务行业云端边缘计算和人工智能融合方法及装置，属于涉及云计算、物联网、边缘计算、人工智能领域，本发明将深度学习计算分布到云端、管道和边缘端侧，由警务中心云端负责警务海量数据的基础模型训练，根据警务中心边缘端侧的需求进行个性化模型分发，云端到边缘端侧警务中心部署学习后的深度学习模型，用来完成推理，边缘警务持续进行推理结果的反馈，在上传到云端持续优化云端警务模型。

Description

一种警务行业云端边缘计算和人工智能融合方法及装置

技术领域

本发明涉及云计算、物联网、边缘计算、人工智能技术，尤其涉及一种警务行业云端边缘计算和人工智能融合方法及装置。

背景技术

随着云计算的发展，各类应用系统已经渐渐转向云端，云端中心聚合了大量的物理硬件资源，如服务器、网络、内存及存储等，采用虚拟化技术将其进行抽取、转换后统一呈现出来，实现了异构网络计算资源的统一分配、调度和管理，集中建设数据中心大大降低了计算和存储的成本。

随着城市化进程的加快及经济发展，我国社会治安构成要素日渐膨胀，给公安机关警务工作带来很大压力，而警力资源则几乎未增长，导致供需矛盾日益激化。在此背景下，警务机关亟待通过新技术和新模式寻求突破，以适应当下公安机关业务变革的需求。

2018年开始，人工智能不再强调概念和技术，而是加速与各个垂直领域进行融合。在安防行业，人工智能已经逐步进入业务实战应用阶段，作为最能发挥人工智能价值的领域之一，智慧警务在人工智能、大数据及云计算等技术融合的驱动下，呈现出新的发展特征。无论是智能前端设备(包括移动警务设备)，还是警务云平台，采集数据的价值实现都离不开人工智能技术的融合应用。前端是各类识别与比对以及视频结构化的实时处理，以在端侧实现智能化，满足前端场景应用在时延、功耗和性能方面的需求，而后端则是体现在基于多维数据的深度分析研判，相当于是作战指挥中心。共享使用全省警务云提供的计算、存储和数据资源，从而大大提升基层民警办事效率，减轻民警工作压力。

深度学习需要大量数据和计算资源来进行训练，警务云端服务在一定程度上可以满足要求，然而伴随着数据量越来越庞大，特别是对于边缘端侧诸如实时业务、数据优化、带宽限制、应用智能、安全与隐私等多方面需求，计算和存储无法全部放在远程云端，需要将其靠近边缘端侧设备或数据源头，就近提供近端计算服务。在这种情况下，如何更高效的为边缘端侧设备提供深度学习能力，并能融合“云-管-端”多种计算资源，提供更好的深度学习能力，持续的优化模型和推理能力成为亟需解决的问题。

发明内容

为了解决以上技术问题，本发明提出了一种警务行业云端边缘计算和人工智能融合技术的方法，有效的利用了带宽，保证了网络传输的效率，提高了警务实时业务执行效率。

本发明的技术方案是：

一种警务行业云端边缘计算和人工智能融合方法，

将深度学习技术分布到警务云端、管道和边缘端侧，由警务云端负责海量数据大计算量的基础模型训练，根据边缘端侧的需求进行个性化的模型分发，云端到边缘端侧节点部署学习后的深度学习模型，用来完成推理，边缘端侧持续进行推理结果的反馈，再上传到云端持续优化模型。

具体实施流程包括：

步骤1、警务云端产生通用深度学习模型，并将深度学习模型下发到边缘端侧；

步骤2、边缘端侧根据智能传感设备采集的数据进行推理计算，并根据用户反馈信息和推理的原始数据组合成训练集数据；

步骤3、边缘端侧将训练集经管道上传至警务云端；

步骤4、警务云端根据训练集进行深度学习模型训练，优化警务云端深度学习模型。

进一步的，

所述步骤1流程包括：

步骤1.1、警务云端利用收集的海量数据进行深度学习模型训练，产生警务云端通用深度学习模型；

步骤1.2、警务云端根据需要部署深度学习模型的应用节点计算和存储能力进行模型优化，产生边缘端侧的深度学习模型；

步骤1.3、警务云端将深度学习模型下发到边缘端侧。

进一步的，

所述步骤2具体实施流程包括：

步骤2.1、摄像头、移动终端等智能传感设备实时采集人像、身份数据；

步骤2.2、摄像头、移动终端等智能设备将采集数据发送给边缘端侧进行推理；

步骤2.3、边缘端侧进行人像识别和身份识别推理计算；

步骤2.4、智能设备将结果展示给边缘端侧前端，前端是各类识别与比对以及视频结构化的实时处理；

步骤2.5、边缘端侧收到智能设备的信息，和推理数据、原始采集数据组合训练集继续优化训练，保存在边缘端侧，边缘端侧实现智能化，满足前端场景应用在时延、功耗和性能方面的需求。

