CN113434295A - 基于边缘计算的农田监控方法、装置、设备及存储介质 - Google Patents
基于边缘计算的农田监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113434295A CN113434295A CN202110740064.5A CN202110740064A CN113434295A CN 113434295 A CN113434295 A CN 113434295A CN 202110740064 A CN202110740064 A CN 202110740064A CN 113434295 A CN113434295 A CN 113434295A
- Authority
- CN
- China
- Prior art keywords
- data
- farmland
- feature extraction
- model
- preset
- 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.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 143
- 238000001514 detection method Methods 0.000 claims abstract description 81
- 230000002159 abnormal effect Effects 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000013144 data compression Methods 0.000 claims abstract description 30
- 238000007906 compression Methods 0.000 claims description 79
- 230000006835 compression Effects 0.000 claims description 79
- 238000012549 training Methods 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 12
- 230000001960 triggered effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims 2
- 238000012806 monitoring device Methods 0.000 abstract description 17
- 238000007405 data analysis Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 241000283073 Equus caballus Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 241000009328 Perro Species 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/174—Redundancy elimination performed by the file system
- G06F16/1744—Redundancy elimination performed by the file system using compression, e.g. sparse files
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- 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)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据检测领域,公开了一种基于边缘计算的农田监控方法、装置、设备及存储介质。本方法包括:通过对采集的农田数据进行数据压缩,得到压缩数据;将压缩数据输入至预先训练好的特征提取模型中并通过特征提取模型对压缩数据进行特征提取,得到压缩数据的特征信息;对特征信息进行分析,确定特征信息中各数据对应的数据类型;基于预置边缘计算规则和数据类型,从预置模型库中调用与数据类型对应的数据处理模型对特征信息进行检测;待检测结果到达到告警阈值时,进行异常告警提示。本方案通过对农田数据进行存储和统一管理,并根据异常检测模型对农田数据进行异常检测及预警,实现对农田的监控。
Description
技术领域
本发明涉及物流运输管理领域,尤其涉及一种基于边缘计算的农田监控方法、装置、设备及存储介质。
背景技术
近年来,随着物联网、云计算等技术的兴起和普及,许多传统行业(如农业、畜牧业、水产养殖业等)都逐渐开始建设基于这两项技术的智能管理系统。在农业领域,多个农业大省、基地已经投入使用了基于物联网、云计算的自动化养殖监控系统,通过收集、处理各类传感器采集的农田光照、温湿度、pH值、等环境相关信息,通过高清摄像头采集农田动态视频信息,再由云处理决策服务器根据各项信息的具体参数综合判断进行预警和自动控制决策。
然而,这种平台由于各种传感器、摄像头等数据采集设备往往距离云处理决策服务中心较远,需要通过互联网进行远程传输,而且采集到的视频信息等数据量巨大,需要消耗大量的网络带宽,可能会导致较大的网络延迟甚至服务中断,对于一些紧急突发事件无法做出实时有效预警、控制和决策。
发明内容
本发明的主要目的是通过调用边缘计算平台对农田数据进行存储和统一管理,并根据异常检测模型对农田环境数据进行异常检测及预警,实现对农田的监控。
本发明第一方面提供了一种基于边缘计算的农田监控方法,包括:采集农田数据,并将所述农田数据存储至边缘计算平台的边缘硬件设备群内,其中,所述农田数据包括农田环境数据和农田视频数据;对所述农田数据进行数据压缩,得到压缩数据;将所述压缩数据输入至预先训练好的特征提取模型中,并通过所述特征提取模型中的至少一个卷积单元对所述压缩数据进行特征提取,得到所述压缩数据的特征信息;对所述特征信息进行分析,确定所述特征信息中各数据对应的数据类型,其中,所述数据类型包括文本数据和视频图像数据;基于预置边缘计算规则和所述数据类型,从预置模型库中调用与所述数据类型对应的数据处理模型对所述特征信息进行检测;确定所述检测结果是否达到预设告警阈值,到达到告警阈值时进行异常告警提示。
可选地,在本发明第一方面的第一种实现方式中,在所述确定所述检测结果是否达到预设告警阈值,到达到告警阈值时进行异常告警提示之后,还包括:将检测后的农田数据将同步至预置本地数据库,并对所述本地数据库进行更新。
可选地,在本发明第一方面的第二种实现方式中,所述对所述农田数据进行数据压缩,得到压缩数据包括:根据所述农田数据生成压缩配置文件,其中,所述压缩配置文件包括具有高压缩率的压缩算法;在所述压缩时间节点触发压缩启动指令;当所述压缩启动指令触发时,根据所述农田数据存储位置查找所述农田数据;根据所述压缩算法对所述农田数据进行压缩。
