CN111753584B - 智能分析方法及系统 - Google Patents
智能分析方法及系统 Download PDFInfo
- Publication number
- CN111753584B CN111753584B CN201910241537.XA CN201910241537A CN111753584B CN 111753584 B CN111753584 B CN 111753584B CN 201910241537 A CN201910241537 A CN 201910241537A CN 111753584 B CN111753584 B CN 111753584B
- Authority
- CN
- China
- Prior art keywords
- intelligent
- algorithm model
- intelligent algorithm
- engine unit
- management module
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Stored Programmes (AREA)
Abstract
本申请提供一种智能分析方法及系统,该智能分析系统包括:模型训练平台、智能应用平台以及智能设备;其中:所述模型训练平台,用于进行智能算法模型训练;所述智能应用平台,用于获取所述模型训练平台训练好的智能算法模型,并基于所述智能算法模型对所述智能设备中的智能算法模型进行管理;所述智能设备,用于基于所述智能应用平台的智能算法模型管理,执行智能分析任务。该智能分析系统可以提高智能设备执行智能分析任务的灵活性。
Description
技术领域
本申请涉及视频监控技术,尤其涉及一种智能分析方法及系统。
背景技术
目前,AI(Artificial Intelligence,人工智能)应用在安防领域的应用越来越普及。人脸识别比对、人体识别以及车辆识别等,均是通过智能算法对监控视频或者图片进行智能分析获取到的结构化数据实现,智能IPC(Internet Protocol Camera,网络摄像机)和智能NVR(Network Video Recorder,网络硬盘录像机)等智能设备可以实现以上功能。
然而实践发现,现有智能设备的智能分析算法通常需要用户手动配置,且通常仅能实现一种或几种固定的智能分析算法的目标分析人物,其实现灵活性较差。
发明内容
有鉴于此,本申请提供一种智能分析方法及系统。
具体地,本申请是通过如下技术方案实现的:
根据本申请实施例的第一方面,提供一种智能分析系统,包括:模型训练平台、智能应用平台以及智能设备;其中:
所述模型训练平台,用于进行智能算法模型训练;
所述智能应用平台,用于获取所述模型训练平台训练好的智能算法模型,并基于所述智能算法模型对所述智能设备中的智能算法模型进行管理;
所述智能设备,用于基于所述智能应用平台的智能算法模型管理,执行智能分析任务。
根据本申请实施例的第二方面,提供一种智能分析方法,应用于上述智能设备,所述方法包括:
智能应用平台获取模型训练平台训练好的智能算法模型,并基于所述智能算法模型对所述智能设备中的智能算法模型进行管理;
所述智能设备基于所述智能应用平台的智能算法模型管理,执行智能分析任务。
本申请实施例的智能分析系统,通过智能应用平台获取模型训练平台训练好的智能算法模型,并基于该智能算法模型对智能设备中的智能算法模型进行管理,进而,智能设备基于智能应用平台的智能算法模型管理,执行智能分析任务,实现了对智能设备中的智能算法模型的灵活管理,提高了智能设备执行智能分析任务的灵活性。
附图说明
图1是本申请一示例性实施例示出的一种智能分析系统的架构示意图;
图2是本申请一示例性实施例示出的一种智能设备的结构示意图;
图3是本申请另一示例性实施例示出的一种智能设备的结构示意图;
图4是本申请又一示例性实施例示出的一种智能设备的结构示意图;
图5是本申请一示例性实施例示出的一种智能分析方法的流程示意图;
图6A是本申请一示例性实施例示出的一种智能算法模型下发的流程示意图;
图6B是本申请一示例性实施例示出的一种智能轮询分析的流程示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
为了使本领域技术人员更好地理解本申请实施例提供的技术方案,并使本申请实施例的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请实施例中技术方案作进一步详细的说明。
请参见图1,为本申请实施例提供的一种智能分析系统的架构示意图,如图1所示,该智能分析系统可以包括:模型训练平台110、智能应用平台120以及智能设备130;其中:
所述模型训练平台110,用于进行智能算法模型训练;
所述智能应用平台120,用于获取所述模型训练平台训练好的智能算法模型,并基于所述智能算法模型对所述智能设备中的智能算法模型进行管理;
所述智能设备130,用于基于所述智能应用平台的智能算法模型管理,执行智能分析任务。
本申请实施例中,为了提高智能设备使能的智能算法模型的灵活性,智能设备不再固定配置智能算法模型,而是可以根据实际需求通过模型训练平台进行智能算法模型训练,并由智能应用平台对模型训练平台训练好的智能算法模型对智能设备中的智能算法模型进行管理。
具体地,在本申请实施例中,可以针对检测需求收集大量图片,将图片导入到模型训练平台110,并对图片上需要检测或者分类的目标进行标定(包括位置标定和标签标定),以得到训练样本,并基于所得到的训练样本,通过大量迭代学习,训练出能够满足检测需求的智能算法模型。
智能应用平台120可以通过网络获取模型训练平台110上训练好的智能算法模型,并通过网络的方式将获取到的智能算法模型发送给智能设备。
可选地,智能应用平台120可以基于获取到的训练好的智能算法模型,对智能设备130上的智能算法模型进行管理,其管理操作可以包括但不限于查询已有智能算法模型、替换已有智能算法模型、删除已有模型以及下发新的智能算法模型等操作之一或多个。
智能设备130上的智能引擎支持智能算法模型替换。智能设备130可以将智能应用平台120下发的新智能算法模型加载到智能引擎中,并利用新的智能算法模型执行深度学习算法,分析智能设备上实时视频、录像视频、抓图图片、平台下发图片,能够检测出视频或图片中的待检测目标,并将分析结果返回给智能应用平台120,智能应用平台120能够对图片中待检测目标的位置和标签进行展示。
其中,智能设备可以包括但不限于智能IPC或智能NVR等。
需要说明的是,在本申请实施例中,模型训练平台110训练的智能算法模型可以为单个智能算法模型,或多个智能算法模型(可以称为智能算法模型包);相应地,智能应用平台120下发给智能设备130的智能算法模型也可以为单个智能算法模型或多个智能算法模型。
此外,在本申请实施例中,模型训练平台110进行智能算法模型训练时,除了可以进行模型训练之外,还可以进行算法训练;相应地,智能应用平台120向智能设备130下发智能算法模型时,除了可以下发模型之外,还可以下发算法。
举例来说,假设智能应用平台120向智能设备130下发智能算法模型时仅下发模型,则智能设备130可以利用预先配置的算法,并基于智能应用平台120下发的算法执行智能分析任务。