再进一步的，

边缘端侧执行深度学习计算，并反馈结果；智能终端设备向边缘端侧发送消息，边缘端侧根据深度学习模型进行计算，实时得到结果。

进一步的，

边缘端侧将训练模型集合上传至警务云端；边缘端侧根据网络带宽情况，选择带宽空闲时间段，统一上传数据模型。

进一步的，

所述智能传感设备包括摄像头、身份识别器、手持移动终端。

本发明还提供了一种警务行业云端边缘计算和人工智能融合装置，包括警务云端和边缘端侧；其中，

警务云端，负责警务深度学习模型训练，通过管道下发到边缘端侧，同时接收边缘端侧的有效数据，将其作为训练数据持续进行模型的优化；

边缘端侧，负责接收来自警务云端的深度学习模型，对来自智能传感设备的数据实时进行推理分析，并将结果反馈给智能传感设备，同时在边缘端侧进行前端展示。

本发明的有益效果是

本发明建设基于虚拟化技术的云基础设施层，并具有弹性扩展、动态计算能力以及基于分布式的大容量、高安全性的存储空间，减少设备投入、降低能源消耗，能够为公安信息化建设和应用提供公共的技术环境和服务支撑。特别是经济不发达地区，共用共享警务云资源。

面对海量警务数据，深度学习需要大量数据和计算资源来进行训练，警务云端服务在一定程度上可以满足要求，然而伴随着数据量越来越庞大，特别是对于边缘端侧诸如实时业务、数据优化、带宽限制、应用智能、安全与隐私等多方面需求，计算和存储无法全部放在远程云端，需要将其靠近边缘端侧设备或数据源头，就近提供近端计算服务。高效的为边缘端侧设备提供深度学习能力，并能融合“云-管-端”多种计算资源，提供更好的深度学习能力，持续的优化模型和推理能力。

附图说明

图1是本发明的工作示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明基于虚拟化技术的云基础设施层，并具有弹性扩展、动态计算能力以及基于分布式的大容量、高安全性的存储空间。将深度学习技术分布到警务云端、管道和边缘端侧，由警务云端负责海量数据大计算量的基础模型训练，根据边缘端侧的需求进行个性化的模型分发，云端到边缘端侧节点部署学习后的深度学习模型，用来完成推理，边缘端侧持续进行推理结果的反馈，再上传到云端持续优化模型。

云数据中心包括基础设施服务层(IaaS)和平台支撑服务(PaaS)。采用容器技术动态分配资源。

云计算架构中的IaaS层，主要利用虚拟化将计算资源、网络资源、存储资源进行整合以及资源池化，为各单位提供快速开发和部署的虚拟硬件资源环境。

平台服务层对应的是云计算架构中的PaaS层，由分布式弹性运行调度环境、云服务、云数据中心有机组合而成。

分布式弹性运行调度环境，利用云计算池化技术，可对接多套虚拟化环境和物理环境，构建起全局可见的计算池、存储池、网络池，为跨地区、跨警种、跨部门的用户提供所需的应用运行环境。各类用户可以根据自己的业务需要提出期望的硬件配置、操作系统和网络配置，快速搭建安全稳定的应用运行环境，该运行环境中的应用还可随需进行横向或者纵向的扩展，实现动态拓展、按需分配，资源共享。

采用云计算和分布式技术，以服务应用运行为核心目标，构建公安警务云的云中间件服务层，云服务是指根据不同的应用场景和计算模式，通过分布式集群管理将虚拟的计算、存储和网络资源组合、封装后形成高可用、动态可扩展的云化服务(分布式服务)能力。

公关机关在推进警务信息化进程中，不但要增大具有感知或机器视觉能力的监控摄像机以及其他物联网终端设备的覆盖规模，更为关键的是要建设警务云，汇聚全警数据和社会数据，加快各警种之间的信息资源融合，横向打通各业务版块，为全警信息化建设和应用提供公共的技术环境和服务支撑。这样，经济欠发达地区就能够在没有经济条件和技术能力建云的情况下，共享使用警务云提供的计算、存储和数据资源，从而大大提升基层民警办事效率，减轻民警工作压力。

本发明将人工智能深度学习计算分布到警务云端和边缘端，大量算力集中在云端进行基础模型训练，模型下发到需求边缘端侧，需求边缘端侧根据智能设备消息进行决策及业务操作，并优化边缘端侧数据模型，然后上传到云端持续优化远端模型。

