CN113221981A - 一种面向边缘深度学习的数据协同处理优化方法 - Google Patents

一种面向边缘深度学习的数据协同处理优化方法 Download PDF

Info

Publication number
CN113221981A
CN113221981A CN202110464653.5A CN202110464653A CN113221981A CN 113221981 A CN113221981 A CN 113221981A CN 202110464653 A CN202110464653 A CN 202110464653A CN 113221981 A CN113221981 A CN 113221981A
Authority
CN
China
Prior art keywords
data
deep learning
control center
edge
alexnet
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
Application number
CN202110464653.5A
Other languages
English (en)
Inventor
刘楚波
陈俊杰
阳王东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Zhejiang Lab
Original Assignee
Hunan University
Zhejiang Lab
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University, Zhejiang Lab filed Critical Hunan University
Priority to CN202110464653.5A priority Critical patent/CN113221981A/zh
Publication of CN113221981A publication Critical patent/CN113221981A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • 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
    • 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
    • G06F9/54—Interprogram communication
    • G06F9/544—Buffers; Shared memory; Pipes
    • 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
    • G06F9/54—Interprogram communication
    • G06F9/546—Message passing systems or structures, e.g. queues
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
    • H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
    • H04L63/0435—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload wherein the sending and receiving network entities apply symmetric encryption, i.e. same key used for encryption and decryption
    • 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

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)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computer Security & Cryptography (AREA)
  • Multimedia (AREA)
  • Computer Hardware Design (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于边缘计算的深度学习技术领域，涉及一种面向边缘深度学习的数据协同处理优化方法，具体是：总控制中心发出需求数据，边缘设备接收总控制中心发出的待识别数据并作为基础数据，对捕获的信息采用压缩深度学习模型min_Alexnet进行识别，对识别的有效数据标记，并存储到边缘设备的本地控制中心的数据库中，本地控制中心将所述数据加密推送到消息列队中进行缓存，总控制中心将其转给总控制中心服务器上的深度学习完整模型Fast_AlexNet进行验证和识别的深度处理。本发明可以在很大程度上提高监控设备的利用率并且极大的缩短了依靠监控设备查找有效信息的时间，从长远的效用角度来看是十分有应用和研究价值的。