又举例来说,假设智能应用平台120向智能算法设备130下发智能算法模型时下发算法和模型,则智能设备130可以利用下发的算法,并基于智能应用平台120下发的算法执行智能分析任务。
请参见图2,为本申请实施例提供的一种智能设备的结构示意图,如图2所示,智能设备130可以包括:网络管理模块131、智能算法模型管理模块132以及智能引擎单元133;其中:
所述网络管理模块131,用于接收所述智能应用平台发送的智能算法模型管理操作指令,并将所述智能算法模型管理操作指令发送给所述智能算法模型管理模块132;
所述智能算法模型管理模块132,用于接收所述网络管理模块发送的智能算法模型管理操作指令,并根据所述智能算法模型管理操作指令对所述智能引擎单元133中的智能算法模型进行管理;
所述智能引擎单元133,用于基于所述智能算法模型管理模块的智能算法模型管理,执行智能分析任务。
本申请实施例中,智能设备130可以通过网络管理模块131与智能应用平台120进行网络交互,接收智能应用平台120发送的智能算法模型管理操作指令,并将智能算法模型管理操作指令发送给智能算法模型管理模块132。
可选地,智能算法模型管理操作指令可以包括但不限于智能算法模型下发指令、智能算法模型查询指令、智能算法模型删除指令以及智能算法模型替换指令等指令中的一个或多个。
相应地,智能算法模型管理模块132,可以具体用于对智能引擎单元中的智能算法模型进行以下管理操作之一或多个:
查询已有智能算法模型、替换已有智能算法模型、删除已有智能算法模型、下发新的智能算法模型。
在本申请其中一个实施例中,智能算法模型管理模块132,可以具体用于智能算法模型管理操作指令为智能算法模型下发指令时,将所述智能算法模型下发指令中携带的智能算法模型下发给智能引擎单元133;或,根据所述智能算法模型下发指令中携带的智能算法模型存储地址信息获取智能算法模型,并将所述智能算法模型下发给智能引擎单元133;
所述智能引擎单元133,可以具体用于加载所述智能算法模型管理模块下发的智能算法模型。
在该实施例中,智能应用平台120向智能设备130下发智能算法模型时,可以直接将智能算法模型携带在智能下发指令中下发给智能设备130;或者,可以将智能算法模型的存储地址信息携带在智能下发指令中下发给智能设备130。
可选地,该智能算法模型的存储地址信息可以为智能算法模型在云存储平台上的URL(Uniform Resource Locator,统一资源定位符)。
相应地,当智能算法模型管理模块132接收到智能算法模型下发指令,且该智能算法模型下发指令中携带有智能算法模型时,智能算法模型管理模块132可以获取该智能算法模型下发指令中携带的智能算法模型,并将该智能算法模型下发给智能引擎单元133。
当智能算法模型管理模块132接收到智能算法模型下发指令,且该智能算法模型下发指令中携带有智能算法模型的存储地址信息时,智能算法模型管理模块132可以根据该智能算法模型的存储地址信息,下载对应的智能算法模型,并将下载的智能算法模型下发给智能引擎单元133。
在该实施例中,当智能引擎单元133接收到智能算法模型管理模块132下发的智能算法模型时,可以加载智能算法模型管理模型下发的智能算法模型。
进一步地,在该实施例中,为了保证智能算法模型在传输过程中的安全性,智能应用平台120向智能设备130下发智能算法模型时,可以使用与使能设备130预先协商的加密方式对所下发的智能算法模型进行加密。
相应地,当智能引擎单元133接收到智能算法模型管理模块132下发的智能算法模型时,可以对该智能算法模型进行解密,并当解密成功时,对解密后的智能算法模型进行加载。
其中,当智能引擎单元133对智能算法模型解密失败时,智能引擎单元133可以返回解密失败响应消息,由网络管理模块131返回给智能应用平台,其具体实现在此不做赘述。
应该认识到,在本申请实施例中,当智能应用平台120下发的智能算法模型为加密后的算法模型时,并不限于由智能引擎单元133对加密后的智能算法模型进行解密,也可以由网络管理模块或智能算法模型管理模块对加密后的智能算法模型进行解密,其具体实现在此不做赘述。
此外,在本申请实施例中,当智能设备130中存在多个智能引擎单元133时,智能应用平台120向智能设备130下发智能算法模型时,可以指定加载智能算法模型的智能引擎单元133的引擎ID,进而,智能算法模型管理模块132可以根据该引擎ID,将智能算法模型下发到对应的智能引擎单元133。
需要说明的是,在本申请实施例中,当智能设备130中存在多个智能引擎单元133,且智能应用平台120未指定引擎ID时,智能设备130可以向智能设备130中各智能引擎单元133均下发智能算法模型,其具体实现在此不做赘述。
在本申请另一个实施例中,智能算法模型管理模块132,可以具体用于当智能算法模型管理操作指令为智能算法模型查询指令时,向智能引擎单元132发送智能算法模型查询指令,并将查询结果通过网络管理模块131上报给智能应用平台120;
智能引擎单元133,可以具体用于当接收到智能算法模型查询指令时,向智能算法模型管理模块发送工作状态和模型状态。
在该实施例中,智能应用平台120可以通过向智能设备130发送智能算法模型查询指令的方式查询智能设备130中的智能引擎单元133的工作状态和模型状态。
相应地,当智能算法模型管理模块132接收到智能算法模型查询指令时,可以向智能引擎单元133发送智能算法模型查询指令。
智能引擎单元133接收到智能算法模型查询指令时,可以向智能算法模型管理模块132发送工作状态和模型状态。
其中,该工作状态为该智能引擎单元133的工作状态,其可以包括但不限于初始化中、工作中或异常等;模型状态为该智能引擎单元133的智能算法模型的加载状态,其可以包括但不限于加载成功或加载失败等。
在该实施例中,智能算法模型管理模块132接收到智能引擎单元133发送的工作状态和模型状态之后,可以通过网络管理模块131将该智能引擎单元133的工作状态和模型状态上报给智能应用平台120。
其中,对于任一智能引擎单元133,当其工作状态为工作中,且模型状态为加载成功时,该智能引擎单元133可以用于执行智能分析任务。
在该实施例中,当智能设备130中存在多个智能引擎单元133时,智能应用平台120向智能设备130下发智能算法模型查询指令时,可以指定查询的智能引擎单元133的引擎ID,进而,智能算法模型管理模块132可以根据该引擎ID,将智能算法模型查询指令下发到对应的智能引擎单元133。
需要说明的是,在本申请实施例中,当智能设备130中存在多个智能引擎单元133,且智能应用平台120未指定引擎ID时,智能设备130可以向智能设备130中各智能引擎单元133均下发智能算法模型查询指令,其具体实现在此不做赘述。
在本申请另一实施例中,智能算法模型管理模块132,可以具体用于当智能算法模型管理操作指令为智能算法模型删除指令时,向智能引擎单元133发送智能算法模型删除指令;
智能引擎单元133,可以具体用于当接收到智能算法模型删除指令时,删除本地的智能算法模型。
在该实施例中,智能应用平台120可以通过向智能设备130下发智能算法模型指令的方式删除智能设备130的智能引擎单元132中加载的智能算法模型。
