CN112486677B - 一种数据的图传方法及装置 - Google Patents
一种数据的图传方法及装置 Download PDFInfo
- Publication number
- CN112486677B CN112486677B CN202011334158.4A CN202011334158A CN112486677B CN 112486677 B CN112486677 B CN 112486677B CN 202011334158 A CN202011334158 A CN 202011334158A CN 112486677 B CN112486677 B CN 112486677B
- Authority
- CN
- China
- Prior art keywords
- image data
- target
- data
- strategy
- network edge
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 119
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000007405 data analysis Methods 0.000 claims abstract description 9
- 238000003860 storage Methods 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims 4
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/502—Proximity
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种数据链与图传产品的实现方法及装置,该方法包括:在图像数据的选定图像数据中标定目标位置;根据数据处理对应关系及目标图像数据,获取目标图像数据的采集策略及处理策略;基于目标图像数据的采集策略从目标图像数据处采集目标数据,根据目标图像数据的神经网络处理策略处理得到网络边缘图像数据;汇总各个网络边缘图像数据,按照预设的边缘图像数据分析处理策略进行分析处理得到目标位置在各个图像帧中对应位置,按照所述对应位置进行图传。本发明基于深度学习的追踪算法,低层次网络提取到的特征具备更多空间位置信息,对于追踪任务更为有利。
Description
技术领域
本发明涉及智能通讯的技术领域,具体涉及一种数据链与图传产品的实现方法及装置。
背景技术
目前,全球已掀起行业数字化转型的浪潮,数字化是基础,网络化是支撑,智能化是目标。通过对人物、环境、过程等对象进行数字化产生数据,通过网络化实现数据的价值流动,以数据为生产要素,通过智能化为各行业创造经济和社会价值。智能化是以数据的智能分析为基础,从而实现智能决策和智能操作,通过闭环实现业务流程的持续智能优化。
目前的智能数据处理方式是以数据计算你中心为基本,从各个地方采集数据,集中进行分析处理的方式,一般数据计算中心的部署位置都较远,在各个应用场景中,计算任务都需要较小的计算时延,而直接通过偏远的数据计算中心将会导致数据传输时间长,带来延时损耗。而在工业生产、运营成场景中,对事故、故障、突发情况的实时响应非常重要,现有的数据处理,乃至云计算都存在网络时延大、成本高及安全隐患等一系列问题,无法适应所有的大数据分析、处理要求。
在云计算架构中,数据通过网络全部传输并保存至云端,通过云计算的动态、弹性及灵活特性,克服了对IT资源的独占性、数据中心的业务密度低、系统资源利用效率低下、有限的物理空间难以满足业务快速发展的要求的问题。然而,与此同时,云计算所需要的大量数据来自于相关的设备采集得到,各类终端将采集到的大量数据传送至对应的云平台中,通过中心化的集中运算得到分析结果,随着分布式智能设备的广泛使用,大量的数据传输造成了传输通道的堵塞,造成云计算中的极大困难。
因此,行业内亟需一种能对目标追踪任务的特点进行分析并追踪的方案。
发明内容
本发明的目的在于针对现有技术的不足而提供一种数据链与图传产品的实现方法及装置。本发明的目的可以通过如下所述技术方案来实现。
本发明提供一种数据链与图传产品的实现方法,包括:
在图像数据的选定图像数据中标定目标位置;
根据所述图像数据的帧序列规则及所述选定图像数据中标定目标位置,预设图像数据与其网络边缘帧图像数据的部署策略对应关系;设置所述目标图像数据与网络边缘帧图像数据采集及神经网络处理策略的数据处理对应关系;
根据目标图像数据及所述部署策略对应关系,获取所述目标图像数据的网络边缘图像数据部署策略;根据所述网络边缘图像数据部署策略配置所述目标图像数据的目标网络边缘图像数据;