具体实施流程包括：

步骤1，警务云端产生通用深度学习模型(包括人像识别、身份识别等)，并将深度学习模型下发到边缘端侧；

具体包括：

步骤1.1、警务云端利用收集的海量数据进行深度学习模型训练(包括人像识别、身份识别等)，产生警务云端通用深度学习模型；

步骤1.2、警务云端根据需要部署深度学习模型的应用节点计算和存储能力进行模型优化，产生边缘端侧的深度学习模型；

步骤1.3、警务云端将深度学习模型下发到边缘端侧。

步骤2，边缘端侧根据智能传感设备(包括摄像头、移动终端等)采集的数据进行推理计算，并根据用户反馈信息和推理的原始数据组合成训练集数据；

具体包括：

步骤2.1、摄像头、移动终端等智能传感设备实时采集人像、身份数据等；

步骤2.2、摄像头、移动终端等智能设备将采集数据发送给边缘端侧进行推理；

步骤2.3、边缘端侧进行人像识别和身份识别推理计算；

步骤2.4、智能设备将结果展示给边缘端侧前端，前端是各类识别与比对以及视频结构化的实时处理；

步骤2.5、边缘端侧收到智能设备的信息，和推理数据、原始采集数据组合训练集继续优化训练，保存在边缘端侧，边缘端侧实现智能化，满足前端场景应用在时延、功耗和性能方面的需求。

步骤3，边缘端侧将训练集经管道上传至警务云端，

步骤4，警务云端根据训练集进行深度学习模型训练，优化警务云端深度学习模型。

本发明在警务行业，整个深度学习计算过程，持续优化警务云端计算模型，根据边缘警务的需求进行个性化模型分发，有效的利用了带宽，保证了网络传输的效率，提高了警务实时业务执行效率。本发明建设基于虚拟化技术的云基础设施层，并具有弹性扩展、动态计算能力以及基于分布式的大容量、高安全性的存储空间，减少设备投入、降低能源消耗，能够为公安信息化建设和应用提供公共的技术环境和服务支撑。无论是智能前端设备(包括移动警务设备)，还是警务云平台，海量数据的价值实现都离不开人工智能技术的融合应用。前端是各类识别与比对以及视频结构化的实时处理，边缘端侧实现智能化，满足前端场景应用在时延、功耗和性能方面的需求，而后端则是体现在基于多维数据的深度分析研判，结合人工智能技术，基于大数据的研判分析在侦破案件、预防犯罪、精确打击以及辅助决策等警务工作中具有重要的实战价值。

以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (8)

1.一种警务行业云端边缘计算和人工智能融合方法，其特征在于，

将深度学习技术分布到警务云端、管道和边缘端侧，由警务云端负责海量数据大计算量的基础模型训练，根据边缘端侧的需求进行个性化的模型分发，云端到边缘端侧节点部署学习后的深度学习模型，用来完成推理，边缘端侧持续进行推理结果的反馈，再上传到云端持续优化模型。

2.根据权利要求1所述的方法，其特征在于，

具体实施流程包括：

步骤1、警务云端产生通用深度学习模型，并将深度学习模型下发到边缘端侧；

步骤2、边缘端侧根据智能传感设备采集的数据进行推理计算，并根据用户反馈信息和推理的原始数据组合成训练集数据；

步骤3、边缘端侧将训练集经管道上传至警务云端；

步骤4、警务云端根据训练集进行深度学习模型训练，优化警务云端深度学习模型。

3.根据权利要求2所述的方法，其特征在于，

所述步骤1流程包括：

步骤1.1、警务云端利用收集的海量数据进行深度学习模型训练，产生警务云端通用深度学习模型；

步骤1.2、警务云端根据需要部署深度学习模型的应用节点计算和存储能力进行模型优化，产生边缘端侧的深度学习模型；

步骤1.3、警务云端将深度学习模型下发到边缘端侧。

4.根据权利要求2所述的方法，其特征在于，

所述步骤2具体实施流程包括：

步骤2.1、摄像头、移动终端等智能传感设备实时采集人像、身份数据；

步骤2.2、摄像头、移动终端等智能设备将采集数据发送给边缘端侧进行推理；

步骤2.3、边缘端侧进行人像识别和身份识别推理计算；

步骤2.4、智能设备将结果展示给边缘端侧前端，前端是各类识别与比对以及视频结构化的实时处理；

步骤2.5、边缘端侧收到智能设备的信息，和推理数据、原始采集数据组合训练集继续优化训练，保存在边缘端侧，边缘端侧实现智能化，满足前端场景应用在时延、功耗和性能方面的需求。

5.根据权利要求2所述的方法，其特征在于，

边缘端侧执行深度学习计算，并反馈结果；智能终端设备向边缘端侧发送消息，边缘端侧根据深度学习模型进行计算，实时得到结果。

6.根据权利要求2所述的方法，其特征在于，

边缘端侧将训练模型集合上传至警务云端；边缘端侧根据网络带宽情况，选择带宽空闲时间段，统一上传数据模型。

7.根据权利要求2所述的方法，其特征在于，

所述智能传感设备包括摄像头、身份识别器、手持移动终端。

8.一种警务行业云端边缘计算和人工智能融合装置，其特征在于，

包括警务云端和边缘端侧；其中，

警务云端，负责警务深度学习模型训练，通过管道下发到边缘端侧，同时接收边缘端侧的有效数据，将其作为训练数据持续进行模型的优化；

边缘端侧，负责接收来自警务云端的深度学习模型，对来自智能传感设备的数据实时进行推理分析，并将结果反馈给智能传感设备，同时在边缘端侧进行前端展示。

Images