相应地,当智能算法模型管理模块132接收到智能算法模型删除指令时,可以向智能引擎单元133发送智能算法模型删除指令;当智能引擎单元133接收到智能算法模型删除指令时,可以删除本地的智能算法模型。
在该实施例中,当智能设备130中存在多个智能引擎单元133时,智能应用平台120向智能设备130下发智能算法模型删除指令时,可以指定需要删除智能算法模型的智能引擎单元133的引擎ID,进而,智能算法模型管理模块132可以根据该引擎ID,将智能算法模型删除指令下发到对应的智能引擎单元133。
需要说明的是,在本申请实施例中,当智能设备130中存在多个智能引擎单元133,且智能应用平台120未指定引擎ID时,智能设备130可以向智能设备130中各智能引擎单元133均下发智能算法模型删除指令,其具体实现在此不做赘述。
在本申请另一个实施例中,智能算法模型管理模块132,可以具体用于当智能算法模型管理操作指令为智能算法模型替换指令时,将智能算法模型替换指令中携带的智能算法模型下发智能引擎单元;或,根据智能算法模型替换指令中携带的智能算法模型存储地址信息获取智能算法模型,并将智能算法模型下发给智能引擎单元;
智能引擎单元133,可以具体用于删除本地的智能算法模型,并加载智能算法模型管理模块下发的智能算法模型。
在该实施例中,智能应用平台120替换智能设备130中的智能算法模型时,可以直接将新的智能算法模型携带在智能替换指令中下发给智能设备130;或者,可以将新的智能算法模型的存储地址信息携带在智能替换指令中下发给智能设备130。
可选地,该智能算法模型的存储地址信息可以为智能算法模型在云存储平台上的URL。
相应地,当智能算法模型管理模块132接收到智能算法模型替换指令,且该智能算法模型替换指令中携带有智能算法模型时,智能算法模型管理模块132可以获取该智能算法模型替换指令中携带的智能算法模型,并将该智能算法模型下发给智能引擎单元133。
当智能算法模型管理模块132接收到智能算法模型替换指令,且该智能算法模型替换指令中携带有智能算法模型的存储地址信息时,智能算法模型管理模块132可以根据该智能算法模型的存储地址信息,下载对应的智能算法模型,并将下载的智能算法模型下发给智能引擎单元133。
在该实施例中,当智能引擎单元133接收到智能算法模型管理模块132下发的智能算法模型时,可以删除本地已有的智能算法模型,并加载该新下发的智能算法模型。
需要说明的是,在本申请实施例中,当智能引擎单元133接收到智能算法模型管理模块132下发的智能算法模型时,若本地已有智能算法模型,则智能引擎单元133可以执行智能算法模型替换操作,即删除本地已有的智能算法模型,并加载新下发的智能算法模型;若本地不存在智能算法模型,则智能引擎单元133可以执行智能算法模型下发操作,即加载该新下发的智能算法模型。
此外,在本申请实施例中,当智能引擎单元133接收到智能算法模型管理模块132下发的智能算法模型,且本地存在正在执行的智能分析任务时,智能引擎单元133可以暂停正在执行的智能分析任务,并执行智能算法模替换操作,其具体实现在此不做赘述。
在该实施例中,当智能设备130中存在多个智能引擎单元133时,智能应用平台120向智能设备130下发智能算法模型替换指令时,可以指定需要替换智能算法模型的智能引擎单元133的引擎ID,进而,智能算法模型管理模块132可以根据该引擎ID,将新的智能算法模型下发到对应的智能引擎单元133。
需要说明的是,在本申请实施例中,当智能设备130中存在多个智能引擎单元133,且智能应用平台120未指定引擎ID时,智能设备130可以向智能设备130中各智能引擎单元133均下发新的智能算法模型,由各智能引擎单元133均加载新的智能算法模型,其具体实现在此不做赘述。
进一步地,在本申请其中一个实施例中,如图3所示,智能设备还可以包括:智能分析任务管理模块134;其中:
智能分析任务管理模块134,用于接收智能分析任务,并将智能分析任务下发给智能引擎单元133;
智能引擎单元133,具体用于利用本地加载的智能算法模型执行智能分析任务。
在该实施例中,智能设备130可以通过智能分析任务管理模块134接收智能分析任务。
在一个示例中,智能分析任务管理模块134,可以具体用于接收网络管理模块131发送的智能分析任务。
在示例中,智能应用平台120可以通过网络的方式向智能设备130下发智能分析任务。
智能设备130的网络管理模块131接收到智能应用平台120下发的智能分析任务时,可以将智能分析任务发送给智能分析任务管理模块134。
在另一个示例中,智能分析任务管理模块134,可以具体接收通过任务提交界面提交的智能分析任务。
在该示例中,可以通过登录智能设备130的任务提交界面向智能设备130提交智能分析任务,智能分析任务管理模块可以接收通过该任务提交界面提交的智能分析任务。
其中,该任务提交界面可以为web界面或智能设备的GUI(Graphical UserInterface,图像用户界面)。
在该实施例中,智能分析任务管理模块134接收到智能分析任务时,可以将该智能分析任务下发给智能引擎单元133。
其中,智能分析任务可以包括但不限于实时视频流、录像视频文件、实时视频抓拍图片、应用平台下发图片、事件触发抓拍图片等视频和图片的智能分析。
在一个示例中,智能分析任务管理模块134,可以具体用于根据智能分析任务中携带的通道号信息,并将对应视频通道的实时视频数据发送给智能引擎单元133,由智能引擎单元133对实时视频数据进行智能分析。
在该示例中,对于实时视频流智能分析任务,可以在智能分析任务中携带通道号,由智能分析任务管理模块134根据该通道号将对应视频通道的实时视频数据发送给智能引擎单元133,由智能引擎单元133对接收到的实时视频数据进行智能分析。
在另一个示例中,智能分析任务管理模块134,可以具体用于根据智能分析任务中携带的起始时间和结束时间,将对应的录像视频数据发送给智能引擎单元133,由智能引擎单元133对接收到的录像视频数据进行智能分析。
在该示例中,对于录像视频数据智能分析任务,可以在智能分析任务中携带起始时间和结束时间,由智能分析任务管理模块134根据该起始时间和结束时间,将对应的录像视频数据发送给智能引擎单元133,由智能引擎单元133对接收到的录像数据进行智能分析。
需要说明的是,在该实施例中,当智能设备130中存在多个智能引擎单元133时,在下发智能分析任务时,可以指定执行智能分析任务的智能引擎单元133(通过引擎ID指定);当未指定智能引擎时,可以将智能分析任务下发给各智能引擎单元133。
此外,当智能引擎单元133的处理能力较强时,智能引擎单元133也可以对多个通道的实时视频数据进行智能分析,其具体实现在此不做赘述。
在一个示例中,智能分析任务管理模块134,可以具体用于根据智能分析任务中携带的轮询时间间隔以及轮询通道号,按照轮询时间间隔分别将各轮询通道号对应的视频通道的实时视频数据或视频抓图发送给智能引擎单元,由智能引擎单元对实时视频数据或视频抓图进行智能分析。
在该示例中,对于实时性要求较低的实时码流分析任务或实时码流抓图分析任务,可以支持轮询分析,以最大限定地利用智能引擎单元。