根据所述数据处理对应关系及所述目标图像数据,获取目标图像数据的采集策略及神经网络处理策略;基于所述目标图像数据的采集策略从所述目标图像数据处采集目标数据,根据所述目标图像数据的神经网络处理策略处理得到网络边缘图像数据;
汇总各个所述网络边缘图像数据,按照预设的边缘图像数据分析处理策略进行分析处理得到所述目标位置在各个图像帧中对应位置,按照所述对应位置进行图传。
可选地,其中,根据所述目标图像数据的神经网络处理策略处理得到网络边缘图像数据,为:
根据所述图像数据的帧序列规则获取各个所述目标图像数据的数据特征;
基于滤波算法将所述目标图像数据的搜索区域设定为1.2至3倍区域范围,按照预设的图像区域分割策略进行分割、目标追踪及特征信息融合,再采用预设的神经网络学习模型通过信息融合对终端节点和边缘云两侧计算结果进行融合得到的模型进行数据分类得到所述网络边缘图像数据。
可选地,其中,该方法还包括:
在滤波算法建模过程中,将空域内相关运算转换至频域,以对应元素乘积运算代替。
可选地,其中,该方法还包括:
将所述各个所述目标网络边缘图像数据连接至边缘计算控制平台;
所述边缘计算控制平台按照预设的边缘图像数据状态检测策略向所述目标网络边缘图像数据发送状态检测信号;
在发送所述状态检测信号预设时间内未收到检测反馈信号时,根据所述网络边缘图像数据部署策略配置所述目标事物的更新目标网络边缘图像数据。
可选地,其中,该方法还包括:
将所述各个所述目标网络边缘图像数据连接至边缘计算控制平台;
所述目标网络边缘图像数据接收所述边缘计算控制平台的存储搜索策略,并按照所述存储搜索策略获取预设存储设备范围内的目标存储设备;
基于所述目标网络边缘设备按照预设的虚拟缓存创建策略创建虚拟分布式缓存,并分布在各个所述目标存储设备上。
可选地,其中,根据所述目标图像数据的处理策略处理所述目标网络边缘图像数据中的所述目标数据,得到网络边缘图像数据,为:
根据所述目标数据的处理策略对所述目标网络边缘图像数据中的所述目标数据进行校正、去躁及加窗处理得到初处理数据;
根据目标图像数据的属性类型,基于该属性类型对应的特征提取策略,对所述初处理数据进行特征提取得到网络边缘图像数据。
另一方面,本发明还提供一种数据链与图传产品的实现装置,包括:设置模块、网络边缘图像数据处理模块及图传处理模块;其中,
所述设置模块,在图像数据的选定图像数据中标定目标位置;
所述网络边缘图像数据处理模块,与所述设置模块相连接,根据所述图像数据的帧序列规则及所述选定图像数据中标定目标位置,预设图像数据与其网络边缘帧图像数据的部署策略对应关系;设置所述目标图像数据与网络边缘帧图像数据采集及神经网络处理策略的数据处理对应关系;
根据目标图像数据及所述部署策略对应关系,获取所述目标图像数据的网络边缘图像数据部署策略;根据所述网络边缘图像数据部署策略配置所述目标图像数据的目标网络边缘图像数据;
根据所述数据处理对应关系及所述目标图像数据,获取目标图像数据的采集策略及神经网络处理策略;基于所述目标图像数据的采集策略从所述目标图像数据处采集目标数据,根据所述目标图像数据的神经网络处理策略处理得到网络边缘图像数据;
所述图传处理模块,与所述网络边缘图像数据处理模块相连接,汇总各个所述网络边缘图像数据,按照预设的边缘图像数据分析处理策略进行分析处理得到所述目标位置在各个图像帧中对应位置,按照所述对应位置进行图传。
可选地,其中,所述网络边缘图像数据处理模块,包括:数据特征获取单元及数据特征处理单元;其中,
所述数据特征获取单元,根据所述图像数据的帧序列规则获取各个所述目标图像数据的数据特征;
所述数据特征处理单元,与所述数据特征获取单元相连接,基于滤波算法将所述目标图像数据的搜索区域设定为1.2至3倍区域范围,按照预设的图像区域分割策略进行分割、目标追踪及特征信息融合,再采用预设的神经网络学习模型通过信息融合对终端节点和边缘云两侧计算结果进行融合得到的模型进行数据分类得到所述网络边缘图像数据。
可选地,其中,该装置还包括:目标网络边缘图像数据状态检测模块,与所述网络边缘图像数据处理模块相连接,将所述各个所述目标网络边缘图像数据连接至边缘计算控制平台;
所述边缘计算控制平台按照预设的边缘图像数据状态检测策略向所述目标网络边缘图像数据发送状态检测信号;
在发送所述状态检测信号预设时间内未收到检测反馈信号时,根据所述网络边缘图像数据部署策略配置所述目标事物的更新目标网络边缘图像数据。
可选地,其中,该装置还包括:目标网络边缘图像数据虚拟缓存创建模块,与所述网络边缘图像数据处理模块相连接,将所述各个所述目标网络边缘图像数据连接至边缘计算控制平台;
