CN112527849A - 一种基于云-边混合物联网系统的智能数据标注方法 - Google Patents
一种基于云-边混合物联网系统的智能数据标注方法 Download PDFInfo
- Publication number
- CN112527849A CN112527849A CN202011538067.2A CN202011538067A CN112527849A CN 112527849 A CN112527849 A CN 112527849A CN 202011538067 A CN202011538067 A CN 202011538067A CN 112527849 A CN112527849 A CN 112527849A
- Authority
- CN
- China
- Prior art keywords
- data
- cloud
- edge
- server
- target detection
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24573—Query processing with adaptation to user needs using data annotations, e.g. user-defined metadata
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Library & Information Science (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
一种基于云‑边混合物联网系统的智能数据标注方法,涉及数据标注领域。本发明是为了解目前采用人工标注数据的方法,耗费时间长、标注效率低的问题。本发明所述的一种基于云‑边混合物联网系统的智能数据标注系统包括:中心数据服务器、边缘计算服务器、前端摄像机系统;本发明所述的一种基于云‑边混合物联网系统的智能数据标注方法包括:采集初始数据并进行初步标注;对初步标注的数据进行校验;将校验后的数据进行数据融合;利用融合后的数据对目标检测模型进行训练;将训练后的目标检测模型进行量化压缩,并将量化压缩后的目标检测模型更新到边缘计算服务器;在实际标注过程中,将采集的待检测数据输入系统即可得到标注后的数据。
Description
技术领域
本发明属于数据标注领域,特别涉及一种基于云-边混合物联网系统的智能数据标注方法。
背景技术
随着计算机硬件发展带来的算力提高,以及深度学习算法的不断进步,人工智能技术已经越来越深入到生产生活的各个领域。人工智能是国家新型基础设施建设发展目标的七大领域之一。机器学习是实现人工智能的方法,深度学习是机器学习的一种重要技术。深度学习通过神经网络模型来解析数据、从中学习,进而对真实世界做出决策和预测。深度学习算法依赖大量经过预先标注的数据进行模型训练。数据的多少以及标注的准确性,都直接影响着深度学习算法的准确性。
得益于互联网与移动互联网带来的海量数据,目前深度学习在安防监控人脸识别、语音识别等方面得到了很好的应用。但是在传统行业向数字化、智能化的转型中,存在着用于初始模型训练的图像数据数量有限,难以得到泛化能力强的深度学习模型的问题。在新基建的应用场景中多为采用物联网边缘计算平台运行量化后的深度学习模型,相比于云端GPU服务器的高精度模型,准确度有所下降,需要大量的数据做进一步的训练以提高模型精度。现有数据标注多为依赖人工,耗费时间长,而且标注效率低,难以满足在实际应用中快速部署的需要。
发明内容
本发明目的是为了解决目前采用人工标注数据的方法,耗费时间长、标注效率低的问题而提出了一种基于云-边混合物联网系统的智能数据标注方法。
一种基于云-边混合物联网系统的智能数据标注系统,包括:中心数据服务器、边缘计算服务器、前端摄像机系统;
所述中心数据服务器、边缘计算服务器、前端摄像机系统间通过路由器或网关连接到同一个局域网或互联网;
所述中心数据服务器用于运行目标检测模型,校验边缘端标注的数据,模型优化训练,模型量化;
所述边缘计算服务器用于获取摄像机系统采集的数据及数据标注;
所述边缘计算服务器上部署量化后的目标检测模型;
所述前端摄像机系统用于采集初始数据。
一种基于云-边混合物联网系统的智能数据标注方法,具体过程为:
步骤一、采集初始数据并进行初步标注;
步骤二、对初步标注的数据进行校验;
步骤三、将校验后的数据进行数据融合;
步骤四、利用融合后的数据对目标检测模型进行训练;
步骤五、将训练后的目标检测模型进行量化压缩,并将量化压缩后的目标检测模型更新到边缘计算服务器;
步骤六、在实际标注过程中,将采集的待检测数据输入一种基于云-边混合物联网系统的智能数据标注系统即可得到标注后的数据。
本发明的有益效果为:
本发明利用边缘计算服务器进行初步标注,然后利用中心数据服务器进一步标注,运用两台服务器分别负责检测和训练提高了检测效率,本发明将数据传输到云端实现自动校验,大大的节省了人力资源,缩短了数据准备的时间,提高了数据标注的效率。
附图说明
图1为云-边混合智能标注过程示意图。
具体实施方式
具体实施方式一:一种基于云-边混合物联网系统的智能数据标注系统,包括:中心数据服务器、边缘计算服务器、前端摄像机系统;
所述中心数据服务器、边缘计算服务器、前端摄像机系统间通过路由器或网关连接到同一个局域网或互联网;
所述中心数据服务器用于运行目标检测模型,校验边缘端标注的数据,模型优化训练,模型量化压缩;
所述边缘计算服务器用于获取摄像机系统采集的数据及数据标注;所述边缘计算服务器上部署量化后的目标检测模型;
所述前端摄像机系统用于采集初始数据;
所述中心数据服务器是本地服务器或部署为私有云服务器;