在该示例中,智能分析任务中可以携带轮询时间间隔以及轮询通道号,智能分析任务管理模块134接收到智能分析任务时,可以根据轮询时间间隔以及轮询通道号,按照轮询时间间隔分别将各轮询通道号对应的视频通道的实时视频数据或视频抓图发送给智能引擎单元133,由智能引擎单元133对实时视频数据或视频抓图进行智能分析。
在本申请另一个示例中,智能分析任务管理模块134,可以具体用于将智能分析任务中携带的图片数据发送给智能引擎单元133,由智能引擎单元133对图片数据进行智能分析。
在该示例中,对于图片智能分析任务,可以直接将图片数据携带智能分析任务中。
当智能分析任务管理模块134接收到智能分析任务时,可以将该智能分析任务中携带的图片数据发送给智能引擎单元133;智能引擎单元133接收到图片数据时,可以利用本地加载的智能分析算法对图片数据进行智能分析。
在本申请另一个示例中,智能分析任务管理模块134,可以具体用于根据智能分析任务中携带的图片存储地址信息获取对应的图片数据,并将获取到的图片数据发送给智能引擎单元133,由智能引擎单元133对图片数据进行智能分析。
在该示例中,对于图片智能分析任务,可以图片数据的存储地址信息携带智能分析任务中。
当智能分析任务管理模块134接收到智能分析任务时,可以根据图片数据的存储地址信息下载对应的图片数据,并将下载的图片数据发送给智能引擎单元133,由智能引擎单元133对图片数据进行智能分析。
进一步地,在本申请其中一个实施例中,如图4所示,所述智能设备130还可以包括:智能算法报警管理模块135;其中:
需要说明的是,图4可以在图2所示智能设备的基础上优化得到(即包括网络管理模块131、智能算法模型管理模块132、智能引擎单元133以及智能算法报警管理模块135),或者,也可以在图3所示智能设备的基础上优化得到(即包括网络管理模块131、智能算法模型管理模块132、智能引擎单元133、智能分析任务管理模块134以及智能算法报警管理模块135),该实施例中以图4在图2所示智能设备的基础上优化为例。
智能算法报警管理模块135,用于获取智能引擎单元133的智能分析结果,并通过网络管理模块131将智能分析结果上报给智能应用平台,或/和,存储智能分析结果。
在该实施例中,智能引擎单元133利用所加载的智能算法模型执行智能分析任务的过程中,可以将智能分析结果发送给智能算法报警管理模块135。
例如,智能引擎单元133可以在视频或图片中检测到待检测目标(如人或车等)时,向智能算法报警管理模块135发送智能分析结果。
可选地,该智能分析结果可以包括待检测目标在视频画面中或图片中的位置信息。
进一步地,在该实施例中,对于视频分析任务,当智能引擎单元135检测到待检测目标时,智能引擎单元135还可以将该出现待检测目标的视频画面进行抓图,并将所得到的图片一起发送给智能算法报警管理模块135;或者,对于图片分析任务,当智能引擎单元135检测到图片中存在待检测目标时,可以将该存在待检测目标的图片发送给智能算法报警管理模块135。
即上述智能分析结果还可以包括存在待检测目标的图片(本文中称为目标图片)。
在该实施例中,智能算法报警单元135接收到智能引擎单元133发送的智能分析结果时,可以存储该智能分析结果,如存储到硬盘中;或/和,可以将该智能分析结果通过网络管理模块131上报给智能应用平台120。
在该实施例中,智能应用平台120接收到智能分析结果之后,可以根据接收到的智能分析结果进行目标标定。
举例来说,假设智能分析结果包括待检测目标在目标图片中的位置信息以及目标图片,则智能应用平台120可以根据待检测目标在目标图片中的位置信息在目标图片中对待检测目标进行位置标定。
又举例来说,对于智能应用平台120向智能设备130下发图片分析任务的场景,若智能应用平台120保存有下发的图片,则当智能应用平台120接收到智能分析结果(该智能分析结果可以仅包括待检测目标在目标图片中的位置信息)时,智能应用平台120可以根据该待检测目标在目标图片中的位置信息在自身保存的图片中对待检测目标进行位置标定。
进一步地,在该实施例中,上述智能分析结果中还可以包括待检测目标的标签(如待检测目标的类别(人或物等)),相应地,智能应用平台120接收到智能分析结果时,还可以再目标图片上对待检测目标进行标签标定。
或者,上述智能分析结果中还可以携带智能引擎单元133的引擎ID,智能应用平台120接收到智能分析结果时,可以根据该引擎ID确定对应的智能引擎单元133上加载的智能算法模型,进而,根据该智能算法模型在目标图片上对待检测目标进行标签标定。
需要说明的是,在本申请实施例中,智能应用平台120接收到智能分析结果时,除了可以按照上述方式进行目标标定之后,还可以进行其他操作,如数据统计(如单位时间内视频画面中出现多少人或车)或阈值报警处理(如当视频画面中指定区域内出现移动目标时进行报警)等,其具体实现在此不做赘述。
基于上述系统和装置实施例相同的技术构思,本申请实施例还提供一种智能分析方法,可以应用于上述智能设备和智能分析系统。
如图5所示,为本申请实施例提供的一种智能分析方法的流程示意图,如图5所示,该智能分析方法可以包括以下步骤:
步骤S500、智能应用平台获取模型训练平台训练好的智能算法模型,并基于智能算法模型对智能设备中的智能算法模型进行管理。
本申请实施例中,为了提高智能设备使能的智能算法模型的灵活性,智能设备不再固定配置智能算法模型,而是可以根据实际需求通过模型训练平台进行智能算法模型训练,并由智能应用平台对模型训练平台训练好的智能算法模型对智能设备中的智能算法模型进行管理。
步骤S510、智能设备基于智能应用平台的智能算法模型管理,执行智能分析任务。
在本申请其中一个实施例中,智能应用平台基于智能算法模型对智能设备中的智能算法模型进行管理,可以包括:
基于智能算法模型对智能设备中的智能算法模型进行以下管理操作之一或多个:
查询已有智能算法模型、替换已有智能算法模型、删除已有智能算法模型、下发新的智能算法模型;
相应地,智能设备基于智能应用平台的智能算法模型管理,执行智能分析任务,可以包括:
接收智能应用平台发送的智能算法模型管理操作指令,并根据智能算法模型管理操作指令对智能算法模型进行管理;
其中,智能算法模型管理操作指令包括以下之一或多个:
智能算法模型下发指令、智能算法模型查询指令、智能算法模型删除指令、智能算法模型替换指令。
在一个示例中,上述根据智能算法模型管理操作指令对智能算法模型进行管理,可以包括:
当智能算法模型管理操作指令为智能算法模型下发指令时,智能设备加载智能算法模型管理模块下发的智能算法模型;
或,
当智能算法模型管理操作指令为智能算法模型下发指令时,智能设备根据智能算法模型下发指令中携带的智能算法模型存储地址信息获取智能算法模型,并加载获取到的智能算法模型。
在该示例中,智能应用平台向智能设备下发智能算法模型时,可以直接将智能算法模型携带在智能下发指令中下发给智能设备;或者,可以将智能算法模型的存储地址信息携带在智能下发指令中下发给智能设备。
可选地,该智能算法模型的存储地址信息可以为智能算法模型在云存储平台上的URL。
相应地,当智能设备接收到智能算法模型下发指令,且该智能算法模型下发指令中携带有智能算法模型时,智能设备可以将该智能算法模型加载到智能引擎单元中。
当智能算法模型管理模块接收到智能算法模型下发指令,且该智能算法模型下发指令中携带有智能算法模型的存储地址信息时,智能设备可以根据该智能算法模型的存储地址信息,下载对应的智能算法模型,并将下载的智能算法模型加载到智能引擎单元。