可选地,在本发明第一方面的第三种实现方式中,在所述将所述压缩数据输入至预先训练好的特征提取模型中,并通过所述特征提取模型中的至少一个卷积单元对所述压缩数据进行特征提取,得到所述压缩数据的特征信息之前,还包括:获取训练数据,所述训练数据包括每个样本数据对应的原始特征;通过所述训练数据训练初始特征提取模型,并得到所述初始特征提取模型的参数值;对所述初始特征提取模型的参数值进行筛选,得到目标参数值;通过所述目标参数值对所述初始特征提取模型进行重构,得到重构后的特征提取模型;将所述训练数据输入至所述重构后的特征提取模型中,得到每个样本数据的衍生特征;根据每个样本数据的衍生特征及每个样本数据对应的原始特征重新训练所述重构后的特征提取模型,直至迭代终止,得到特征提取模型。
可选地,在本发明第一方面的第四种实现方式中,所述对所述特征信息进行分析,确定所述特征信息中各数据对应的数据类型包括:对所述特征信息进行分析,得到所述特征信息中各数据携带的数据类型信息;计算所述数据类型信息与预设的数据类型的相似度;根据所述相似度,确定所述特征信息中各数据对应的数据类型。
可选地,在本发明第一方面的第五种实现方式中,在所述对所述特征信息进行分析,得到所述特征信息中各数据携带的数据类型信息之后,还包括:建立所述特征信息中各数据和对应的所述数据类型的映射关系;基于所述映射关系对所述压缩数据进行分类,得到文本数据和视频图像数据。
可选地,在本发明第一方面的第六种实现方式中,所述基于预置边缘计算规则和所述数据类型,从预置模型库中调用与所述数据类型对应的数据处理模型对所述特征信息进行检测包括:根据所述数据类型,从所述特征信息中筛选出所有文本特征数据和所有视频图像特征数据;将所述文本特征数据输入至预设的数据异常检测模型中,并调用该数据异常检测模型,分别对各维度的所述文本数据与同一维度的预设阈值进行比较;将所述视频图像数据输入至预设的图像异常检测模型中,调用所述图像异常检测模型解析所述图像视频中的区块和视频帧;根据预设的异常状态,对所述区块和所述视频帧中出现的异常状态进行识别。
本发明第二方面提供了一种基于边缘计算的农田监控装置,包括:采集模块,用于采集农田数据,并将所述农田数据存储至边缘计算平台的边缘硬件设备群内,其中,所述农田数据包括农田环境数据和农田视频数据;数据压缩模块,用于对所述农田数据进行数据压缩,得到压缩数据;特征提取模块,用于将所述压缩数据输入至预先训练好的特征提取模型中,并通过所述特征提取模型中的至少一个卷积单元对所述压缩数据进行特征提取,得到所述压缩数据的特征信息;分析模块,用于对所述特征信息进行分析,确定所述特征信息中各数据对应的数据类型,其中,所述数据类型包括文本数据和视频图像数据;检测模块,用于基于预置边缘计算规则和所述数据类型,从预置模型库中调用与所述数据类型对应的数据处理模型对所述特征信息进行检测;告警模块,用于确定所述检测结果是否达到预设告警阈值,到达到告警阈值时进行异常告警提示。
可选地,在本发明第二方面的第一种实现方式中,所述基于边缘计算的农田监控装置还包括:同步模块,用于将检测后的农田数据将同步至预置本地数据库,并对所述本地数据库进行更新。
可选地,在本发明第二方面的第二种实现方式中,所述压缩模块具体用于:根据所述农田数据生成压缩配置文件,其中,所述压缩配置文件包括具有高压缩率的压缩算法;在所述压缩时间节点触发压缩启动指令;当所述压缩启动指令触发时,根据所述农田数据存储位置查找所述农田数据;根据所述压缩算法对所述农田数据进行压缩。
可选地,在本发明第二方面的第三种实现方式中,所述基于边缘计算的农田监控装置还包括:获取模块,用于获取训练数据,所述训练数据包括每个样本数据对应的原始特征;第一训练模块,用于通过所述训练数据训练初始特征提取模型,并得到所述初始特征提取模型的参数值;筛选模块,用于对所述初始特征提取模型的参数值进行筛选,得到目标参数值;重构模块,用于通过所述目标参数值对所述初始特征提取模型进行重构,得到重构后的特征提取模型;输入模块,用于将所述训练数据输入至所述重构后的特征提取模型中,得到每个样本数据的衍生特征;第二训练模块,用于根据每个样本数据的衍生特征及每个样本数据对应的原始特征重新训练所述重构后的特征提取模型,直至迭代终止,得到特征提取模型。
可选地,在本发明第二方面的第四种实现方式中,所述分析模块包括:分析单元,用于对所述特征信息进行分析,得到所述特征信息中各数据携带的数据类型信息;计算单元,用于计算所述数据类型信息与预设的数据类型的相似度;确定单元,用于根据所述相似度,确定所述特征信息中各数据对应的数据类型。
可选地,在本发明第二方面的第五种实现方式中,所述分析模块还包括:建立单元,用于建立所述特征信息中各数据和对应的所述数据类型的映射关系;分类单元,用于基于所述映射关系对所述压缩数据进行分类,得到文本数据和视频图像数据。
可选地,在本发明第二方面的第六种实现方式中,所述检测模块具体用于:根据所述数据类型,从所述特征信息中筛选出所有文本特征数据和所有视频图像特征数据;将所述文本特征数据输入至预设的数据异常检测模型中,并调用该数据异常检测模型,分别对各维度的所述文本数据与同一维度的预设阈值进行比较;将所述视频图像数据输入至预设的图像异常检测模型中,调用所述图像异常检测模型解析所述图像视频中的区块和视频帧;根据预设的异常状态,对所述区块和所述视频帧中出现的异常状态进行识别。
本发明第三方面提供了一种基于边缘计算的农田监控设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于边缘计算的农田监控设备执行上述的基于边缘计算的农田监控方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于边缘计算的农田监控方法。
本发明提供的技术方案中,通过对采集的农田数据进行数据压缩,得到压缩数据;将压缩数据输入至预先训练好的特征提取模型中并通过特征提取模型对压缩数据进行特征提取,得到压缩数据的特征信息;对特征信息进行分析,确定特征信息中各数据对应的数据类型;基于预置边缘计算规则和数据类型,从预置模型库中调用与数据类型对应的数据处理模型对特征信息进行检测;待检测结果到达到告警阈值时,进行异常告警提示。本方案通过对农田数据进行存储和统一管理,并根据异常检测模型对农田数据进行异常检测及预警,实现对农田的监控。
附图说明
图1为本发明基于边缘计算的农田监控方法的第一个实施例示意图;
图2为本发明基于边缘计算的农田监控方法的第二个实施例示意图;
图3为本发明基于边缘计算的农田监控方法的第三个实施例示意图;
图4为本发明基于边缘计算的农田监控方法的第四个实施例示意图;
图5为本发明基于边缘计算的农田监控方法的第五个实施例示意图;
图6为本发明基于边缘计算的农田监控装置的第一个实施例示意图;
图7为本发明基于边缘计算的农田监控装置的第二个实施例示意图;
图8为本发明基于边缘计算的农田监控设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于边缘计算的农田监控方法、装置、设备及存储介质,本发明的技术方案中,首先通过对采集的农田数据进行数据压缩,得到压缩数据;将压缩数据输入至预先训练好的特征提取模型中并通过特征提取模型对压缩数据进行特征提取,得到压缩数据的特征信息;对特征信息进行分析,确定特征信息中各数据对应的数据类型;基于预置边缘计算规则和数据类型,从预置模型库中调用与数据类型对应的数据处理模型对特征信息进行检测;待检测结果到达到告警阈值时,进行异常告警提示。本方案通过对农田数据进行存储和统一管理,并根据异常检测模型对农田数据进行异常检测及预警,实现对农田的监控。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于边缘计算的农田监控方法的第一个实施例包括:
101、采集农田数据,并将农田数据存储至边缘计算平台的边缘硬件设备群内,其中,农田数据包括农田环境数据和农田视频数据;