所述目标网络边缘图像数据接收所述边缘计算控制平台的存储搜索策略,并按照所述存储搜索策略获取预设存储设备范围内的目标存储设备;
基于所述目标网络边缘设备按照预设的虚拟缓存创建策略创建虚拟分布式缓存,并分布在各个所述目标存储设备上。
与现有技术比,本发明的有益效果:
本发明研发了一种数据链与图传产品的实现方法及装置,利用在靠近物或数据源头的网络边缘侧,融合网络、计算、存储、应用核心能力的分布式开放平台,提高了网络服务性能、开放网络控制能力,激发了类似移动互联网的新网络计算处理业态。解决了网络时延问题,提供近智能服务,可以满足敏捷联接、实时业务、数据优化、应用智能、完全与隐私保护等方面的需求。在网络边缘构建智能、灵活、弹性的网络,与云计算集中化平台相辅相成,互相补充,展现了边缘计算在当前场景下相对于传统数据采集和分析系统的优势,大大提高数据计算处理效率,提升了检测准确性。基于边缘计算的单目标追踪平台在一定程度上与分布式机器学习系统类似,后者通常包含数据和模型划分模块、单机优化模块、通信模块以及模型和数据聚合模块等。采用基于深度学习模型的算法,用任务卸载策略为将全部计算任务卸载至边缘云。根据多个卷积层输出的特征图学习多个不同的相关滤波器,因此可根据设备负载状态及网络环境,动态判定所学习的滤波器个数。与此不同,我们根据算法处理阶段对计算任务进行划分,如预处理及特征提取计算量较小,而此时网络延迟较大,则可将该部分计算任务本地运算,且由于搜索区域相比整张图片区域更小,因此处理后信息传输量更小,降低了网络传输延迟。
与此类似,数据链与图传产品的实现平台其主要模块包含任务分割模块、目标追踪模块、通信模块以及信息融合模块。其中,终端节点和边缘云服务器分别部署目标追踪模块,任务分割模块通过设备装填及环境信息决策任务分割策略,通过通信模块进行信息收发,计算任务卸载至云端运算后,通过信息融合模块对终端节点和边缘云两侧计算结果进行融合。极大地提升了图像数据的追踪处理效率和准确性。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明实施例中的数据链与图传产品的实现方法的流程示意图;
图2为本发明实施例中第二种数据链与图传产品的实现方法的流程示意图;
图3为本发明实施例中第三种数据链与图传产品的实现方法的流程示意图;
图4为本发明实施例中第四种数据链与图传产品的实现方法的流程示意图;
图5为本发明实施例中第五种数据链与图传产品的实现方法的流程示意图;
图6为本发明实施例中的数据链与图传产品的实现装置的结构示意图;
图7为本发明实施例中第二种数据链与图传产品的实现装置的结构示意图;
图8为本发明实施例中第三种数据链与图传产品的实现装置的结构示意图;
图9为本发明实施例中第四种数据链与图传产品的实现装置的结构示意图。
具体实施方式
下面将结合具体实施例,对本发明的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅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,本领域普通的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它实施例,都属于本发明的保护范围。
如图1所示,为本实施例中一种数据链与图传产品的实现方法的流程示意图。具体地,该方法包括如下步骤:
步骤101、在图像数据的选定图像数据中标定目标位置。
步骤102、根据图像数据的帧序列规则及选定图像数据中标定目标位置,预设图像数据与其网络边缘帧图像数据的部署策略对应关系;设置目标图像数据与网络边缘帧图像数据采集及神经网络处理策略的数据处理对应关系。
步骤103、根据目标图像数据及部署策略对应关系,获取目标图像数据的网络边缘图像数据部署策略;根据网络边缘图像数据部署策略配置目标图像数据的目标网络边缘图像数据。
步骤104、根据数据处理对应关系及目标图像数据,获取目标图像数据的采集策略及神经网络处理策略;基于目标图像数据的采集策略从目标图像数据处采集目标数据,根据目标图像数据的神经网络处理策略处理得到网络边缘图像数据。
步骤105、汇总各个网络边缘图像数据,按照预设的边缘图像数据分析处理策略进行分析处理得到目标位置在各个图像帧中对应位置,按照对应位置进行图传。
在一些可选的实施例中,如图2所示,为本实施中第二种数据链与图传产品的实现方法的流程示意图,与图1中不同的是,根据目标图像数据的处理策略处理得到网络边缘图像数据,为:
步骤201、根据图像数据的帧序列规则获取各个目标图像数据的数据特征。