所述前端摄像机系统为实际部署的摄像机设备。
具体实施方式二:一种基于云-边混合物联网系统的智能数据标注方法,其特征在于,所述方法具体过程包括以下步骤:
步骤一、采集初始数据并进行初步标注;
步骤二、对初步标注的数据进行校验;
步骤三、将校验后的数据进行数据融合;
步骤四、利用融合后的数据对目标检测模型进行训练;
步骤五、将训练后的目标检测模型进行量化压缩,并将量化压缩后的目标检测模型更新到边缘计算服务器;
步骤六、在实际标注过程中,将采集的待检测数据输入一种基于云-边混合物联网系统的智能数据标注系统即可得到标注后的数据。
具体实施方式三:本实施方式与具体实施方式二不同的是:所述步骤一中采集初始数据并进行初步标注,具体过程为:
前端摄像机系统采集初始数据,并将初始数据传输给边缘计算服务器;
边缘计算服务器利用边缘计算服务器中部署的量化压缩后的目标检测模型对数据进行初步标注。
具体实施方式四:本实施方式与具体实施方式二至三不同的是:所述步骤二中对初步标注的数据进行校验,具体过程为:
边缘计算服务器将步骤一初步标注的数据上传到云中心数据服务器,利用云服务器上的目标检测模型对标注结果进行校验。
具体实施方式五:本实施方式与具体实施方式二至四不同的是:所述步骤二中对初步标注的数据进行校验后可以通过人工随机进行抽查检验,保证标注结果正确性。
具体实施方式六:本实施方式与具体实施方式二至五不同的是:所述步骤四中利用融合后的数据对目标检测模型进行训练,具体过程为:
在中心数据服务器上利用融合后的数据,通过在线增强学习技术,对目标检测模型进行优化训练。
Claims (8)
1.一种基于云-边混合物联网系统的智能数据标注系统,包括:中心数据服务器、边缘计算服务器、前端摄像机系统;
所述中心数据服务器、边缘计算服务器、前端摄像机系统间通过路由器或网关连接到同一个局域网或互联网;
所述中心数据服务器用于运行目标检测模型,校验边缘端标注的数据,模型优化训练,模型量化压缩;
所述边缘计算服务器用于获取摄像机系统采集的数据及数据标注;
所述边缘计算服务器上部署量化后的目标检测模型;
所述前端摄像机系统用于采集初始数据。
2.根据权利要求1所述的一种基于云-边混合物联网系统的智能数据标注系统,其特征在于:所述中心数据服务器是本地服务器或部署为私有云服务器。
3.根据权利要求2所述的一种基于云-边混合物联网系统的智能数据标注系统,其特征在于:所述前端摄像机系统为实际部署的摄像机设备。
4.一种基于云-边混合物联网系统的智能数据标注方法,其特征在于,所述方法具体过程包括以下步骤:
步骤一、采集初始数据并进行初步标注;
步骤二、对初步标注的数据进行校验;
步骤三、将校验后的数据进行数据融合;
步骤四、利用融合后的数据对目标检测模型进行训练;
步骤五、将训练后的目标检测模型进行量化压缩,并将量化压缩后的目标检测模型更新到边缘计算服务器;
步骤六、在实际标注过程中,将采集的待检测数据输入一种基于云-边混合物联网系统的智能数据标注系统即可得到标注后的数据。
5.根据权利要求4所述的一种基于云-边混合物联网系统的智能数据标注方法,其特征在于:所述步骤一种采集初始数据并进行初步标注,具体过程为:
前端摄像机系统采集初始数据,并将初始数据传输给边缘计算服务器;
边缘计算服务器利用边缘计算服务器中部署的量化压缩后的目标检测模型对数据进行初步标注。
6.根据权利要求5所述的一种基于云-边混合物联网系统的智能数据标注方法,其特征在于:所述步骤二中对初步标注的数据进行校验,具体过程为:
边缘计算服务器将步骤一初步标注的数据上传到云中心数据服务器,利用云服务器上的目标检测模型对标注结果进行校验。
7.根据权利要求6所述的一种基于云-边混合物联网系统的智能数据标注方法,其特征在于:所述步骤二中对初步标注的数据进行校验后可以通过人工随机进行抽查检验,保证标注结果正确性。
8.根据权利要求7所述的一种基于云-边混合物联网系统的智能数据标注方法,其特征在于:所述步骤四中利用融合后的数据对目标检测模型进行训练,具体过程为:
在中心数据服务器上利用融合后的数据,通过在线增强学习技术,对目标检测模型进行优化训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011538067.2A CN112527849A (zh) | 2020-12-23 | 2020-12-23 | 一种基于云-边混合物联网系统的智能数据标注方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011538067.2A CN112527849A (zh) | 2020-12-23 | 2020-12-23 | 一种基于云-边混合物联网系统的智能数据标注方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112527849A true CN112527849A (zh) | 2021-03-19 |
Family
ID=74975927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011538067.2A Pending CN112527849A (zh) | 2020-12-23 | 2020-12-23 | 一种基于云-边混合物联网系统的智能数据标注方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112527849A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222462A (zh) * | 2020-01-07 | 2020-06-02 | 河海大学 | 一种基于目标检测的表观特征监测数据智能标注方法 |