本实施例中,其根据农产品智能品控的需要,分布设置在农田种植区域,以对各个目标种植区域内的农田数据进行检测,其中,所述农田数据包括环境数据和图像数据,所述环境数据为土壤中的各项指标,包括但不限于土壤湿度、土壤温度、土壤酸碱度,当然,环境数据还可以为其他农作物生长所需的数据,于此不进行限定。
另外,上述提到的农田视频数据,则是种植区域内指定农作物的生长图像,该生长图像是采用摄像头进行获取的,摄像头可根据管理需要对农作物的生长过程进行图像采集,以提供可视化的数据支持。
102、对农田数据进行数据压缩,得到压缩数据;
本实施例中,数据压缩是指在不丢失有用信息的前提下,缩减数据量以减少存储空间,提高其传输、存储和处理效率,或按照一定的算法对数据进行重新组织,减少数据的冗余和存储的空间的一种技术方法。数据压缩包括有损压缩和无损压缩。本实施例中,由于大多数传感器具有一定的计算能力,可以在传感器层对数据进行压缩,有助于系统降低边缘层的整体延迟、网络拥塞和计算复杂度。
在计算机科学和信息论中,数据压缩或者源编码是按照特定的编码机制用比未经编码少的数据位元(或者其它信息相关的单位)表示信息的过程。例如,如果我们将“compression”编码为“comp”那么这篇文章可以用较少的数据位表示。一种流行的压缩实例是许多计算机都在使用的ZIP文件格式,它不仅仅提供了压缩的功能,而且还作为归档工具(Archiver)使用,能够将许多文件存储到同一个文件中。
103、将压缩数据输入至预先训练好的特征提取模型中,并通过特征提取模型中的至少一个卷积单元对压缩数据进行特征提取,得到压缩数据的特征信息;
本实施例中,所述卷积单元包括至少两个并行的卷积层且所述卷积层之间的卷积核尺寸不同。所述的特征提取模型用于对目标图像进行特征提取,其中,具体的特征提取是通过特征提取模型中的至少一个卷积单元实现的。特征提取模型中卷积单元的数量可以根据实际使用场景进行具体设置,在此对特征提取模型中的卷积单元的数量并不做任何限制。
特征提取模型中的每个卷积单元均包括至少两个并行的卷积层且卷积层之间的卷积核尺寸不同,即,每个卷积单元包括两个或多个并行的卷积层。需要说明的是,特征提取模型的各个卷积单元中并行的卷积层的数量也可以是相同的,也可以是不同的,例如卷积单元1包括两个并行的卷积层,卷积单元2包括四个并行的卷积层等等。
所述并行的卷积层,即为卷积单元的输入分别送入两个或多个的卷积层中,进行并行的特征提取。例如,若卷积单元包括两个并行的卷积层,那么该卷积单元的输入分别输入这两个卷积层中,进行并行的特征提取。
在同一个卷积单元中,各个卷积层对应的卷积核的尺寸不同。例如,在卷积单元1中具有4个并行的卷积层,卷积层1的卷积核的尺寸为1*1,卷积层2的卷积核的尺寸为3*3,卷积层3的卷积核的尺寸为5*5,卷积层4的卷积核的尺寸为7*7。
104、对特征信息进行分析,确定特征信息中各数据对应的数据类型,其中,数据类型包括文本数据和视频图像数据;
本实施例中,对特征信息进行分析,并将所述特征信息中各数据对应的数据类型,其中,数据类型包括文本数据和视频图像数据。提取所述文本数据的维度特征信息,并计算所述维度特征信息与预设的维度类别的匹配度;根据所述匹配度确定所述文本数据中各数据对应的维度类别,并建立所述文本数据中各数据和对应的所述维度类别的映射关系;对所述文本特征数据和视频图像特征数据按照所述映射关系进行分类,得到各维度的数据。
105、基于预置边缘计算规则和数据类型,从预置模型库中调用与数据类型对应的数据处理模型对特征信息进行检测;
本实施例中,边缘计算,是指在靠近物或数据源头的一侧,采用网络、计算、存储、应用核心能力为一体的开放平台,就近提供最近端服务。其应用程序在边缘侧发起,产生更快的网络服务响应,满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间,或处于物理实体的顶端。而云端计算,仍然可以访问边缘计算的历史数据。
边缘层可以根据所处理的数据类型及目的不同,从模型库调用不同的模型资源。比如,判断传感器数据是否异常可以调用kmeans、LSTM,或者autoencoder模型;处理摄像头捕获的视频或图像类数据,则可以调用SVM或YOLO模型进行精准的数据处理,达到农田管理者预期的监测效果。
106、确定检测结果是否达到预设告警阈值,到达到告警阈值时进行异常告警提示。
本实施例中,一旦边缘层发现采集到的数据参数发现超出了阈值理想范围,就会产生报警信息,并可根据各参数情况由机器综合判断后下达控制指令,控制各农业设备的开启或关闭,并进行对应的预警控制或者发送到远程用户终端。其中,上述预警控制可以为控制农田灯光开启、控制农田内警示声音播放等,而上述远程用户终端可以是用户手机、电脑等通信设备。
本发明实施例中,通过对采集的农田数据进行数据压缩,得到压缩数据;将压缩数据输入至预先训练好的特征提取模型中并通过特征提取模型对压缩数据进行特征提取,得到压缩数据的特征信息;对特征信息进行分析,确定特征信息中各数据对应的数据类型;基于预置边缘计算规则和数据类型,从预置模型库中调用与数据类型对应的数据处理模型对特征信息进行检测;待检测结果到达到告警阈值时,进行异常告警提示。本方案通过对农田数据进行存储和统一管理,并根据异常检测模型对农田数据进行异常检测及预警,实现对农田的监控。
请参阅图2,本发明实施例中基于边缘计算的农田监控方法的第二个实施例包括:
201、采集农田数据,并将农田数据存储至边缘计算平台的边缘硬件设备群内,其中,农田数据包括农田环境数据和农田视频数据;
202、根据农田数据生成压缩配置文件,其中,压缩配置文件包括具有高压缩率的压缩算法;
本实施例中,服务器可以进一步对农田数据进行分析,生成压缩配置文件。本实施例中压缩配置文件可以包括压缩时间节点和压缩设定参数。其中压缩启时间节点为压缩任务启动的时间。当服务器检测到当前时间到达压缩时间节点时,可以发出压缩启动指令,启动数据压缩进程。
压缩设定参数可以包括农田数据的存储位置和采用的压缩算法。其中,农田数据的存储位置是指农田数据在集群中具体的存储位置,是对数据库进行分析后得到的数据地址。而压缩算法是后续进行压缩采用的算法,由于本实施例中是对冷数据和规律业务数据进行二次压缩,因此本实施例可以采用一些具有高压缩率的压缩算法,如gzip、lzo等压缩算法。由于针对的农田数据为冷数据或规律业务数据,调用次数较少,因此可以一定程度上牺牲压缩/解压速率,获得最大的存储空间利用效率。进一步地,对于冷数据,可以采用压缩率更高的压缩算法。对于规律业务数据,由于其在执行业务室需要进行解压,可以采用压缩速率相对较快的压缩算法。
203、在压缩时间节点触发压缩启动指令;
本实施例中,当系统检测到时间到达压缩时间节点时,可以触发压缩启动指令。其中,压缩时间节点可以针对规律业务数据设置。例如某个规律业务数据每天凌晨3-4点进行更新,那么这个规律业务数据的压缩时间节点可以在4点结束更新后的任意时间,例如4:05。在这个压缩时间节点启动压缩任务。对于冷数据,一般可以采用定时更新的机制,定时对索引库中的数据进行分析,对检测到未压缩的冷数据进行二次压缩。
本实施例中通过在指定压缩时间节点触发压缩启动指令实现了压缩任务的周期进行,确保了规律业务数据和冷数据在不是用的情况下随时处于二次压缩状态,节省了存储空间。
204、当压缩启动指令触发时,根据农田数据存储位置查找农田数据;
本实施例中,在启动指令出发后,服务器可以根据农田数据存储位置查找目标参数。本实施例中是对索引库数据进行分许,得到的是农田数据的存储位置,而不是具体的农田数据,因此在执行压缩任务的过程中,可以通过压缩设定参数中包含的农田数据存储位置,从集群中查找到对应的农田数据。