进一步地,在该实施例中,为了保证智能算法模型在传输过程中的安全性,智能应用平台向智能设备下发智能算法模型时,可以使用与使能设备预先协商的加密方式对所下发的智能算法模型进行加密。
相应地,当智能设备获取到智能算法模型时,可以对该智能算法模型进行解密,并当解密成功时,对解密后的智能算法模型进行加载。
其中,当智能设备对智能算法模型解密失败时,可以向智能应用平台返回解密失败响应消息,其具体实现在此不做赘述。
在一个示例中,智能算法模型的下发流程可以如图6A所示,其中,配置参数可以包括但不限于算法模型的描述信息,如名称(也可以称为模型ID,用于唯一标识智能算法模型)、版本、用途,以及指定智能引擎单元ID等,此外,该配置参数还可以包括智能算法模型的存储位置,用于设备断电后,进行智能算法模型恢复。
应该认识到,在本申请实施例中,当智能应用平台下发的智能算法模型为加密后的算法模型时,并不限于由智能引擎单元对加密后的智能算法模型进行解密,也可以由网络管理模块或智能算法模型管理模块对加密后的智能算法模型进行解密,其具体实现在此不做赘述。
此外,在本申请实施例中,当智能设备中存在多个智能引擎单元时,智能应用平台向智能设备下发智能算法模型时,可以指定加载智能算法模型的智能引擎单元的引擎ID,进而,智能设备可以根据该引擎ID,将智能算法模型下发到对应的智能引擎单元。
需要说明的是,在本申请实施例中,当智能设备中存在多个智能引擎单元,且智能应用平台未指定引擎ID时,智能设备可以向智能设备中各智能引擎单元均下发智能算法模型,其具体实现在此不做赘述。
在另一个示例中,上述根据智能算法模型管理操作指令对智能算法模型进行管理,可以包括:
当智能算法模型管理操作指令为智能算法模型查询指令时,智能设备将智能引擎单元的工作状态和模型状态上报给智能应用平台。
在该实施例中,智能应用平台可以通过向智能设备发送智能算法模型查询指令的方式查询智能设备中的智能引擎单元的工作状态和模型状态。
相应地,当智能设备接收到智能算法模型查询指令时,可以查询智能引擎单元的工作状态和模型状态。
其中,该工作状态为该智能引擎单元的工作状态,其可以包括但不限于初始化中、工作中或异常等;模型状态为该智能引擎单元的智能算法模型的加载状态,其可以包括但不限于加载成功或加载失败等。
在该示例中,智能设备查询到智能引擎单元的工作状态和模型状态之后,可以将该智能引擎单元的工作状态和模型状态上报给智能应用平台。
其中,对于任一智能引擎单元,当其工作状态为工作中,且模型状态为加载成功时,该智能引擎单元可以用于执行智能分析任务。
在该示例中,当智能设备中存在多个智能引擎单元时,智能应用平台向智能设备下发智能算法模型查询指令时,可以指定查询的智能引擎单元的引擎ID,进而,智能设备可以根据该引擎ID,查询对应的智能引擎单元的工作状态和模型状态。
需要说明的是,在本申请实施例中,当智能设备中存在多个智能引擎单元,且智能应用平台未指定引擎ID时,智能设备可以向智能设备中各智能引擎单元均下发智能算法模型查询指令,即查询各智能引擎单元的工作状态和模型状态,其具体实现在此不做赘述。
在又一个示例中,上述根据智能算法模型管理操作指令对智能算法模型进行管理,可以包括:
当智能算法模型管理操作指令为智能算法模型删除指令时,智能设备删除本地的智能算法模型。
在该示例中,智能应用平台可以通过向智能设备下发智能算法模型指令的方式删除智能设备的智能引擎单元中加载的智能算法模型。
相应地,当智能设备接收到智能算法模型删除指令时,可以删除智能引擎单元中的智能算法模型。
其中,当智能设备接收到智能算法模型删除指令时,若智能引擎单元上存在正在执行的智能分析任务,则需要先停止正在执行的任务,并删除本地的智能算法模型。
此外,当智能算法模型被删除时,也可以删除该智能算法模型对应的配置参数,其具体实现在此不做赘述。
在该示例中,当智能设备中存在多个智能引擎单元时,智能应用平台向智能设备下发智能算法模型删除指令时,可以指定需要删除智能算法模型的智能引擎单元的引擎ID,进而,智能设备可以根据该引擎ID,删除对应的智能引擎单元中加载的智能算法模型。
需要说明的是,在本申请实施例中,当智能设备中存在多个智能引擎单元,且智能应用平台未指定引擎ID时,智能设备可以向智能设备中各智能引擎单元均下发智能算法模型删除指令,即删除各智能引擎单元中加载的智能算法模型,其具体实现在此不做赘述。
此外,在该示例中,智能算法模型删除指令中还可以携带需要删除的智能算法模型的模型ID,以删除指定的智能算法模型,其具体实现在此不做赘述。
在又一个示例中,上述根据智能算法模型管理操作指令对智能算法模型进行管理,可以包括:
当智能算法模型管理操作指令为智能算法模型替换指令时,智能设备删除本地的智能算法模型,并加载下发的智能算法模型;
或,
当智能算法模型管理操作指令为智能算法模型替换指令时,智能设备根据智能算法模型替换指令中携带的智能算法模型存储地址信息获取智能算法模型,删除本地的智能算法模型,并加载获取到的智能算法模型。
在该示例中,智能应用平台替换智能设备中的智能算法模型时,可以直接将新的智能算法模型携带在智能替换指令中下发给智能设备;或者,可以将新的智能算法模型的存储地址信息携带在智能替换指令中下发给智能设备。
可选地,该智能算法模型的存储地址信息可以为智能算法模型在云存储平台上的URL。
相应地,当智能设备接收到智能算法模型替换指令,且该智能算法模型替换指令中携带有智能算法模型时,智能设备可以获取该智能算法模型替换指令中携带的智能算法模型,删除智能引擎单元中已加载的智能算法模型,并将获取到的智能算法模型加载到智能引擎单元中。
当智能设备接收到智能算法模型替换指令,且该智能算法模型替换指令中携带有智能算法模型的存储地址信息时,智能设备可以根据该智能算法模型的存储地址信息,下载对应的智能算法模型,删除智能引擎单元中已加载的智能算法模型,并将下载的智能算法模型加载到智能引擎单元中。
在该示例中,当智能设备中存在多个智能引擎单元时,智能应用平台向智能设备下发智能算法模型替换指令时,可以指定需要替换智能算法模型的智能引擎单元的引擎ID,进而,智能设备可以根据该引擎ID,将新的智能算法模型下发到对应的智能引擎单元。
需要说明的是,在本申请实施例中,当智能设备中存在多个智能引擎单元,且智能应用平台未指定引擎ID时,智能设备可以向智能设备中各智能引擎单元均下发新的智能算法模型,由各智能引擎单元均加载新的智能算法模型,其具体实现在此不做赘述。
进一步地,在本申请其中一个实施例中,上述智能分析方法还可以包括:
智能设备接收智能分析任务,并利用本地加载的智能算法模型执行智能分析任务。
在该实施例中,智能设备可以通过智能分析任务管理模块接收智能分析任务。
在一个示例中,智能设备接收智能分析任务,可以包括:
智能设备接收智能应用平台发送的智能分析任务。
在示例中,智能应用平台可以通过网络的方式向智能设备下发智能分析任务。
智能设备的网络管理模块接收到智能应用平台下发的智能分析任务时,可以将智能分析任务发送给智能分析任务管理模块。
在另一个示例中,智能设备接收智能分析任务,可以包括:
智能设备接收通过任务提交界面提交的智能分析任务。