步骤202、基于滤波算法将目标图像数据的搜索区域设定为1.2至3倍区域范围,按照预设的图像区域分割策略进行分割、目标追踪及特征信息融合,再采用预设的神经网络学习模型通过信息融合对终端节点和边缘云两侧计算结果进行融合得到的模型进行数据分类得到网络边缘图像数据。
在滤波算法建模过程中,将空域内相关运算转换至频域,以对应元素乘积运算代替。
在一些可选的实施例中,如图3所示,为本实施中第三种数据链与图传产品的实现方法的流程示意图,与图1中不同的是,该方法还包括:
步骤301、将各个目标网络边缘图像数据连接至边缘计算控制平台。
步骤302、边缘计算控制平台按照预设的边缘图像数据状态检测策略向目标网络边缘图像数据发送状态检测信号。
步骤303、在发送状态检测信号预设时间内未收到检测反馈信号时,根据网络边缘图像数据部署策略配置目标事物的更新目标网络边缘图像数据。
在一些可选的实施例中,如图4所示,为本实施中第四种数据链与图传产品的实现方法的流程示意图,与图1中不同的是,该方法还包括:
步骤401、将各个目标网络边缘图像数据连接至边缘计算控制平台。
步骤402、目标网络边缘图像数据接收边缘计算控制平台的存储搜索策略,并按照存储搜索策略获取预设存储设备范围内的目标存储设备。
步骤403、基于目标网络边缘设备按照预设的虚拟缓存创建策略创建虚拟分布式缓存,并分布在各个目标存储设备上。
在一些可选的实施例中,如图5所示,为本实施中第五种数据链与图传产品的实现方法的流程示意图,与图1中不同的是,根据目标图像数据的处理策略处理目标网络边缘图像数据中的目标数据,得到网络边缘图像数据,为:
步骤501、根据目标数据的处理策略对目标网络边缘图像数据中的目标数据进行校正、去躁及加窗处理得到初处理数据。
步骤502、根据目标图像数据的属性类型,基于该属性类型对应的特征提取策略,对初处理数据进行特征提取得到网络边缘图像数据。
在一些可选的实施例中,如图6所示,为本实施中数据链与图传产品的实现装置的示意图,该装置用于实施上述的数据链与图传产品的实现方法。具体地,该装置包括:设置模块601、网络边缘图像数据处理模块602及图传处理模块603。
其中,设置模块601,在图像数据的选定图像数据中标定目标位置。
根据图像数据的帧序列规则及选定图像数据中标定目标位置,预设图像数据与其网络边缘帧图像数据的部署策略对应关系;设置目标图像数据与网络边缘帧图像数据采集及处理策略的数据处理对应关系。
网络边缘图像数据处理模块602,与设置模块601相连接,根据图像数据的帧序列规则及选定图像数据中标定目标位置,预设图像数据与其网络边缘帧图像数据的部署策略对应关系;设置目标图像数据与网络边缘帧图像数据采集及神经网络处理策略的数据处理对应关系。
根据目标图像数据及部署策略对应关系,获取目标图像数据的网络边缘图像数据部署策略;根据网络边缘图像数据部署策略配置目标图像数据的目标网络边缘图像数据。
根据数据处理对应关系及目标图像数据,获取目标图像数据的采集策略及神经网络处理策略;基于目标图像数据的采集策略从目标图像数据处采集目标数据,根据目标图像数据的神经网络处理策略处理得到网络边缘图像数据。
图传处理模块603,与网络边缘图像数据处理模块602相连接,汇总各个网络边缘图像数据,按照预设的边缘图像数据分析处理策略进行分析处理得到目标位置在各个图像帧中对应位置,按照对应位置进行图传。
在一些可选的实施例中,如图7所示,为本实施中第二种数据链与图传产品的实现装置的示意图,与图6中不同的是,网络边缘图像数据处理模块602,包括:数据特征获取单元701及数据特征处理单元702;其中,
数据特征获取单元701,根据图像数据的帧序列规则获取各个目标图像数据的数据特征。
数据特征处理单元702,与数据特征获取单元701相连接,基于滤波算法将目标图像数据的搜索区域设定为1.2至3倍区域范围,按照预设的图像区域分割策略进行分割、目标追踪及特征信息融合,再采用预设的神经网络学习模型通过信息融合对终端节点和边缘云两侧计算结果进行融合得到的模型进行数据分类得到网络边缘图像数据。
在一些可选的实施例中,如图8所示,为本实施中第三种数据链与图传产品的实现装置的示意图,与图6中不同的是,还包括:目标网络边缘图像数据状态检测模块801,与网络边缘图像数据处理模块相连接,将各个目标网络边缘图像数据连接至边缘计算控制平台。
边缘计算控制平台按照预设的边缘图像数据状态检测策略向目标网络边缘图像数据发送状态检测信号。
在发送状态检测信号预设时间内未收到检测反馈信号时,根据网络边缘图像数据部署策略配置目标事物的更新目标网络边缘图像数据。
在一些可选的实施例中,如图9所示,为本实施中第四种数据链与图传产品的实现装置的示意图,与图6中不同的是,还包括:目标网络边缘图像数据虚拟缓存创建模块901,与网络边缘图像数据处理模块602相连接,将各个目标网络边缘图像数据连接至边缘计算控制平台。
目标网络边缘图像数据接收边缘计算控制平台的存储搜索策略,并按照存储搜索策略获取预设存储设备范围内的目标存储设备。
基于目标网络边缘设备按照预设的虚拟缓存创建策略创建虚拟分布式缓存,并分布在各个目标存储设备上。
本实施的数据链与图传产品的实现方案,可在终端节点和边缘云服务器分别部署不同的目标追踪算法,通过任务分割模块决策计算任务本地计算、卸载至边缘云计算或同时计算后融合,最后通过信息融合模块,对不同种算法计算结果进行集成。针对不同类别的数据源和数据类型,分别提出了面对各自环境下的数据采集模块和数据预处理模块的方案设计,并在相应的具体场景下予以实现。
设计了底层数据采集与处理模块与上层大数据处理系统的通信构架,在面对具体场景下中心数据处理系统对于边缘设备的不同操作需求时,可以根据具体事务要求做出相应。提出了针对边缘设备数据处理能力较差的前提下,利用中心设备与边缘设备的协同,完成数据分析和数据挖掘任务,以克服边缘设备计算能力弱和云中心计算响应慢等缺点。依据上述过程,完成了基于边缘计算的数据获取与处理系统。系统具有效率高,反应快,能耗低等特点,满足了大多数日常数据收集和处理场景的需求。通过在两个不同数据来源以及处理需求的场景下的实现,验证了系统的可行性和自身特点。
以上借助具体实施例对本发明做了进一步描述,但是应该理解的是,这里具体的描述,不应理解为对本发明的实质和范围的限定,本领域内的普通技术人员在阅读本说明书后对上述实施例做出的各种修改,都属于本发明所保护的范围。
Claims (8)
1.一种数据的图传方法,其特征在于,包括:
在图像数据的选定图像数据中标定目标位置;
根据所述图像数据的帧序列规则及所述选定图像数据中标定的目标位置,预设所述图像数据与其网络边缘帧图像数据的部署策略对应关系;设置含有目标数据的目标图像数据与网络边缘帧图像数据采集及神经网络处理策略的数据处理对应关系;
根据所述目标图像数据及所述部署策略对应关系,获取所述目标图像数据的网络边缘图像数据部署策略;根据所述网络边缘图像数据部署策略配置所述目标图像数据的目标网络边缘图像数据;
根据所述数据处理对应关系及所述目标图像数据,获取所述目标图像数据的采集策略及神经网络处理策略;基于所述目标图像数据的采集策略从所述目标图像数据处采集目标数据,根据所述目标图像数据的神经网络处理策略处理得到网络边缘图像数据;
汇总各个所述网络边缘图像数据,按照预设的边缘图像数据分析处理策略进行分析处理得到所述目标位置在各个图像帧中对应位置,按照所述对应位置进行图传;
将所述各个所述目标网络边缘图像数据连接至边缘计算控制平台;
所述目标网络边缘图像数据接收所述边缘计算控制平台的存储搜索策略,并按照所述存储搜索策略获取预设存储设备范围内的目标存储设备;
基于目标网络边缘设备按照预设的虚拟缓存创建策略创建虚拟分布式缓存,并分布在各个所述目标存储设备上。
2.根据权利要求1所述的数据的图传方法,其特征在于,根据所述目标图像数据的神经网络处理策略处理得到网络边缘图像数据,为:
根据所述图像数据的帧序列规则获取各个所述目标图像数据的数据特征;
基于滤波算法将所述目标图像数据的搜索区域设定为1.2至3倍区域范围,按照预设的图像区域分割策略进行分割、目标追踪及特征信息融合,再采用预设的神经网络学习模型通过信息融合对终端节点和边缘云两侧计算结果进行融合得到的模型进行数据分类得到所述网络边缘图像数据。
3.根据权利要求2所述的数据的图传方法,其特征在于,还包括:
在滤波算法建模过程中,将空域内相关运算转换至频域,以对应元素乘积运算代替。
4.根据权利要求1所述的数据的图传方法,其特征在于,还包括:
将所述各个所述目标网络边缘图像数据连接至边缘计算控制平台;
所述边缘计算控制平台按照预设的边缘图像数据状态检测策略向所述目标网络边缘图像数据发送状态检测信号;
在发送所述状态检测信号预设时间内未收到检测反馈信号时,根据所述网络边缘图像数据部署策略配置目标事物的更新目标网络边缘图像数据。
5.根据权利要求1所述的数据的图传方法,其特征在于,根据所述目标图像数据的处理策略处理所述目标网络边缘图像数据中的所述目标数据,得到网络边缘图像数据,为:
根据所述目标数据的处理策略对所述目标网络边缘图像数据中的所述目标数据进行校正、去躁及加窗处理得到初处理数据;
根据目标图像数据的属性类型,基于该属性类型对应的特征提取策略,对所述初处理数据进行特征提取得到网络边缘图像数据。
6.一种数据的图传装置,其特征在于,包括:设置模块、网络边缘图像数据处理模块及图传处理模块;其中,
所述设置模块,在图像数据的选定图像数据中标定目标位置;
所述网络边缘图像数据处理模块,与所述设置模块相连接,根据所述图像数据的帧序列规则及所述选定图像数据中标定的目标位置,预设所述图像数据与其网络边缘帧图像数据的部署策略对应关系;设置含有目标数据的目标图像数据与网络边缘帧图像数据采集及神经网络处理策略的数据处理对应关系;
根据所述目标图像数据及所述部署策略对应关系,获取所述目标图像数据的网络边缘图像数据部署策略;根据所述网络边缘图像数据部署策略配置所述目标图像数据的目标网络边缘图像数据;
根据所述数据处理对应关系及所述目标图像数据,获取所述目标图像数据的采集策略及神经网络处理策略;基于所述目标图像数据的采集策略从所述目标图像数据处采集目标数据,根据所述目标图像数据的神经网络处理策略处理得到网络边缘图像数据;
所述图传处理模块,与所述网络边缘图像数据处理模块相连接,汇总各个所述网络边缘图像数据,按照预设的边缘图像数据分析处理策略进行分析处理得到所述目标位置在各个图像帧中对应位置,按照所述对应位置进行图传;
目标网络边缘图像数据虚拟缓存创建模块,与所述网络边缘图像数据处理模块相连接,将所述各个所述目标网络边缘图像数据连接至边缘计算控制平台;
所述目标网络边缘图像数据接收所述边缘计算控制平台的存储搜索策略,并按照所述存储搜索策略获取预设存储设备范围内的目标存储设备;基于目标网络边缘设备按照预设的虚拟缓存创建策略创建虚拟分布式缓存,并分布在各个所述目标存储设备上。
7.根据权利要求6所述的数据的图传装置,其特征在于,所述网络边缘图像数据处理模块,包括:数据特征获取单元及数据特征处理单元;其中,
所述数据特征获取单元,根据所述图像数据的帧序列规则获取各个所述目标图像数据的数据特征;
所述数据特征处理单元,与所述数据特征获取单元相连接,基于滤波算法将所述目标图像数据的搜索区域设定为1.2至3倍区域范围,按照预设的图像区域分割策略进行分割、目标追踪及特征信息融合,再采用预设的神经网络学习模型通过信息融合对终端节点和边缘云两侧计算结果进行融合得到的模型进行数据分类得到所述网络边缘图像数据。
8.根据权利要求6所述的数据的图传装置,其特征在于,还包括:目标网络边缘图像数据状态检测模块,与所述网络边缘图像数据处理模块相连接,将所述各个所述目标网络边缘图像数据连接至边缘计算控制平台;
所述边缘计算控制平台按照预设的边缘图像数据状态检测策略向所述目标网络边缘图像数据发送状态检测信号;
在发送所述状态检测信号预设时间内未收到检测反馈信号时,根据所述网络边缘图像数据部署策略配置目标事物的更新目标网络边缘图像数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011334158.4A CN112486677B (zh) | 2020-11-25 | 2020-11-25 | 一种数据的图传方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011334158.4A CN112486677B (zh) | 2020-11-25 | 2020-11-25 | 一种数据的图传方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112486677A CN112486677A (zh) | 2021-03-12 |
CN112486677B true CN112486677B (zh) | 2024-01-12 |
Family
ID=74934107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011334158.4A Active CN112486677B (zh) | 2020-11-25 | 2020-11-25 | 一种数据的图传方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112486677B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019037498A1 (zh) * | 2017-08-25 | 2019-02-28 | 腾讯科技(深圳)有限公司 | 主动跟踪方法、装置及系统 |
CN110210378A (zh) * | 2019-05-30 | 2019-09-06 | 中国电子科技集团公司第三十八研究所 | 一种基于边缘计算的嵌入式视频图像解析方法及装置 |
WO2019200349A1 (en) * | 2018-04-13 | 2019-10-17 | General Electric Company | Systems and methods for training a deep learning model for an imaging system |
CN111212264A (zh) * | 2019-12-27 | 2020-05-29 | 中移(杭州)信息技术有限公司 | 基于边缘计算的图像处理方法、装置、及存储介质 |
WO2020143094A1 (zh) * | 2019-01-09 | 2020-07-16 | 网宿科技股份有限公司 | 一种基于边缘计算的智能管理方法和系统 |
CN211506523U (zh) * | 2019-12-31 | 2020-09-15 | 江苏学蠡信息科技有限公司 | 一种基于深度学习的目标检测开发平台 |
EP3713196A1 (en) * | 2019-03-19 | 2020-09-23 | Deutsche Telekom AG | Method and apparatuses for binding an edge computing device to a communication terminal for pre-processing data |
WO2020204474A1 (ko) * | 2019-03-29 | 2020-10-08 | 삼성전자 주식회사 | 무선 통신 시스템에서 에지 컴퓨팅 서비스를 제공하기 위한 장치 및 방법 |
CN111932813A (zh) * | 2020-08-14 | 2020-11-13 | 南京邮电大学 | 一种基于边缘计算的无人机森林火灾侦察系统及工作方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10659526B2 (en) * | 2018-01-03 | 2020-05-19 | Verizon Patent And Licensing Inc. | Edge compute systems and methods |
US11488315B2 (en) * | 2018-01-26 | 2022-11-01 | SagaDigits Limited | Visual and geolocation analytic system and method |
US11159609B2 (en) * | 2020-03-27 | 2021-10-26 | Intel Corporation | Method, system and product to implement deterministic on-boarding and scheduling of virtualized workloads for edge computing |
-
2020
- 2020-11-25 CN CN202011334158.4A patent/CN112486677B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019037498A1 (zh) * | 2017-08-25 | 2019-02-28 | 腾讯科技(深圳)有限公司 | 主动跟踪方法、装置及系统 |
WO2019200349A1 (en) * | 2018-04-13 | 2019-10-17 | General Electric Company | Systems and methods for training a deep learning model for an imaging system |
WO2020143094A1 (zh) * | 2019-01-09 | 2020-07-16 | 网宿科技股份有限公司 | 一种基于边缘计算的智能管理方法和系统 |
EP3713196A1 (en) * | 2019-03-19 | 2020-09-23 | Deutsche Telekom AG | Method and apparatuses for binding an edge computing device to a communication terminal for pre-processing data |
WO2020204474A1 (ko) * | 2019-03-29 | 2020-10-08 | 삼성전자 주식회사 | 무선 통신 시스템에서 에지 컴퓨팅 서비스를 제공하기 위한 장치 및 방법 |
CN110210378A (zh) * | 2019-05-30 | 2019-09-06 | 中国电子科技集团公司第三十八研究所 | 一种基于边缘计算的嵌入式视频图像解析方法及装置 |