205、根据压缩算法对农田数据进行压缩,得到压缩数据;
本实施例中,在找到农田数据的实际存储位置后,本实施例中可以采用压缩设定参数中包含的压缩算法对其进行压缩。压缩后的数据可以存储在原农田数据所在的位置,也可以存储到其他位置,本实施例不做具体限定。
206、将压缩数据输入至预先训练好的特征提取模型中,并通过特征提取模型中的至少一个卷积单元对压缩数据进行特征提取,得到压缩数据的特征信息;
207、对特征信息进行分析,确定特征信息中各数据对应的数据类型,其中,数据类型包括文本数据和视频图像数据;
208、基于预置边缘计算规则和数据类型,从预置模型库中调用与数据类型对应的数据处理模型对特征信息进行检测;
209、确定检测结果是否达到预设告警阈值,到达到告警阈值时进行异常告警提示;
210、将检测后的农田数据将同步至预置本地数据库,并对本地数据库进行更新。
本实施例中,所有采集到的农田数据在检测之后将存储至本地数据库定期更新,并通过互联网上传一份至云服务器,进行长期保存和进一步数据分析挖掘,供用户随时随地使用各种终端设备(如PC端、手机端、平板端等)查询历史和报警数据,并进行人工决策下发指令。同时,边缘计算可以使海量视频数据在边缘层就完成处理和计算,仅上传异常部分,大大节省网络带宽。
本实施例中步骤201、205-208与第一实施例中的步骤101、103-106类似,此处不再赘述。
本发明实施例中,通过对采集的农田数据进行数据压缩,得到压缩数据;将压缩数据输入至预先训练好的特征提取模型中并通过特征提取模型对压缩数据进行特征提取,得到压缩数据的特征信息;对特征信息进行分析,确定特征信息中各数据对应的数据类型;基于预置边缘计算规则和数据类型,从预置模型库中调用与数据类型对应的数据处理模型对特征信息进行检测;待检测结果到达到告警阈值时,进行异常告警提示。本方案通过对农田数据进行存储和统一管理,并根据异常检测模型对农田数据进行异常检测及预警,实现对农田的监控。
请参阅图3,本发明实施例中基于边缘计算的农田监控方法的第三个实施例包括:
301、采集农田数据,并将农田数据存储至边缘计算平台的边缘硬件设备群内;
302、对农田数据进行数据压缩,得到压缩数据;
303、获取训练数据,训练数据包括每个样本数据对应的原始特征;
本实施例中,获取原始农田样本数据,对所述原始样本数据进行预处理,得到所述训练数据,所述预处理包括以下至少一种:归一化处理、缺失值填充、噪声数据处理、不一致数据的数据清理。其中,数据的归一化是将数据按比例缩放,使之落入一个小的特定区间。由于原始变量特征值中的各个特征度量单位是不同的,为了能够将指标参与评价计算,需要对指标进行规范化处理,通过函数变换将原始变量的数值映射到某个数值区间。本发明应用的归一化处理方法是z-score归一化方法。
缺失值填充的处理包括:删除含有缺失值的样,使用一个全局常量填充缺失值等等。噪声数据的处理包括噪声的平滑。噪声平滑:噪声(noise)是被测量变量的随机误差或偏差。给定一个数值属性,可以使用以下数据光滑技术来平滑噪声。例如分箱(binning)法等等。
304、通过训练数据训练初始特征提取模型,并得到初始特征提取模型的参数值;
本实施例中,所述初始特征提取模型包括循环神经网络模型,所述循环神经网络模型包括:输入层、隐藏层和输出层;输入层:用于定义元素的特征数据中不同类型的数据输入;隐藏层:用于利用激励函数对输入层输入的元素的特征数据进行非线性化处理;输出层:用于对隐藏层拟合的结果进行输出表示,输出元素的特征对应的数据类型;记忆单元:记忆单元在神经元内部决定是否应该写入或删除对信息的记忆,并将之前的记录的元素的特征数据、现在的记忆的元素的特征数据和当前输入的元素的特征结合在一起,对长期信息进行记录。
在利用神经网络的方法训练初始特征提取模型时,在停止训练时,即可输出初始特征提取模型的参数值。
305、对初始特征提取模型的参数值进行筛选,得到目标参数值;
本实施例中,由于在很多情况下,数据中的特征数量会远远超过训练数据的数量,为简化模型的训练,本发明使用基于BP神经网络的方法从特征提取器参数中进行特征选择,并以参数值X对特征提取模型状态Y变化的灵敏度δ作为评价参数值的度量,从而挑选出较灵敏的参数值,以便于后续从样本数据挖掘出更多的隐藏特征,即衍生特征。
在一具体实现中,所述对初始特征提取模型的参数值进行筛选,获取筛选后的参数值包括:计算所述初始特征提取模型的参数值相对于所述初始特征提取模型的灵敏度;根据灵敏度的高低对所述初始特征提取模型的参数值进行排序,从排序后的参数值中挑选排在前预设位数的参数值作为筛选后的参数值。
306、通过目标参数值对初始特征提取模型进行重构,得到重构后的特征提取模型;
本实施例中,所述利用筛选后的参数值重构所述初始特征提取模型,得到重构后的特征提取模型包括:在所述初始特征提取模型中,增加所述筛选后的参数值的权重以得到重构后的特征提取模型,减少所述初始特征提取模型的参数值中其他参数值的权重,这样便于特征提取模型的训练对灵敏度较高的参数对应的特征更加敏感,从而挖掘更多的隐藏特征。
307、将训练数据输入至重构后的特征提取模型中,得到每个样本数据的衍生特征;
本实施例中,训练所述重构后的特征提取模型的方法与上述训练所述初始特征提取模型方法相同。所述衍生特征是一种因原始特征的变化而变化的特征,根据该原始特征可以经由深度特征提取器得到衍生特征变量,衍生特征是指用原始数据进行特征学习得到新的特征,从而挖掘隐藏在原始数据中的特征。
308、根据每个样本数据的衍生特征及每个样本数据对应的原始特征重新训练重构后的特征提取模型,直至迭代终止,得到特征提取模型
本实施例中,将所述每个样本数据的衍生特征及每个样本数据的原始特征进行合并,得到每个样本数据的合并后的特征;利用随机森林变量的重要性方法,从每个样本数据的合并后的特征中筛选出每个样本数据的重要特征;利用所述训练数据中每个样本数据的重要特征重新训练所述重构后的特征提取模型,直至迭代终止,并得到训练好的特征提取模型。其中变量的重要性variable importance是衡量变量重要性的指标,其利用随机森林变量的重要性方法。
309、将压缩数据输入至预先训练好的特征提取模型中,并通过特征提取模型中的至少一个卷积单元对压缩数据进行特征提取,得到压缩数据的特征信息;
310、对特征信息进行分析,确定特征信息中各数据对应的数据类型,其中,数据类型包括文本数据和视频图像数据;
311、基于预置边缘计算规则和数据类型,从预置模型库中调用与数据类型对应的数据处理模型对特征信息进行检测;
312、确定检测结果是否达到预设告警阈值,到达到告警阈值时进行异常告警提示。
本实施例中步骤301-302、309-312与第一实施例中的步骤101-106类似,此处不再赘述。
本发明实施例中,通过对采集的农田数据进行数据压缩,得到压缩数据;将压缩数据输入至预先训练好的特征提取模型中并通过特征提取模型对压缩数据进行特征提取,得到压缩数据的特征信息;对特征信息进行分析,确定特征信息中各数据对应的数据类型;基于预置边缘计算规则和数据类型,从预置模型库中调用与数据类型对应的数据处理模型对特征信息进行检测;待检测结果到达到告警阈值时,进行异常告警提示。本方案通过对农田数据进行存储和统一管理,并根据异常检测模型对农田数据进行异常检测及预警,实现对农田的监控。
请参阅图4,本发明实施例中基于边缘计算的农田监控方法的第四个实施例包括:
401、采集农田数据,并将农田数据存储至边缘计算平台的边缘硬件设备群内;