在该示例中,可以通过登录智能设备的任务提交界面向智能设备提交智能分析任务,智能设备可以接收通过该任务提交界面提交的智能分析任务。
其中,该任务提交界面可以为web界面或智能设备的GUI。
在该实施例中,智能分析任务管理模块接收到智能分析任务时,可以将该智能分析任务下发给智能引擎单元。
其中,智能分析任务可以包括但不限于实时视频流、录像视频文件、实时视频抓拍图片、应用平台下发图片、事件触发抓拍图片等视频和图片的智能分析。
在一个示例中,上述智能设备利用本地加载的智能算法模型执行智能分析任务,可以包括:
智能设备根据智能分析任务中携带的通道号信息获取对应视频通道的实时视频数据,并利用本地加载的智能算法模型对实时视频数据进行智能分析。
在该示例中,对于实时视频流智能分析任务,可以在智能分析任务中携带通道号,由智能设备根据该通道号将对应视频通道的实时视频数据发送给智能引擎单元,由智能引擎单元对接收到的实时视频数据进行智能分析。
在另一示例中,上述智能设备利用本地加载的智能算法模型执行智能分析任务,可以包括:
智能设备根据智能分析任务中携带的起始时间和结束时间获取对应的录像视频数据,并利用本地加载的智能算法模型对获取到的录像视频数据进行智能分析。
在该示例中,对于录像视频数据智能分析任务,可以在智能分析任务中携带起始时间和结束时间,由智能设备根据该起始时间和结束时间获取对应的录像视频数据,将对应的录像视频数据发送给智能引擎单元,由智能引擎单元对接收到的录像数据进行智能分析。
需要说明的是,在该实施例中,当智能设备中存在多个智能引擎单元时,在下发智能分析任务时,可以指定执行智能分析任务的智能引擎单元(通过引擎ID指定);当未指定智能引擎时,可以将智能分析任务下发给各智能引擎单元。
此外,当智能引擎单元的处理能力较强时,智能引擎单元也可以对多个通道的实时视频数据进行智能分析,其具体实现在此不做赘述。
在一个示例中,上述智能设备利用本地加载的智能算法模型执行智能分析任务,可以包括:
智能设备根据智能分析任务中携带的轮询时间间隔以及轮询通道号,按照轮询时间间隔分别获取各轮询通道号对应的视频通道的实时视频数据或视频抓图,并利用本地加载的智能算法模型对获取到的实时视频数据或视频抓图进行智能分析。
在该示例中,对于实时性要求较低的实时码流分析任务或实时码流抓图分析任务,可以支持轮询分析,以最大限定地利用智能引擎单元。
例如,对于安全通道中杂物堆积检测,可以支持多通道(比如16个通道)轮询分析,智能分析任务中可以携带轮询间隔,每个通道进行实时视频数据或视频抓图分析,到达轮询间隔之后切换到下一个通道进行处理,实现多点位智能分析。
在该示例中,智能分析任务中可以携带轮询时间间隔以及轮询通道号,智能设备接收到智能分析任务时,可以根据轮询时间间隔以及轮询通道号,按照轮询时间间隔分别将各轮询通道号对应的视频通道的实时视频数据或视频抓图发送给智能引擎单元,由智能引擎单元对实时视频数据或视频抓图进行智能分析,其处理流程示意图可以如图6B所示。
其中,当智能引擎单元接收到智能分析任务时,可以确定当前是否存在正在执行的智能分析任务,若不存在,则可以直接执行该接收到的智能分析任务;若存在,则可以等待当前正在执行的智能分析任务结束后,再执行该接收到的智能分析任务。
在又一示例中,上述智能设备利用本地加载的智能算法模型执行智能分析任务,可以包括:
智能设备利用本地加载的智能算法模型对智能分析任务中携带的图片数据进行智能分析;
或,
智能设备根据智能分析任务中携带的图片存储地址信息获取对应的图片数据,并利用本地加载的智能分析算法对所获取的图片数据进行智能分析。
在该示例中,对于图片智能分析任务,可以直接将图片数据携带智能分析任务中。
当智能设备接收到智能分析任务时,可以将该智能分析任务中携带的图片数据发送给智能引擎单元;智能引擎单元接收到图片数据时,可以利用本地加载的智能分析算法对图片数据进行智能分析。
或者,
对于图片智能分析任务,可以图片数据的存储地址信息携带智能分析任务中。
当智能设备接收到智能分析任务时,可以根据图片数据的存储地址信息下载对应的图片数据,并将下载的图片数据发送给智能引擎单元,由智能引擎单元对图片数据进行智能分析。
需要说明的是,在该示例中,对于图片分析任务,图片来源可以包括但不限于智能应用平台下发、IPC码流抓图、报警事件触发抓图等。智能设备对智能应用平台上已经存在的图片做二次分析,可以批量的将多张图片(比如一次100张)的二进制文件或者图片存储地址信息(如URL)发送给智能设备,智能设备获取图片后将图片发送给智能引擎单元进行图片分析。
进一步地,在本申请其中一个实施例中,上述智能分析方法还可以包括:
智能设备获取智能分析结果,并将智能分析结果上报给智能应用平台,或/和,存储智能分析结果。
在该实施例中,智能设备利用本地加载的智能算法模型执行智能分析任务的过程中,可以将智能分析结果上报给智能应用平台。
例如,智能设备可以在视频或图片中检测到待检测目标(如人或车等)时,向智能应用平台上报智能分析结果。
可选地,该智能分析结果可以包括待检测目标在视频画面中或图片中的位置信息。
进一步地,在该实施例中,对于视频分析任务,当智能设备检测到待检测目标时,智能设备还可以将该出现待检测目标的视频画面进行抓图,并将所得到的图片一起上报给智能应用平台;或者,对于图片分析任务,当智能设备检测到图片中存在待检测目标时,可以将该存在待检测目标的图片上报给智能应用平台。
即上述智能分析结果还可以包括存在待检测目标的图片(本文中称为目标图片)。
在该实施例中,智能设备获取到智能分析结果时,可以存储该智能分析结果,如存储到硬盘中;或/和,可以将该智能分析结果通过网络管理模块上报给智能应用平台。
在该实施例中,智能应用平台接收到智能分析结果之后,可以根据接收到的智能分析结果进行目标标定。
举例来说,假设智能分析结果包括待检测目标在目标图片中的位置信息以及目标图片,则智能应用平台可以根据待检测目标在目标图片中的位置信息在目标图片中对待检测目标进行位置标定。
又举例来说,对于智能应用平台向智能设备下发图片分析任务的场景,若智能应用平台保存有下发的图片,则当智能应用平台接收到智能分析结果(该智能分析结果可以仅包括待检测目标在目标图片中的位置信息)时,智能应用平台可以根据该待检测目标在目标图片中的位置信息在自身保存的图片中对待检测目标进行位置标定。
进一步地,在该实施例中,上述智能分析结果中还可以包括待检测目标的标签(如待检测目标的类别(人或物等)),相应地,智能应用平台接收到智能分析结果时,还可以再目标图片上对待检测目标进行标签标定。
或者,上述智能分析结果中还可以携带智能引擎单元的引擎ID,智能应用平台接收到智能分析结果时,可以根据该引擎ID确定对应的智能引擎单元上加载的智能算法模型,进而,根据该智能算法模型在目标图片上对待检测目标进行标签标定。
需要说明的是,在本申请实施例中,智能应用平台接收到智能分析结果时,除了可以按照上述方式进行目标标定之后,还可以进行其他操作,如数据统计(如单位时间内视频画面中出现多少人或车)或阈值报警处理(如当视频画面中指定区域内出现移动目标时进行报警)等,其具体实现在此不做赘述。