CN111222532A (zh) * | 2019-10-23 | 2020-06-02 | 西安交通大学 | 具有分类精度保持和带宽保护的边云协同深度学习模型训练方法 |
CN111402253A (zh) * | 2020-04-03 | 2020-07-10 | 华东交通大学 | 融合边缘计算和深度学习的输变电设备状态在线监测方法 |
CN111488989A (zh) * | 2020-04-16 | 2020-08-04 | 济南浪潮高新科技投资发展有限公司 | 一种在手机端实现轻量级目标检测的方法及模型 |
CN111860256A (zh) * | 2020-07-10 | 2020-10-30 | 云镝智慧科技有限公司 | 安全检测方法、装置、计算机设备和存储介质 |
CN112085031A (zh) * | 2020-09-11 | 2020-12-15 | 河北工程大学 | 目标检测方法及系统 |
-
2020
- 2020-12-23 CN CN202011538067.2A patent/CN112527849A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222532A (zh) * | 2019-10-23 | 2020-06-02 | 西安交通大学 | 具有分类精度保持和带宽保护的边云协同深度学习模型训练方法 |
CN111222462A (zh) * | 2020-01-07 | 2020-06-02 | 河海大学 | 一种基于目标检测的表观特征监测数据智能标注方法 |
CN111402253A (zh) * | 2020-04-03 | 2020-07-10 | 华东交通大学 | 融合边缘计算和深度学习的输变电设备状态在线监测方法 |
CN111488989A (zh) * | 2020-04-16 | 2020-08-04 | 济南浪潮高新科技投资发展有限公司 | 一种在手机端实现轻量级目标检测的方法及模型 |
CN111860256A (zh) * | 2020-07-10 | 2020-10-30 | 云镝智慧科技有限公司 | 安全检测方法、装置、计算机设备和存储介质 |
CN112085031A (zh) * | 2020-09-11 | 2020-12-15 | 河北工程大学 | 目标检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106027300B (zh) | 一种应用神经网络的智能机器人参数优化系统及方法 | |
CN111985499B (zh) | 一种基于计算机视觉的高精度桥梁表观病害识别方法 | |
CN109614488B (zh) | 基于文本分类和图像识别的配网带电作业条件判别方法 | |
CN114580706A (zh) | 基于gru-lstm神经网络的电力金融业务风控方法及系统 | |
CN111027631B (zh) | 高压耐张线夹压接缺陷判别的x射线影像分类识别方法 | |
CN117291902B (zh) | 一种基于深度学习用于像素级混凝土裂缝的检测方法 | |
CN113205039A (zh) | 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法 | |
CN111046936A (zh) | 基于级联宽度神经网络桥梁裂缝分类识别方法 | |
CN116451079A (zh) | 一种面向超算平台的电力变压器故障声音诊断方法 | |
CN112308492A (zh) | 基于深度学习与知识图谱融合的仓库管理方法及系统 | |
CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
CN116957165A (zh) | 电厂施工工期进度优化方法 | |
CN111222462A (zh) | 一种基于目标检测的表观特征监测数据智能标注方法 | |
CN114241423A (zh) | 一种河道漂浮物智能检测方法及系统 | |
CN117093260B (zh) | 一种基于决策树分类算法的融合模型网站结构解析方法 | |
CN112527849A (zh) | 一种基于云-边混合物联网系统的智能数据标注方法 | |
CN111062827B (zh) | 一种基于人工智能模式的工程监理方法 | |
Li et al. | A high‐frequency feature enhancement network for the surface defect detection of welded rebar | |
CN117172413A (zh) | 基于多模态数据联合表征和动态权重学习的电网设备运行状态监测方法 | |
CN117331802A (zh) | 一种基于工业互联网的中台数据监测分析系统 | |
CN111160490A (zh) | 一种基于多时间序列的深度学习危岩变形预测方法及装置 | |
CN111415326A (zh) | 一种用于铁路接触网螺栓异常状态的检测方法及系统 | |
CN116630989A (zh) | 智能电表可视故障检测方法、系统、电子设备及存储介质 | |
CN105989607A (zh) | 基于spcnn和最小交叉熵的接触网图像分割方法 | |
CN115905555A (zh) | 基于多模数据处理与融合的电力数据分析方法 |
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 |