Description

一种面向边缘深度学习的数据协同处理优化方法
技术领域
本发明属于边缘计算的深度学习技术领域，涉及一种面向边缘深度学习的数据协同处理优化方法。
背景技术
在如今的边缘设备中，摄像头已经实现了广泛的应用，拍照、摄像已经实现了普及化。如何能更好应用好随处可见的摄像头，通过照片与摄像信息来进行深度学习的应用是当下重要的研究场景。
当今社会安全防范意识越来越强烈，公众生命安全、财产安全是防范中最为重要的。如何做到出现问题就发现问题并解决问题，全部依靠人工来查找信息是照片与摄像信息效率是低下的，并且信息结论滞后容易错过最佳解决问题的时期。快速得出信息数据结论的方法在安全防护方面是有着非常重要的意义。如今边缘设备普及度高，要是可以合理应用这些设备的拍照、摄像功能，会对今后的社会安全有着重大的意义。
边缘设备包括网络交换设备、手机移动终端和监控摄像等，拥有摄像头的设备如手机移动终端和监控摄像头。这些设备都是会有拍照与摄像的行为，并且设备自带处理系统，非常适合做边缘数据的预处理，但是由于自身计算能力和功耗问题，需要对预处理进行优化从而降低计算量和能量消耗。预处理后，将数据接入到大平台的完整深度学习模型，来保证计算的准确性与有效性。这样就可以在充分利用资源的同时，确保了识别的准确性，并在应用过程中，提升了使用者的效率，减少了人力，特别是在对犯罪嫌疑人的锁定方面可以大大提升效率与人力消耗。
发明内容
为了解决现有技术中存在的上述技术问题，本发明提出了一种面向边缘深度学习的数据协同处理优化方法，其具体技术方案如下：
一种面向边缘深度学习的数据协同处理优化方法，包括如下步骤：
S1. 总控制中心发出需求数据，边缘设备接收总控制中心发出的待识别数据并作为基础数据，同时将拍照和摄影生成的数据输入至存储和运行于边缘设备的压缩深度学习模型min_Alexnet；
S2. 边缘设备通过所述压缩深度学习模型min_Alexnet对拍照和摄影生成的数据进行过滤和识别，对识别的有效数据进行标记，以信息流的方式存储到边缘设备的本地控制中心的数据库中，边缘设备的本地控制中心将所述数据加密推送到消息列队中进行缓存；
S3. 总控制中心发出需求后，开始监控消息队列中的情况，当有效数据接入后，将其转给总控制中心服务器上的深度学习完整模型Fast_AlexNet进行验证和识别的深度处理。
进一步的，所述压缩深度学习模型min_Alexnet是通过对AlexNet深度学习模型进行压缩得到，所述压缩的方式为：对运行的AlexNet深度学习模型进行权值筛选，当权值小于阈值时，对权重进行移除，只保留重要的权值信息，然后对权值进行量化，同时，共享内存保存权值。
进一步的，所述消息列队采用的是分布式消息队列。
进一步的，所述待识别数据为加密数据，该加密数据通过所述本地控制中心解密转发给边缘设备，数据报文信息采用TCP的方式进行数据传输。
进一步的，所述加密数据采用AES密钥加密。
进一步的，所述步骤S3具体为：总控制中心通过消息队列中的信息知晓有反馈并对数据拉取，再将拉取的数据进行AES密钥解密成明文数据，该数据作为Fast_AlexNet模型的输入，再由Fast_AlexNet模型对有效数据进行深度处理。
进一步的，所述深度学习完整模型Fast_AlexNet在添加布隆过滤器的卷积层对相似的数据进行过滤，丢弃已经记录的数据，保留未记录的数据。
本发明的有益效果：
1、本发明采用了边缘设备进行深度学习的实时监测，对采用的min_AlexNet模型进行优化和调整，有效压缩了AlexNet模型；
2、对拍摄的数据进行了预识别和标识，能过滤大量无效数据，为总控制中心中的Fast_AlexNet模型的运行提供支持，使验证和测试过程的时间成本降低；
3、依据优化后的Fast_AlexNet，对输入数据进行布隆过滤处理，对极具相同特征的图片进行去重，减少运行时因为数据量过大造成的时间成本；
4、采用人工智能中的深度卷积神经网络进行训练、验证和测试，同时构建网络信息加密传输，保证了传输过程中的数据安全，并且在边缘设备标记过程中保证了数据记录的时序性；
5、在边缘设备运行的模型可以压缩10-15倍，在边缘识别过程中精度降低1%-2%，使系统验证和测试的准确率提升4-6倍，在识别过程中无用信息大大降低，大大提高了系统计算性能。
附图说明
图1是本发明的方法流程示意图；
图2 是本发明边缘设备中嵌入的深度学习压缩网络min_AlexNet的流程图；
图3 是本发明预处理和深度处理的数据流程图；
图4 是本发明的深度处理Fast_AlexNet网络优化结构图；
图5 是本发明边缘设备识别优化流程图；
图6 是本发明数据传输过程中的数据 AES加密方案流程图；
图7 是本发明数据接收过程中的数据 AES解密方案流程图。
具体实施方式
为了使本发明的目的、技术方案和技术效果更加清楚明白，以下结合说明书附图和实施例，对本发明作进一步详细说明。
如图1-6所示，一种面向边缘深度学习的数据协同处理优化方法，主要应用在带用摄像头的边缘设备中，并通过网络配置方式进行输入数据传输，根据预处理结果，在服务器上再对数据进行深度的识别处理，具体包括以下内容：
对AlexNet深度学习模型进行压缩，成为压缩深度学习模型min_AlexNet，压缩方式是：对每次运行的AlexNet深度学习模型进行权值筛选，当权值小于阈值时，对权重进行移除，只保留重要的权值信息，然后对权值进行量化，更大程度压缩所述模型大小，同时，共享内存保存权值，减少访问所消耗的能量；
通过压缩和节省能耗运行的压缩深度学习模型min_Alexnet，在边缘设备中存储和运行，所述压缩深度学习模型min_Alexnet的输入是在边缘设备进行拍照和摄影生成的数据；该压缩深度学习模型min_Alexnet具有计算速度快，资源消耗小的特点，适合在边缘设备中运行。
边缘设备进行识别操作时，接收来自总控制中心发出的待识别的加密数据，所述加密数据由本地控制中心解密转发给边缘设备，数据报文信息采用TCP的方式进行数据传输，以保证数据传输过程中的安全与可靠性，所述数据报文信息为：
字段名
验证编号 Verification_code
设备编号 Device_id
发送端地址 Send_addr
消息队列地址 Queue_addr
消息队列主题 Queue_topic
待匹配图片数据 Pic_data
边缘设备在拍摄时生成一帧一帧的图片，根据总控制中心传入的数据信息，采用模型min_Alexnet对每一张图片进行过滤和识别，对满足阈值的内容，即相似的图片信息，进行标记，以信息流的方式记录存储到本地的控制中心的数据库中，则记录表信息为：
字段名
时间戳 Timestamp
标记时间 Mark_time
相似部位 location
视频名称 Video_name
图片名称 Pic_name
每个边缘设备的本地控制中心与总控制中心进行认证网络通信，所述总控制中心针对各个边缘监控设备的标注的数据信息和二进制格式的数据采用AES密钥加密传输，接收方对收到的数据进行解密，报文格式为：
时间戳 Timestamp
远端中心地址 Addr_far
设备号 Device_id
序列化图片数据 serialize_pic_data
二进制标记数据 Binary_tag_data
每个边缘设备识别之后的数据，包括有效的数据图片和标记文本信息，存储在本地控制中心，当出现有效识别时，将相关数据推送到消息队列中进行缓存，所述消息列队采用的是分布式消息队列，所述推送数据格式为：
时间戳 Timestamp
远端中心地址 Addr_far
设备号 Device_id
序列化图片数据 serialize_pic_data
二进制标记数据 Binary_tag_data
总控制中心发出需求后，开始监控消息队列中的情况，当有效数据接入后，将其转给总控制中心服务器上的深度学习完整模型，即本发明采用的优化的AlexNet模型：Fast_AlexNet，该模型在添加布隆过滤器的卷积层对相似的数据进行了过滤，丢弃已经记录的数据，保留未记录的数据，大大减少了计算量，在很大程度减少了总控制中心运行深度学习模型的计算压力。各个边缘设备的控制中心收集的数据作为输入，采用未进行压缩并优化后的模型Fast_AlexNet做验证和测试，从这些数据中筛选出与现有图像信息准确度匹配最佳的数据图片，结合文本信息与图片数据构建关联信息系统。
综上，本发明将照片、视频识别分为预处理和深度处理两个部分，并且在需求数据输入阶段采用TCP传输方案，并使用AES密钥加密，来保证需要边缘监控设备查找的信息是安全、可靠不会被修改的。总控制中心在有需求查找相关信息时，会向边缘设备发送加密的数据信息，数据部分是采用AES密钥解密的基础数据。边缘设备在运行摄像头时，生成照片的同时图片信息会进入到预处理模块，通过min_AlexNet网络判断当前的生成的图片是否与总控制中心的基础数据具有相似度，如果出现了有效数据，则在正常处理的前提下将当前地址、时间、图片帧号进行记录，由本地控制中心发送消息到总控制中心的消息队列中，该信息由AES密钥加密；如果没有出现，则正常处理。如果出现了有效数据，总控制中心通过消息队列中的信息知晓，总控制中心通过消息队列知晓有反馈并对数据拉取，再将拉取的数据进行AES密钥解密成明文数据，该数据作为Fast_AlexNet模型的输入，再由Fast_AlexNet模型对有效数据进行深度处理。
为了减少网络的带宽占用，边缘设备的本地控制中心将数据发送到消息队列中，该队列采用的是分布式消息队列。
正确的标记的内容与图片数据对基础数据对应的物品进行定位，大大的减少了中间人工通过视频查看或者一般的深度学习的处理的时间消耗，为制定后续方案节省了人工的精力和争取了宝贵的时间。
本发明需要多个边缘设备对应的本地控制中心与总控制中心的网络相互可以访问，并且本地控制中心网络无法主动访问总控制中心网络，只有当总控制中心给本地控制中心发送了消息之后才可以。同时，该交互过程由总控制中心发起且附有加密确认机制。总控制中心提供验证信息给本地控制中心。这里总控制中心可以是公安系统，也可以是互联网安防系统，可以根据需求进行配置连接。同时，本发明边缘设备需要具备运行深度学习模型的环境，采用可移植平台进行，并在后续非压缩深度学习模型中采用服务器系统环境，服务器系统环境可以由单机或多机组成，多机需要进行网络环境配置。
应当理解，以上所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明，此外，所描述的本发明各个实施方案中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种面向边缘深度学习的数据协同处理优化方法，其特征在于，包括如下步骤：
S1. 总控制中心发出需求数据，边缘设备接收总控制中心发出的待识别数据并作为基础数据，同时将拍照和摄影生成的数据输入至存储和运行于边缘设备的压缩深度学习模型min_Alexnet；
S2. 边缘设备通过所述压缩深度学习模型min_Alexnet对拍照和摄影生成的数据进行过滤和识别，对识别的有效数据进行标记，以信息流的方式存储到边缘设备的本地控制中心的数据库中，边缘设备的本地控制中心将所述数据加密推送到消息列队中进行缓存；
S3. 总控制中心发出需求后，开始监控消息队列中的情况，当有效数据接入后，将其转给总控制中心服务器上的深度学习完整模型Fast_AlexNet进行验证和识别的深度处理。
2.如权利要求1所述的一种面向边缘深度学习的数据协同处理优化方法，其特征在于，所述压缩深度学习模型min_Alexnet是通过对AlexNet深度学习模型进行压缩得到，所述压缩的方式为：对运行的AlexNet深度学习模型进行权值筛选，当权值小于阈值时，对权重进行移除，只保留重要的权值信息，然后对权值进行量化，同时，共享内存保存权值。
3.如权利要求1所述的一种面向边缘深度学习的数据协同处理优化方法，其特征在于，所述消息列队采用的是分布式消息队列。
4.如权利要求1所述的一种面向边缘深度学习的数据协同处理优化方法，其特征在于，所述待识别数据为加密数据，该加密数据通过所述本地控制中心解密转发给边缘设备，数据报文信息采用TCP的方式进行数据传输。
5.如权利要求4所述的一种面向边缘深度学习的数据协同处理优化方法，其特征在于，所述加密数据采用AES密钥加密。
6.如权利要求1所述的一种面向边缘深度学习的数据协同处理优化方法，其特征在于，所述步骤S3具体为：总控制中心通过消息队列中的信息知晓有反馈并对数据拉取，再将拉取的数据进行AES密钥解密成明文数据，该数据作为Fast_AlexNet模型的输入，再由Fast_AlexNet模型对有效数据进行深度处理。
7.如权利要求6所述的一种面向边缘深度学习的数据协同处理优化方法，其特征在于，所述深度学习完整模型Fast_AlexNet在添加布隆过滤器的卷积层对相似的数据进行过滤，丢弃已经记录的数据，保留未记录的数据。
CN202110464653.5A 2021-04-28 2021-04-28 一种面向边缘深度学习的数据协同处理优化方法 Pending CN113221981A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110464653.5A CN113221981A (zh) 2021-04-28 2021-04-28 一种面向边缘深度学习的数据协同处理优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110464653.5A CN113221981A (zh) 2021-04-28 2021-04-28 一种面向边缘深度学习的数据协同处理优化方法

Publications (1)

Publication Number Publication Date
CN113221981A true CN113221981A (zh) 2021-08-06

Family

ID=77089592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110464653.5A Pending CN113221981A (zh) 2021-04-28 2021-04-28 一种面向边缘深度学习的数据协同处理优化方法

Country Status (1)

Country Link
CN (1) CN113221981A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180096249A1 (en) * 2016-10-04 2018-04-05 Electronics And Telecommunications Research Institute Convolutional neural network system using adaptive pruning and weight sharing and operation method thereof
CN109886406A (zh) * 2019-02-25 2019-06-14 东南大学 一种基于深度压缩的复数卷积神经网络压缩方法
CN110084365A (zh) * 2019-03-13 2019-08-02 西安电子科技大学 一种基于深度学习的服务提供系统及方法
CN110119745A (zh) * 2019-04-03 2019-08-13 平安科技（深圳）有限公司 深度学习模型的压缩方法、装置、计算机设备及存储介质
CN110543803A (zh) * 2018-05-29 2019-12-06 菜鸟智能物流控股有限公司 监控方法、装置、服务器和存储介质
CN111582016A (zh) * 2020-03-18 2020-08-25 宁波送变电建设有限公司永耀科技分公司 基于云边协同深度学习的智能免维护电网监控方法及系统
CN112348172A (zh) * 2020-11-13 2021-02-09 之江实验室 一种基于端边云架构的深度神经网络协同推理方法
CN112685139A (zh) * 2021-01-11 2021-04-20 东北大学 基于K8S和Kubeedge的云边深度学习模型管理系统及模型训练方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180096249A1 (en) * 2016-10-04 2018-04-05 Electronics And Telecommunications Research Institute Convolutional neural network system using adaptive pruning and weight sharing and operation method thereof
CN110543803A (zh) * 2018-05-29 2019-12-06 菜鸟智能物流控股有限公司 监控方法、装置、服务器和存储介质
CN109886406A (zh) * 2019-02-25 2019-06-14 东南大学 一种基于深度压缩的复数卷积神经网络压缩方法
CN110084365A (zh) * 2019-03-13 2019-08-02 西安电子科技大学 一种基于深度学习的服务提供系统及方法
CN110119745A (zh) * 2019-04-03 2019-08-13 平安科技（深圳）有限公司 深度学习模型的压缩方法、装置、计算机设备及存储介质
CN111582016A (zh) * 2020-03-18 2020-08-25 宁波送变电建设有限公司永耀科技分公司 基于云边协同深度学习的智能免维护电网监控方法及系统
CN112348172A (zh) * 2020-11-13 2021-02-09 之江实验室 一种基于端边云架构的深度神经网络协同推理方法
CN112685139A (zh) * 2021-01-11 2021-04-20 东北大学 基于K8S和Kubeedge的云边深度学习模型管理系统及模型训练方法

Similar Documents

Publication Publication Date Title
CN104834713A (zh) 对终端设备的图像数据进行存储及传输处理的方法及系统
CN110247819B (zh) 一种基于加密流识别的Wi-Fi视频采集设备检测方法及系统
CN101741898A (zh) 一种视频型安防系统中的监视方法
CN101005611B (zh) 一种网吧视频监控和实名拍照系统及装置
US10194390B2 (en) Energy efficient communication for data asset transfers
CN101299690A (zh) 一种多媒体内容的监测方法、系统及装置
CN103383813A (zh) 手持移动终端实时在线车辆信息速查方法与系统
CN105447642A (zh) 一种基于二维码的工程数码照片验证系统以及验证方法
CN104462562A (zh) 一种基于数据仓库自动化的数据迁移系统及方法
Huamán et al. Authentication and integrity of smartphone videos through multimedia container structure analysis
CN105049798A (zh) 一种警员执法音视频记录系统及其记录方法
CN101872420A (zh) 一种可加密的手写签批移动终端
CN113221981A (zh) 一种面向边缘深度学习的数据协同处理优化方法
CN106034107A (zh) 一种数据处理方法、装置和智能电子设备
CN204859420U (zh) 一种智能楼宇视频监控系统
CN112966042A (zh) 一种基于区块链的执法记录仪信息处理方法及系统
CN107315974A (zh) 一种基于物联网的图像成型介质保护装置
CN106156032B (zh) 清理文件的识别方法及装置
CN111263113A (zh) 数据包的发送方法及装置、数据包的处理方法及装置
CN114598834A (zh) 一种视频处理方法、装置、电子设备及可读存储介质
CN110798656A (zh) 一种监控视频文件处理方法、装置、介质和设备
CN103067527A (zh) 一种智能传输、分布式存储和分发的方法
CN201674561U (zh) 一种可加密的手写签批移动终端
CN111885522A (zh) 带电作业检测的系统及方法
CN107169670B (zh) 一种执法记录评价系统及其方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210806

RJ01 Rejection of invention patent application after publication