本申请实施例中,通过智能应用平台获取模型训练平台训练好的智能算法模型,并基于该智能算法模型对智能设备中的智能算法模型进行管理,进而,智能设备基于智能应用平台的智能算法模型管理,执行智能分析任务,实现了对智能设备中的智能算法模型的灵活管理,提高了智能设备执行智能分析任务的灵活性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (9)
1.一种智能分析系统,其特征在于,包括:模型训练平台、智能应用平台以及智能设备;其中:
所述模型训练平台,用于进行智能算法模型训练;
所述智能应用平台,用于获取所述模型训练平台训练好的智能算法模型,并基于所述智能算法模型对所述智能设备中的智能算法模型进行管理;
所述智能设备,用于基于所述智能应用平台的智能算法模型管理,执行智能分析任务;
其中,所述智能设备包括:网络管理模块、智能算法模型管理模块、智能引擎单元;其中:
所述网络管理模块,用于接收所述智能应用平台发送的智能算法模型管理操作指令;
所述智能算法模型管理模块,用于根据所述智能算法模型管理操作指令对所述智能引擎单元中的智能算法模型进行管理;
所述智能引擎单元,用于基于所述智能算法模型管理模块的智能算法模型管理,执行智能分析任务;
其中,所述智能算法模型管理模块,具体用于当所述智能算法模型管理操作指令为智能算法模型下发指令时,将所述智能算法模型下发指令中携带的智能算法模型下发给智能引擎单元;或,根据所述智能算法模型下发指令中携带的智能算法模型存储地址信息获取智能算法模型,并将所述智能算法模型下发给智能引擎单元;
所述智能引擎单元,具体用于当接收到智能算法模型下发指令时,加载所述智能算法模型管理模块下发的智能算法模型;
所述智能算法模型管理模块,还具体用于当所述智能算法模型管理操作指令为智能算法模型查询指令时,向智能引擎单元发送智能算法模型查询指令,并将查询结果通过所述网络管理模块上报给所述智能应用平台;
所述智能引擎单元,还具体用于当接收到智能算法模型查询指令时,向所述智能算法模型管理模块发送工作状态和模型状态;
所述智能算法模型管理模块,还具体用于当所述智能算法模型管理操作指令为智能算法模型删除指令时,向智能引擎单元发送智能算法模型删除指令;
所述智能引擎单元,还具体用于当接收到智能算法模型删除指令时,删除本地的智能算法模型;
所述智能算法模型管理模块,还具体用于当所述智能算法模型管理操作指令为智能算法模型替换指令时,将所述智能算法模型替换指令中携带的智能算法模型下发给智能引擎单元;或,根据所述智能算法模型替换指令中携带的智能算法模型存储地址信息获取智能算法模型,并将所述智能算法模型下发给智能引擎单元;
所述智能引擎单元,还具体用于当接收到智能算法模型替换指令时,删除本地的智能算法模型,并加载所述智能算法模型管理模块下发的智能算法模型。
2.根据权利要求1所述的系统,其特征在于,
所述智能应用平台,具体用于基于所述智能算法模型对所述智能设备中的智能算法模型进行以下管理操作之一或多个:
查询已有智能算法模型、替换已有智能算法模型、删除已有智能算法模型、下发新的智能算法模型。
3.根据权利要求1所述的系统,其特征在于,所述智能设备还包括:智能分析任务管理模块;其中:
所述智能分析任务管理模块,用于接收智能分析任务,并将所述智能分析任务下发给所述智能引擎单元;
所述智能引擎单元,具体用于利用本地加载的智能算法模型执行所述智能分析任务。
4.根据权利要求3所述的系统,其特征在于,
所述智能分析任务管理模块,具体用于根据所述智能分析任务中携带的轮询时间间隔以及轮询通道号,按照所述轮询时间间隔分别将各轮询通道号对应的视频通道的实时视频数据或视频抓图发送给智能引擎单元,由所述智能引擎单元对所述实时视频数据或视频抓图进行智能分析。
5.根据权利要求1所述的系统,其特征在于,所述智能设备,还包括:智能算法报警管理模块;其中:
所述智能算法报警管理模块,用于获取所述智能引擎单元的智能分析结果,并通过所述网络管理模块将所述智能分析结果上报给所述智能应用平台,或/和,存储所述智能分析结果。
6.根据权利要求5所述的系统,其特征在于,
所述智能算法报警管理模块,还用于获取目标图片,并通过所述网络管理模块将所述目标图片以及对应的智能分析结果上报给所述智能应用平台,由所述智能应用平台根据所述智能分析结果对对应的目标图片进行目标标定,或/和,存储所述目标图片以及对应的智能分析结果;其中,目标图片为存在待检测目标的图片,所述智能分析结果包括所述待检测目标在所述目标图片中的位置信息。
7.一种智能分析方法,其特征在于,应用于权利要求1-6任一项所述的智能分析系统,所述方法包括:
智能应用平台获取模型训练平台训练好的智能算法模型,并基于所述智能算法模型对所述智能设备中的智能算法模型进行管理;
所述智能设备基于所述智能应用平台的智能算法模型管理,执行智能分析任务。
8.根据权利要求7所述的方法,其特征在于,所述智能应用平台基于所述智能算法模型对所述智能设备中的智能算法模型进行管理,包括:
基于所述智能算法模型对所述智能设备中的智能算法模型进行以下管理操作之一或多个:
查询已有智能算法模型、替换已有智能算法模型、删除已有智能算法模型、下发新的智能算法模型;
所述智能设备基于所述智能应用平台的智能算法模型管理,执行智能分析任务,包括:
接收所述智能应用平台发送的智能算法模型管理操作指令,并根据所述智能算法模型管理操作指令对智能算法模型进行管理;
其中,所述智能算法模型管理操作指令包括以下之一或多个:
智能算法模型下发指令、智能算法模型查询指令、智能算法模型删除指令、智能算法模型替换指令。
9.根据权利要求7所述的方法,其特征在于,所述智能设备基于所述智能应用平台的智能算法模型管理,执行智能分析任务,包括:
接收智能分析任务,并利用本地加载的智能算法模型执行所述智能分析任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910241537.XA CN111753584B (zh) | 2019-03-28 | 2019-03-28 | 智能分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910241537.XA CN111753584B (zh) | 2019-03-28 | 2019-03-28 | 智能分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111753584A CN111753584A (zh) | 2020-10-09 |
CN111753584B true CN111753584B (zh) | 2023-09-26 |
Family
ID=72672258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910241537.XA Active CN111753584B (zh) | 2019-03-28 | 2019-03-28 | 智能分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753584B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113590484B (zh) * | 2021-07-30 | 2023-11-07 | 上海寻梦信息技术有限公司 | 算法模型服务测试方法、系统、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013117065A1 (zh) * | 2012-02-09 | 2013-08-15 | 中兴通讯股份有限公司 | 一种视频处理方法和系统、ivw和ivu |