CN111212264A (zh) * | 2019-12-27 | 2020-05-29 | 中移(杭州)信息技术有限公司 | 基于边缘计算的图像处理方法、装置、及存储介质 |
CN211506523U (zh) * | 2019-12-31 | 2020-09-15 | 江苏学蠡信息科技有限公司 | 一种基于深度学习的目标检测开发平台 |
CN111932813A (zh) * | 2020-08-14 | 2020-11-13 | 南京邮电大学 | 一种基于边缘计算的无人机森林火灾侦察系统及工作方法 |
Non-Patent Citations (3)
Title |
---|
Jun Hou ; Qianmu Li ; Rong Tan ; Shunmei Meng ; Hanrui Zhang ; Sainan Zhang.An Intrusion Tracking Watermarking Scheme.《IEEE Access》.2019,全文. * |
基于多感信息融合与边缘计算的路灯节能控制策略研究;韩强;《物联网技术》;全文 * |
面向边缘计算的目标追踪应用部署策略研究;张展;张宪琦;左德承;付国栋;软件学报(009);第1页倒数第8行至第16页倒数第5行 * |
Also Published As
Publication number | Publication date |
---|---|
CN112486677A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | An edge traffic flow detection scheme based on deep learning in an intelligent transportation system | |
CN111914727B (zh) | 基于平衡采样与非线性特征融合的小目标人体检测方法 | |
CN114627360A (zh) | 基于级联检测模型的变电站设备缺陷识别方法 | |
CN108197566B (zh) | 一种基于多路神经网络的监控视频行为检测方法 | |
CN113408087B (zh) | 一种基于云边系统和视频智能分析的变电站巡视方法 | |
CN112380955B (zh) | 动作的识别方法及装置 | |
CN110852222A (zh) | 一种基于目标检测的校园走廊场景智能监控方法 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN113076992A (zh) | 一种生活垃圾检测方法及装置 | |
CN109523558A (zh) | 一种人像分割方法及系统 | |
CN114863118A (zh) | 一种基于输电线路外部隐患自学习识别系统、方法 | |
CN114022837A (zh) | 车站遗留物品检测方法、装置、电子设备及存储介质 | |
CN113065379A (zh) | 融合图像质量的图像检测方法、装置、电子设备 | |
CN113887330A (zh) | 一种基于遥感图像的目标检测系统 | |
CN112486677B (zh) | 一种数据的图传方法及装置 | |
CN112596894B (zh) | 一种基于边缘计算的追踪方法及装置 | |
CN117475253A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN117115616A (zh) | 一种基于卷积神经网络的实时低照度图像目标检测方法 | |
CN112486667B (zh) | 一种基于边缘计算精准处理数据的方法及装置 | |
CN113780371B (zh) | 基于边缘计算与深度学习的绝缘子状态边缘识别方法 | |
CN114356502B (zh) | 基于边缘计算技术的非结构化数据标记、训练和发布系统及方法 | |
CN115761552A (zh) | 面向无人机机载平台的目标检测方法、系统、设备及介质 | |
CN116912872A (zh) | 图纸识别方法、装置、设备及可读存储介质 | |
Yang et al. | Road Damage Detection and Classification Based on Multi-Scale Contextual Features | |
CN111815658B (zh) | 一种图像识别方法及装置 |
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 |