402、对农田数据进行数据压缩,得到压缩数据;
403、将压缩数据输入至预先训练好的特征提取模型中,并通过特征提取模型中的至少一个卷积单元对压缩数据进行特征提取,得到压缩数据的特征信息;
404、建立特征信息中各数据和对应的数据类型的映射关系;
本实施例中,由于采集的农田数据中既包括采集光照、温度、湿度、PH值等传感器获取的农田环境数据,也包括高清摄像头拍摄的农田动态视频信息,所以对压缩后的农田数据进行特征提取之后,得到特征提取信息包括文本类型的特征信息和视频图像类型的特征信息。所以,需要预先建立特征信息中各个数据和数据类型之间的映射关系。
405、基于映射关系对压缩数据进行分类,得到文本数据和视频图像数据;
本实施例中,根据步骤404中得到的数据之间的映射关系,对压缩后的农田数据进行分类,得到压缩数据中包括的所有文本数据和视频图像数据。
406、对特征信息进行分析,得到特征信息中各数据携带的数据类型信息;
本实施例中,所述服务器可以根据所述数据分析信息包括的词语,从分析模型库中进行数据分析模型的匹配,将匹配获得的数据分析模型,作为所述待分析文本对应的数据分析模型,所述待分析文本对应的数据分析模型可以包括一个数据分析模型,两个数据分析模型或者两个以上的数据分析模型。其中,所述分析模型库是预设的,包括多个数据分析模型。所述数据分析模型根据实际需要进行设置,本发明实施例不做限定。例如,数据分析模型可以分为如下几类:趋势分析模型:用于分析一段时期以来某些维度、某些指标在一定条件下的变化情况。对比分析模型:用于分析各维度项某些指标在一定条件下的对比情况。结构/占比分析模型:用于分析各维度项以及子项的各种占比情况。相关性分析模型:用于分析不同维度项不同指标组合下的分布情况。
407、计算数据类型信息与预设的数据类型的相似度;
本实施例中,分别计算特征信息中各类型信息与预设的数据类型的相似度,此处可以使用相似度算法计算数据之间的相似度,根据所述相似度的值确定数据之间的匹配度。比如,kmeans聚类算法、LSTM模型,或者autoencoder模型。其中,kmeans聚类算法是最常用的聚类算法,主要思想是:在给定K值和K个初始类簇中心点的情况下,把每个点(亦即数据记录)分到离其最近的类簇中心点所代表的类簇中,所有点分配完毕之后,根据一个类簇内的所有点重新计算该类簇的中心点(取平均值),然后再迭代的进行分配点和更新类簇中心点的步骤,直至类簇中心点的变化很小,或者达到指定的迭代次数。
408、根据相似度,确定特征信息中各数据对应的数据类型;
本实施例中,假定给定数据样本X,包含了n个对象X={X1,X2,X3,...,Xn},其中每个对象都具有m个维度的属性。Kmeans算法的目标是将n个对象依据对象间的相似性聚集到指定的k个类簇中,每个对象属于且仅属于一个其到类簇中心距离最小的类簇中。对于Kmeans,首先需要初始化k个聚类中心{C1,C2,C3,...,Ck},1<k≤n,然后通过计算每一个对象到每一个聚类中心的欧式距离。根据所述欧氏距离的值(欧氏距离越小,数据越相似),确定特征信息中各数据对应的数据类型。
409、对特征信息进行分析,确定特征信息中各数据对应的数据类型;
410、基于预置边缘计算规则和数据类型,从预置模型库中调用与数据类型对应的数据处理模型对特征信息进行检测;
411、确定检测结果是否达到预设告警阈值,到达到告警阈值时进行异常告警提示。
本实施例中步骤401-403、409-411与第一实施例中的步骤101-106类似,此处不再赘述。
本发明实施例中,通过对采集的农田数据进行数据压缩,得到压缩数据;将压缩数据输入至预先训练好的特征提取模型中并通过特征提取模型对压缩数据进行特征提取,得到压缩数据的特征信息;对特征信息进行分析,确定特征信息中各数据对应的数据类型;基于预置边缘计算规则和数据类型,从预置模型库中调用与数据类型对应的数据处理模型对特征信息进行检测;待检测结果到达到告警阈值时,进行异常告警提示。本方案通过对农田数据进行存储和统一管理,并根据异常检测模型对农田数据进行异常检测及预警,实现对农田的监控。
请参阅图5,本发明实施例中基于边缘计算的农田监控方法的第五个实施例包括:
501、采集农田数据,并将农田数据存储至边缘计算平台的边缘硬件设备群内;
502、对农田数据进行数据压缩,得到压缩数据;
503、将压缩数据输入至预先训练好的特征提取模型中,并通过特征提取模型中的至少一个卷积单元对压缩数据进行特征提取,得到压缩数据的特征信息;
504、对特征信息进行分析,确定特征信息中各数据对应的数据类型,其中,数据类型包括文本数据和视频图像数据;
505、根据数据类型,从特征信息中筛选出所有文本特征数据和所有视频图像特征数据;
本实施例中,压缩数据中包括文本数据和视频图像数据。在压缩数据进行特征提取之后得到的特征数据中包括有文本特征数据和视频图像特征数据。比如,将压缩数据中的文本数据通过ALBERT神经网络模型中的嵌入向量参数化的因式分解、跨层参数共享、句间连贯性损失以及去除dropout等处理方式,将经过遮掩后的令牌向量、遮掩后的段向量以及遮掩后的位置向量的文本进行文本特征提取。进而得到ALBERT神经网络模型输出的各批次文本的文本特征。又比如,将压缩数据中的视频图像输入预设图像特征提取模型,图像特征提取模型将输入的图像,通过卷积神经网络处理后,得到对应的图像特征,具体以特征向量的形式输出模型。
506、将文本特征数据输入至预设的数据异常检测模型中,并调用该数据异常检测模型,分别对各维度的文本数据与同一维度的预设阈值进行比较;
本实施例中,由于大多数传感器具有一定的计算能力,可以在传感器层对数据进行压缩,有助于系统降低边缘层的整体延迟、网络拥塞和计算复杂度。边缘层可以根据所处理的数据类型及目的不同,从模型库调用不同的模型资源。比如,判断农田环境数据(文本数据)是否异常可以调用kmeans、LSTM,或者autoencoder模型;处理摄像头捕获的视频或图像类数据,则可以调用SVM或YOLO模型(图像)进行精准的数据处理,达到农田管理者预期的监测效果。
所以,当数据为文本类型的数据是,将该文本数据对应的文本特征数据输入至预设的数据异常检测模型中,并调用该数据异常检测模型,分别对各维度的文本数据与同一维度的预设阈值进行比较。
507、将视频图像数据输入至预设的图像异常检测模型中,调用图像异常检测模型解析图像视频中的区块和视频帧;
本实施例中,与步骤506相同,边缘层可以根据所处理的数据类型及目的不同,从模型库调用不同的模型资源。比如,当数据为视频或图像类数据,则可以调用SVM模型或YOLO模型等图像异常检测模型进行精准的数据处理。其中,YOLO模型为一种新的目标检测方法,该方法的特点是实现快速检测的同时还达到较高的准确率,可以采用单个神经网络直接预测物品边界和类别概率,实现端到端的物品检测。相对于其它目标检测与识别方法(比如Fast R-CNN)将目标识别任务分类目标区域预测和类别预测等多个流程,YOLO将目标区域预测和目标类别预测整合于单个神经网络模型中,实现在准确率较高的情况下快速目标检测与识别,更加适合现场应用环境。
本实施例中,YOLO模型采用卷积神经网络结构。开始的卷积层提取图像特征,全连接层预测输出概率。模型结构类似于GoogleNet。模型的工作过程分包括:(1)将原图划分为SxS的网格。如果一个目标的中心落入某个格子,这个格子就负责检测该目标。(2)每个网格要预测B个bounding boxes,以及C个类别概率Pr(classi|object)。其中,C是网络分类总数,由训练时决定。此处设定C=20,包含以下类别:人person鸟bird、猫cat、牛cow、狗dog、马horse、羊sheep飞机aeroplane、自行车bicycle、船boat、巴士bus、汽车car、摩托车motorbike、火车train瓶子bottle、椅子chair、餐桌dining table、盆景potted plant、沙发sofa、显示器tv/monitor在YOLO中,每个格子只有一个C类别,即相当于忽略了B个bounding boxes,每个格子只判断一次类别。(3)每个bounding box除了要回归自身的位置之外,还要附带预测一个confidence值。这个confidence代表了所预测的box中含有目标的置信度和这个bounding box预测的有多准两重信息。
508、根据预设的异常状态,对区块和视频帧中出现的异常状态进行识别;
本实施例中,在对提取到的特征数据进行压缩之前,需要现在系统中设置异常状态,以对比待检测目标是否异常。所以本步骤中,可以根据预设的异常状态,对区块和视频帧中出现的异常状态进行识别,判断对于视频图像是否有异常,一旦识别出异常情况则自动触发警报,同时将异常片段视频上传至云端并显示在本地终端,供人工判断异常等级。
509、确定检测结果是否达到预设告警阈值,到达到告警阈值时进行异常告警提示。
本实施例中步骤501-504、509与第一实施例中的101-104、106类似,此处不再赘述。
在本发明实施例中,通过对采集的农田数据进行数据压缩,得到压缩数据;将压缩数据输入至预先训练好的特征提取模型中并通过特征提取模型对压缩数据进行特征提取,得到压缩数据的特征信息;对特征信息进行分析,确定特征信息中各数据对应的数据类型;基于预置边缘计算规则和数据类型,从预置模型库中调用与数据类型对应的数据处理模型对特征信息进行检测;待检测结果到达到告警阈值时,进行异常告警提示。本方案通过对农田数据进行存储和统一管理,并根据异常检测模型对农田数据进行异常检测及预警,实现对农田的监控。
上面对本发明实施例中基于边缘计算的农田监控方法进行了描述,下面对本发明实施例中基于边缘计算的农田监控装置进行描述,请参阅图6,本发明实施例中基于边缘计算的农田监控装置的第一个实施例包括:
采集模块601,用于采集农田数据,并将所述农田数据存储至边缘计算平台的边缘硬件设备群内,其中,所述农田数据包括农田环境数据和农田视频数据;
数据压缩模块602,用于对所述农田数据进行数据压缩,得到压缩数据;
特征提取模块603,用于将所述压缩数据输入至预先训练好的特征提取模型中,并通过所述特征提取模型中的至少一个卷积单元对所述压缩数据进行特征提取,得到所述压缩数据的特征信息;
分析模块604,用于对所述特征信息进行分析,确定所述特征信息中各数据对应的数据类型,其中,所述数据类型包括文本数据和视频图像数据;
检测模块605,用于基于预置边缘计算规则和所述数据类型,从预置模型库中调用与所述数据类型对应的数据处理模型对所述特征信息进行检测;
告警模块606,用于确定所述检测结果是否达到预设告警阈值,到达到告警阈值时进行异常告警提示。
本发明实施例中,通过对采集的农田数据进行数据压缩,得到压缩数据;将压缩数据输入至预先训练好的特征提取模型中并通过特征提取模型对压缩数据进行特征提取,得到压缩数据的特征信息;对特征信息进行分析,确定特征信息中各数据对应的数据类型;基于预置边缘计算规则和数据类型,从预置模型库中调用与数据类型对应的数据处理模型对特征信息进行检测;待检测结果到达到告警阈值时,进行异常告警提示。本方案通过对农田数据进行存储和统一管理,并根据异常检测模型对农田数据进行异常检测及预警,实现对农田的监控。
请参阅图7,本发明实施例中基于边缘计算的农田监控装置的第二个实施例,该基于边缘计算的农田监控装置具体包括:
采集模块601,用于采集农田数据,并将所述农田数据存储至边缘计算平台的边缘硬件设备群内,其中,所述农田数据包括农田环境数据和农田视频数据;
数据压缩模块602,用于对所述农田数据进行数据压缩,得到压缩数据;
特征提取模块603,用于将所述压缩数据输入至预先训练好的特征提取模型中,并通过所述特征提取模型中的至少一个卷积单元对所述压缩数据进行特征提取,得到所述压缩数据的特征信息;
分析模块604,用于对所述特征信息进行分析,确定所述特征信息中各数据对应的数据类型,其中,所述数据类型包括文本数据和视频图像数据;
检测模块605,用于基于预置边缘计算规则和所述数据类型,从预置模型库中调用与所述数据类型对应的数据处理模型对所述特征信息进行检测;
告警模块606,用于确定所述检测结果是否达到预设告警阈值,到达到告警阈值时进行异常告警提示。
本实施例中,所述基于边缘计算的农田监控装置还包括:
同步模块607,用于将检测后的农田数据将同步至预置本地数据库,并对所述本地数据库进行更新。
本实施例中,所述压缩模块602具体用于:
根据所述农田数据生成压缩配置文件,其中,所述压缩配置文件包括具有高压缩率的压缩算法;
在所述压缩时间节点触发压缩启动指令;
当所述压缩启动指令触发时,根据所述农田数据存储位置查找所述农田数据;
根据所述压缩算法对所述农田数据进行压缩。
本实施例中,所述基于边缘计算的农田监控装置还包括:
获取模块608,用于获取训练数据,所述训练数据包括每个样本数据对应的原始特征;
第一训练模块609,用于通过所述训练数据训练初始特征提取模型,并得到所述初始特征提取模型的参数值;
筛选模块610,用于对所述初始特征提取模型的参数值进行筛选,得到目标参数值;
重构模块611,用于通过所述目标参数值对所述初始特征提取模型进行重构,得到重构后的特征提取模型;
输入模块612,用于将所述训练数据输入至所述重构后的特征提取模型中,得到每个样本数据的衍生特征;
第二训练模块613,用于根据每个样本数据的衍生特征及每个样本数据对应的原始特征重新训练所述重构后的特征提取模型,直至迭代终止,得到特征提取模型。
本实施例中,所述分析模块604包括:
分析单元6041,用于对所述特征信息进行分析,得到所述特征信息中各数据携带的数据类型信息;
计算单元6042,用于计算所述数据类型信息与预设的数据类型的相似度;
确定单元6043,用于根据所述相似度,确定所述特征信息中各数据对应的数据类型。
本实施例中,所述检测模块605具体用于:
根据所述数据类型,从所述特征信息中筛选出所有文本特征数据和所有视频图像特征数据;
将所述文本特征数据输入至预设的数据异常检测模型中,并调用该数据异常检测模型,分别对各维度的所述文本数据与同一维度的预设阈值进行比较;
将所述视频图像数据输入至预设的图像异常检测模型中,调用所述图像异常检测模型解析所述图像视频中的区块和视频帧;
根据预设的异常状态,对所述区块和所述视频帧中出现的异常状态进行识别。
本发明实施例中,通过对采集的农田数据进行数据压缩,得到压缩数据;将压缩数据输入至预先训练好的特征提取模型中并通过特征提取模型对压缩数据进行特征提取,得到压缩数据的特征信息;对特征信息进行分析,确定特征信息中各数据对应的数据类型;基于预置边缘计算规则和数据类型,从预置模型库中调用与数据类型对应的数据处理模型对特征信息进行检测;待检测结果到达到告警阈值时,进行异常告警提示。本方案通过对农田数据进行存储和统一管理,并根据异常检测模型对农田数据进行异常检测及预警,实现对农田的监控。
上面图6和图7从模块化功能实体的角度对本发明实施例中的基于边缘计算的农田监控装置进行详细描述,下面从硬件处理的角度对本发明实施例中基于边缘计算的农田监控设备进行详细描述。
图8是本发明实施例提供的一种基于边缘计算的农田监控设备的结构示意图,该基于边缘计算的农田监控设备800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)810(例如,一个或一个以上处理器)和存储器820,一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中,存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于边缘计算的农田监控设备800中的一系列指令操作。更进一步地,处理器810可以设置为与存储介质830通信,在基于边缘计算的农田监控设备800上执行存储介质830中的一系列指令操作,以实现上述各方法实施例提供的基于边缘计算的农田监控方法的步骤。
基于边缘计算的农田监控设备800还可以包括一个或一个以上电源840,一个或一个以上有线或无线网络接口850,一个或一个以上输入输出接口860,和/或,一个或一个以上操作系统831,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图8示出的基于边缘计算的农田监控设备结构并不构成对本申请提供的基于边缘计算的农田监控设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行上述基于边缘计算的农田监控方法的步骤。
所述领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于边缘计算的农田监控方法,其特征在于,所述基于边缘计算的农田监控方法包括:
采集农田数据,并将所述农田数据存储至边缘计算平台的边缘硬件设备群内,其中,所述农田数据包括农田环境数据和农田视频数据;
对所述农田数据进行数据压缩,得到压缩数据;
将所述压缩数据输入至预先训练好的特征提取模型中,并通过所述特征提取模型中的至少一个卷积单元对所述压缩数据进行特征提取,得到所述压缩数据的特征信息;
对所述特征信息进行分析,确定所述特征信息中各数据对应的数据类型,其中,所述数据类型包括文本数据和视频图像数据;
基于预置边缘计算规则和所述数据类型,从预置模型库中调用与所述数据类型对应的数据处理模型对所述特征信息进行检测;
确定所述检测结果是否达到预设告警阈值,到达到告警阈值时进行异常告警提示。
2.根据权利要求1所述的基于边缘计算的农田监控方法,其特征在于,在所述确定所述检测结果是否达到预设告警阈值,到达到告警阈值时进行异常告警提示之后,还包括:
将检测后的农田数据将同步至预置本地数据库,并对所述本地数据库进行更新。
3.根据权利要求1所述的基于边缘计算的农田监控方法,其特征在于,所述对所述农田数据进行数据压缩,得到压缩数据包括:
根据所述农田数据生成压缩配置文件,其中,所述压缩配置文件包括具有高压缩率的压缩算法;
在所述压缩时间节点触发压缩启动指令;
当所述压缩启动指令触发时,根据所述农田数据存储位置查找所述农田数据;
根据所述压缩算法对所述农田数据进行压缩。
4.根据权利要求1所述的基于边缘计算的农田监控方法,其特征在于,在所述将所述压缩数据输入至预先训练好的特征提取模型中,并通过所述特征提取模型中的至少一个卷积单元对所述压缩数据进行特征提取,得到所述压缩数据的特征信息之前,还包括:
获取训练数据,所述训练数据包括每个样本数据对应的原始特征;
通过所述训练数据训练初始特征提取模型,并得到所述初始特征提取模型的参数值;
对所述初始特征提取模型的参数值进行筛选,得到目标参数值;
通过所述目标参数值对所述初始特征提取模型进行重构,得到重构后的特征提取模型;
将所述训练数据输入至所述重构后的特征提取模型中,得到每个样本数据的衍生特征;
根据每个样本数据的衍生特征及每个样本数据对应的原始特征重新训练所述重构后的特征提取模型,直至迭代终止,得到特征提取模型。
5.根据权利要求1所述的基于边缘计算的农田监控方法,其特征在于,所述对所述特征信息进行分析,确定所述特征信息中各数据对应的数据类型包括:
对所述特征信息进行分析,得到所述特征信息中各数据携带的数据类型信息;
计算所述数据类型信息与预设的数据类型的相似度;
根据所述相似度,确定所述特征信息中各数据对应的数据类型。
6.根据权利要求4所述的基于边缘计算的农田监控方法,其特征在于,在所述对所述特征信息进行分析,得到所述特征信息中各数据携带的数据类型信息之后,还包括:
建立所述特征信息中各数据和对应的所述数据类型的映射关系;
基于所述映射关系对所述压缩数据进行分类,得到文本数据和视频图像数据。
7.根据权利要求1所述的基于边缘计算的农田监控方法,其特征在于,所述基于预置边缘计算规则和所述数据类型,从预置模型库中调用与所述数据类型对应的数据处理模型对所述特征信息进行检测包括:
根据所述数据类型,从所述特征信息中筛选出所有文本特征数据和所有视频图像特征数据;
将所述文本特征数据输入至预设的数据异常检测模型中,并调用该数据异常检测模型,分别对各维度的所述文本数据与同一维度的预设阈值进行比较;
将所述视频图像数据输入至预设的图像异常检测模型中,调用所述图像异常检测模型解析所述图像视频中的区块和视频帧;
根据预设的异常状态,对所述区块和所述视频帧中出现的异常状态进行识别。
8.一种基于边缘计算的农田监控装置,其特征在于,所述基于边缘计算的农田监控装置包括:
采集模块,用于采集农田数据,并将所述农田数据存储至边缘计算平台的边缘硬件设备群内,其中,所述农田数据包括农田环境数据和农田视频数据;
数据压缩模块,用于对所述农田数据进行数据压缩,得到压缩数据;
特征提取模块,用于将所述压缩数据输入至预先训练好的特征提取模型中,并通过所述特征提取模型中的至少一个卷积单元对所述压缩数据进行特征提取,得到所述压缩数据的特征信息;
分析模块,用于对所述特征信息进行分析,确定所述特征信息中各数据对应的数据类型,其中,所述数据类型包括文本数据和视频图像数据;
检测模块,用于基于预置边缘计算规则和所述数据类型,从预置模型库中调用与所述数据类型对应的数据处理模型对所述特征信息进行检测;
告警模块,用于确定所述检测结果是否达到预设告警阈值,到达到告警阈值时进行异常告警提示。
9.一种基于边缘计算的农田监控设备,其特征在于,所述基于边缘计算的农田监控设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于边缘计算的农田监控设备执行如权利要求1-7中任一项所述的基于边缘计算的农田监控方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于边缘计算的农田监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110740064.5A CN113434295B (zh) | 2021-06-30 | 2021-06-30 | 基于边缘计算的农田监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110740064.5A CN113434295B (zh) | 2021-06-30 | 2021-06-30 | 基于边缘计算的农田监控方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113434295A true CN113434295A (zh) | 2021-09-24 |
CN113434295B CN113434295B (zh) | 2023-06-20 |
Family
ID=77758291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110740064.5A Active CN113434295B (zh) | 2021-06-30 | 2021-06-30 | 基于边缘计算的农田监控方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113434295B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885452A (zh) * | 2019-01-23 | 2019-06-14 | 平安科技(深圳)有限公司 | 性能监控方法、装置及终端设备 |
CN110222087A (zh) * | 2019-05-15 | 2019-09-10 | 平安科技(深圳)有限公司 | 特征提取方法、装置及计算机可读存储介质 |
CN111818146A (zh) * | 2020-07-01 | 2020-10-23 | 深圳市中深农创科技有限公司 | Soa云雾计算智慧农业数据处理方法及系统 |
US20210096911A1 (en) * | 2020-08-17 | 2021-04-01 | Essence Information Technology Co., Ltd | Fine granularity real-time supervision system based on edge computing |
-
2021
- 2021-06-30 CN CN202110740064.5A patent/CN113434295B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885452A (zh) * | 2019-01-23 | 2019-06-14 | 平安科技(深圳)有限公司 | 性能监控方法、装置及终端设备 |
CN110222087A (zh) * | 2019-05-15 | 2019-09-10 | 平安科技(深圳)有限公司 | 特征提取方法、装置及计算机可读存储介质 |
CN111818146A (zh) * | 2020-07-01 | 2020-10-23 | 深圳市中深农创科技有限公司 | Soa云雾计算智慧农业数据处理方法及系统 |
US20210096911A1 (en) * | 2020-08-17 | 2021-04-01 | Essence Information Technology Co., Ltd | Fine granularity real-time supervision system based on edge computing |
Non-Patent Citations (2)
Title |
---|
李爱国等著: "《数据挖掘原理、算法及应用》", 31 January 2012, 西安电子科技大学出版社 * |
杨丽丽等: "基于聚类分析的农业SCADA服务器预警阈值提取方法", 农业工程学报 * |
Also Published As
Publication number | Publication date |
---|---|
CN113434295B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101830056B1 (ko) | 딥러닝 기반의 병해 진단 시스템 및 그 이용방법 | |
CN110097037B (zh) | 智能监测方法、装置、存储介质及电子设备 | |
Revathy et al. | Comparative analysis of C4. 5 and C5. 0 algorithms on crop pest data | |
Dhevi | Imputing missing values using Inverse Distance Weighted Interpolation for time series data | |
CN105144200A (zh) | 用于处理非结构化数字的基于内容的检索引擎 | |
CN112800116A (zh) | 一种业务数据的异常检测方法及装置 | |
Sur et al. | Improved supervised classification of accelerometry data to distinguish behaviors of soaring birds | |
CN110598065A (zh) | 一种数据挖掘方法、装置和计算机可读存储介质 | |
CN116438544B (zh) | 用于特定领域神经网络修剪的系统和方法 | |
CN110472659B (zh) | 数据处理方法、装置、计算机可读存储介质和计算机设备 | |
CN111612491B (zh) | 状态分析模型构建方法、分析方法及装置 | |
KR102495419B1 (ko) | 인공지능 기반의 병해충 진단 시스템 및 방법 | |
CN116610735B (zh) | 一种数据存储的智能管理方法及系统 | |
CN115374927A (zh) | 一种神经网络模型训练的方法、异常检测的方法及设备 | |
CN113434295B (zh) | 基于边缘计算的农田监控方法、装置、设备及存储介质 | |
CN114641795A (zh) | 物体检索装置及物体检索方法 | |
CN117196105A (zh) | 人数预测方法、装置、计算机设备、存储介质 | |
CN111027771A (zh) | 景区客流量预估方法、系统、装置及可存储介质 | |
US20230169416A1 (en) | Pest distribution modeling with hybrid mechanistic and machine learning models | |
Angdresey et al. | A real-time water quality and quantity monitoring system for aquarium | |
US20210067381A1 (en) | Time-series data processing method, corresponding processing system, device and computer program product | |
Gunes et al. | Classification of hazelnuts with CNN based deep learning system | |
CN114529816A (zh) | 一种基于图像识别的茶园病虫害监测系统 | |
Milenova et al. | Mining high-dimensional data for information fusion: a database-centric approach | |
Majewski et al. | Prediction of the remaining time of the foraging activity of honey bees using spatio-temporal correction and periodic model re-fitting |
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 |