CN106484934A (zh) * | 2015-08-31 | 2017-03-08 | 中国石化工程建设有限公司 | 用于装置现场校验的方法、装置及系统 |
CN107508866A (zh) * | 2017-08-08 | 2017-12-22 | 重庆大学 | 减小移动设备端神经网络模型更新的传输消耗的方法 |
CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
CN109344853A (zh) * | 2018-08-06 | 2019-02-15 | 杭州雄迈集成电路技术有限公司 | 一种可定制目标检测算法的智能化云平台系统及操作方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006033570A (ja) * | 2004-07-20 | 2006-02-02 | Olympus Corp | 画像生成装置 |
CN102411766A (zh) * | 2011-12-29 | 2012-04-11 | 国网信息通信有限公司 | 电力系统数据分析平台及方法 |
-
2019
- 2019-03-28 CN CN201910241537.XA patent/CN111753584B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013117065A1 (zh) * | 2012-02-09 | 2013-08-15 | 中兴通讯股份有限公司 | 一种视频处理方法和系统、ivw和ivu |
CN106484934A (zh) * | 2015-08-31 | 2017-03-08 | 中国石化工程建设有限公司 | 用于装置现场校验的方法、装置及系统 |
CN107508866A (zh) * | 2017-08-08 | 2017-12-22 | 重庆大学 | 减小移动设备端神经网络模型更新的传输消耗的方法 |
CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
CN109344853A (zh) * | 2018-08-06 | 2019-02-15 | 杭州雄迈集成电路技术有限公司 | 一种可定制目标检测算法的智能化云平台系统及操作方法 |
Non-Patent Citations (2)
Title |
---|
Deep Neural Networks Based Recognition of Plant Diseases by Leaf Image Classification;Srdjan Sladojevic;《http://dx.doi.org/10.1155/2016/3289801》;全文 * |
用于故障诊断的集成型智能系统;杨杰 等;《上海交通大学学报》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111753584A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103916626A (zh) | 一种监控录像信息提供方法、装置及视频监控系统 | |
US8040232B2 (en) | USN middleware apparatus and method for generating information based on data from heterogeneous sensor networks and information service providing system using the same | |
US20190174090A1 (en) | System and method for supporting selective bactracking data recording | |
US20140043480A1 (en) | Video monitoring system and method | |
CN106445817B (zh) | 测试数据的处理方法、装置和系统 | |
US10516856B2 (en) | Network video recorder cluster and method of operation | |
CN110750497B (zh) | 一种数据调度系统 | |
TWI613616B (zh) | 處理用於使用電腦輔助調度資訊的儲存之記錄資料的系統及方法 | |
US11288760B2 (en) | Systems and methods for recovering information from a recording device | |
CN111753584B (zh) | 智能分析方法及系统 | |
CN111241868B (zh) | 一种人脸识别系统、方法及装置 | |
CN113312161A (zh) | 一种应用调度方法、平台及存储介质 | |
CN106097471A (zh) | 一种即时保安巡更系统及方法 | |
CN103559274A (zh) | 车况信息查询方法和装置 | |
CN112819989A (zh) | 一种园区巡更方法、装置及设备 | |
CN110398985B (zh) | 一种分布式自适应无人机测控系统及方法 | |
CN107801050A (zh) | 用于对视频监控数据处理的方法、装置及服务器 | |
CN106056691A (zh) | 一种即时保安巡更系统 | |
CN106331623A (zh) | 一种安防摄像机、安防通信系统及其方法 | |
CN111506769B (zh) | 视频文件的处理方法、装置、存储介质及电子装置 | |
EP3291546A1 (en) | Method and system for enabling control, by a control device, of a video camera in a video surveillance system | |
CN104717127A (zh) | 基于图像识别实现联系人触发的方法、终端及系统 | |
CA3152418A1 (en) | Storing and retrieving identification tag data associated with an asset | |
US20210345118A1 (en) | Remote triggering of events by personal devices | |
KR101493270B1 (ko) | 시간 입력 기술을 활용한 스마트 경비/순찰 관리 시스템 및 그 방법 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |