CN114138501A - 用于现场安全监控的边缘智能服务的处理方法和装置 - Google Patents

Abstract

本申请公开了一种用于现场安全监控的边缘智能服务的处理方法和装置，通过在边缘计算装置的注册请求中携带其设备功能属性和可用计算能力信息，基于该设备功能属性和可用计算能力信息构建边缘服务应用程序及其识别模型的算力匹配矩阵，根据所述算力匹配矩阵创建多个边缘计算装置与边缘服务应用程序的第一映射关系和与识别模型的第二映射关系，根据所述第一映射关系和第二映射关系，从所述云端管理服务器向所述至少一个边缘计算装置中的每个边缘计算装置分别分发所述每个边缘计算装置对应的边缘服务应用程序和识别模型。本实施例可以实现边缘计算装置的快速部署组网和算力资源的合理利用，提高边缘服务应用部署的效率。

Description

用于现场安全监控的边缘智能服务的处理方法和装置

技术领域

本申请涉及边缘计算技术领域，具体而言，涉及一种用于现场安全监控的边缘智能服务的处理方法和装置。

背景技术

随着物联网的快速发展，以传统的云计算模型为核心的业务应用模式无法高效处理边缘终端设备产生的数据，由此催生出了面向边缘设备的数据计算的边缘计算模型。现有技术中，电网作业现场的安全监控涉及各种类型的监控终端设备，随着监控终端设备数量的不断增多以及监控终端设备产生的海量监控数据的处理需求，业内正在探索利用边缘计算技术和人工智能技术实现各作业现场的安全管控的数字化、智能化方案。

在基于边缘计算的数字化安全监控系统中，基于成本和不同业务监控需求，需要接入不同类型的边缘计算装置以实现对不同终端设备的数据采集和处理，并将不同的算法模型和应用程序部署到边缘计算装置，现有的一种方案是采用人工配置的方式在首次接入边缘计算装置前配置和安装每个边缘计算装置运行的程序和算法模型，效率低下，且不利于边缘计算装置的快速部署和算力的合理分配利用。

发明内容

为了解决上述问题，本申请提出一种用于现场安全监控的边缘智能服务的处理方法和装置，以实现边缘计算装置的快速部署组网和算力资源的合理利用，提高边缘服务应用部署的效率。

第一方面，本申请提出一种用于现场安全监控的边缘智能服务的处理方法，包括：

接收多个边缘计算装置的注册请求，所述注册请求携带有所述边缘计算装置的设备功能属性和可用计算能力信息，其中所述多个边缘计算装置位于作业现场，通信连接至云端管理服务器；

根据所述多个边缘计算装置的设备功能属性和可用计算能力信息构建至少一个边缘服务应用程序及其识别模型的算力匹配矩阵，根据所述算力匹配矩阵创建所述多个边缘计算装置与所述至少一个边缘服务应用程序的第一映射关系和所述多个边缘计算装置与所述至少一个识别模型的第二映射关系；

根据所述第一映射关系和第二映射关系，从所述云端管理服务器向所述多个边缘计算装置中的每个边缘计算装置分别分发所述每个边缘计算装置对应的边缘服务应用程序和识别模型，其中，所述对应的边缘服务应用程序和识别模型在所述边缘计算装置执行以实现对至少一个终端设备采集的视频图像数据的实时处理和识别功能。

在可选的实施方式中，所述方法还包括：

记录每个边缘服务应用程序及其识别模型的部署属性信息，其中所述部署属性信息包括边缘服务应用程序及其识别模型对边缘计算装置的设备功能属性需求和计算能力需求；

所述算力匹配矩阵用于表征边缘服务应用程序及其识别模型对边缘计算装置的设备功能属性需求和计算能力需求与所述多个边缘计算装置的设备功能属性和可用计算能力信息之间的匹配关系。

在可选的实施方式中，所述方法还包括：

对至少一个图像识别算法模型进行模型量化和剪枝处理，转换为标准化格式的轻量化模型，从而得到所述至少一个识别模型。

在可选的实施方式中，所述方法还包括：

判断所述至少一个边缘服务应用程序中任一边缘服务应用程序是否已经发生更新，如是，则根据所述第一映射关系，从所述云端管理服务器向关联所述任一边缘服务应用程序的每个边缘计算装置分别分发更新后的边缘服务应用程序。

在可选的实施方式中，所述方法还包括：

判断所述至少一个识别模型中任一识别模型是否已经发生更新，如是，则根据所述第二映射关系，从所述云端管理服务器向关联所述任一识别模型的每个边缘计算装置分别分发更新后的识别模型。

在可选的实施方式中，所述方法还包括：

接收所述多个边缘计算装置中任一边缘计算装置对所需的识别模型的分发请求；

响应于所述分发请求，从所述云端管理服务器向所述任一边缘计算装置分发所述所需的识别模型。

在可选的实施方式中，所述方法还包括：

接收所述多个边缘计算装置中任一边缘计算装置对所需的识别模型的更新请求；

响应于所述更新请求，从所述云端管理服务器向所述任一边缘计算装置分发更新后的所需的识别模型。

在可选的实施方式中，所述至少一个边缘服务应用程序包括利用容器技术实现的自包含的人员管理应用程序、违章识别应用程序、设备识别应用程序中任一或任意组合。

在可选的实施方式中，所述至少一个识别模型包括人员识别模型、违章行为识别模型、设备状态识别模型中的任一或任意组合，其中所述人员识别模型还包括人员识别规则库，所述违章行为识别模型还包括违章行为识别规则库，所述设备状态识别模型还包括设备状态识别规则库。

第二方面，本申请提出一种用于现场安全监控的边缘智能服务的处理装置，包括：

管理单元，用于接收多个边缘计算装置的注册请求，所述注册请求携带有所述边缘计算装置的设备功能属性和可用计算能力信息，其中所述多个边缘计算装置位于作业现场，通信连接至云端管理服务器；

映射单元，用于根据所述多个边缘计算装置的设备功能属性和可用计算能力信息构建至少一个边缘服务应用程序及其识别模型的算力匹配矩阵，根据所述算力匹配矩阵创建所述多个边缘计算装置与所述至少一个边缘服务应用程序的第一映射关系和所述多个边缘计算装置与所述至少一个识别模型的第二映射关系；

分发单元，用于根据所述第一映射关系和第二映射关系，从所述云端管理服务器向所述多个边缘计算装置中的每个边缘计算装置分别分发所述每个边缘计算装置对应的边缘服务应用程序和识别模型，其中，所述对应的边缘服务应用程序和识别模型在所述边缘计算装置执行以实现对至少一个终端设备采集的视频图像数据的实时处理和识别功能。

第三方面，本申请还提出一种服务器，包括：

一个或多个处理器；

存储器，用于存储一个或多个计算机程序；其中，所述计算机程序被所述一个或多个处理器执行以实现如前述任一实施方式所述的处理方法的步骤。

本申请实施例至少可以达到如下有益效果：本实施例可以用于基于边缘计算的作业现场安全监控系统，通过在边缘计算装置的注册请求中携带其设备功能属性和可用计算能力信息构建，基于该设备功能属性和可用计算能力信息构建边缘服务应用程序及其识别模型的算力匹配矩阵，根据所述算力匹配矩阵创建多个边缘计算装置与边缘服务应用程序的第一映射关系和与识别模型的第二映射关系，根据所述第一映射关系和第二映射关系，从所述云端管理服务器向所述多个边缘计算装置中的每个边缘计算装置分别分发所述每个边缘计算装置对应的边缘服务应用程序和识别模型，从而可以在需要接入不同类型、不同厂商、不同功能配置和可用计算能力的边缘计算装置时，实现边缘计算装置的快速部署组网和算力资源的合理利用，提高边缘服务应用部署的效率。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍。应当理解，以下附图仅示出了本申请的某些实施例，而不应被看作是对本申请范围的限制。

图1是本申请实施例涉及的基于边缘计算的作业现场安全监控系统100的结构示意图；

图2是根据本申请一实施例的用于现场安全监控的边缘智能服务的处理方法的流程示意图；

图3是本申请一实施例涉及的算力匹配矩阵的结构示意图；

图4是本申请另一实施例涉及的算力匹配矩阵的结构示意图；

图5是根据本申请一实施例的用于现场安全监控的边缘智能服务的处理装置500的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请实施例的附图，对本申请实施例中的技术方案进行清楚、完整地描述。然而应当理解，所描述的实施例仅仅是本申请的部分示例性实施例，而不是全部实施例，因此以下对本申请实施例的详细描述并非旨在限制要求保护的本申请的范围。基于本申请的实施例，本领域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他实施例，都属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书中的术语“第一”、“第二”等仅是用于区别描述类似的对象，而不是用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。

如图1所示，本申请实施例应用于基于边缘计算的作业现场安全监控系统100。该作业现场安全监控系统100可以包括云端管理服务器110、多个位于作业现场的边缘计算装置120、多个位于作业现场的终端设备130。其中，多个边缘计算装置120通信连接至所述云端管理服务器110，用于分别基于多个终端设备130中的至少部分终端设备所采集的视频图像数据执行图像数据的实时识别和处理，以便向云端管理服务器110发送识别处理结果。

云端管理服务器110可以是位于云端的单个服务器，也可以是多个服务器组成的服务器集群。云端管理服务器110可以基于云计算平台实现，作为示例，这种云计算平台可以包括私有云、公有云、混合云等多种类型或者它们的任意组合。其中，云端管理服务器110部署有边缘智能服务111。边缘智能服务111主要实现作业现场的边缘计算装置120的统一管理以及边缘服务应用程序（APP）、算法模型的部署和迭代更新。

此外，云端管理服务器110还安装有安全生产风险管控平台112，为管理人员对现场作业的安全管控提供系统智能化支持。边缘智能服务111横向与安全生产风险管控平台112实现业务数据交互，纵向与边缘计算装置120以云边协同的方式实现设备信息、应用程序和算法模型的实时处理信息的交互。

边缘计算装置120与终端设备130边端协同，终端设备130以无线或有线通信的方式接入目标边缘计算装置120，实现作业现场的目标对象的视频数据、定位数据等数据的现场采集，由目标边缘计算装置120执行对应业务功能的应用程序和算法模型，进行实时图像识别和处理，并向边缘智能服务111输出识别处理结果。边缘计算装置120具有现场智能探测各终端设备130的接入的能力，并且支持作业现场WiFi自组网的功能。同时，边缘计算装置120可以通过北斗卫星通信、以太网、4G/5G专网、无线专网等多种远程通信方式与云端管理服务器110进行安全连接交互。

在系统100中，边缘计算装置120在接入边缘计算网络进行组网时，必须事先部署相关的应用程序和算法模型，一种可行的部署方式是采用人工配置的方式在首次接入边缘计算装置120前配置和安装每个边缘计算装置120运行的应用程序和算法模型，然而，基于成本的考量和不同的业务需求，系统100中通常需要接入不同类型、不同厂商的边缘计算装置120，这些边缘计算装置120可能具有不同的硬件配置和功能配置，所支持的边缘计算能力也存在差异，现有的应用程序和算法模型的部署方式效率低下，且不利于边缘计算装置的快速部署组网和算力资源的合理利用。为了解决这个问题，本申请提出一种用于现场安全监控的边缘智能服务的处理方法，可以实现边缘计算装置的快速部署组网和算力资源的合理利用，提高边缘服务应用部署的效率。

图2是根据本申请一实施例的用于现场安全监控的边缘智能服务的处理方法的流程示意图。如图2所示，本申请实施例的边缘智能服务的处理方法，实现于系统100中，包括以下步骤：

步骤S210，接收多个边缘计算装置120的注册请求，所述注册请求携带有所述边缘计算装置120的设备功能属性和可用计算能力信息，其中所述多个边缘计算装置120位于作业现场，通信连接至云端管理服务器110。

本实施例中，多个边缘计算装置120在通过通信网络接入云端管理服务器110之后，首先向云端管理服务器110的边缘智能服务111发送注册请求，该注册请求携带了边缘计算装置120的设备功能属性和可用计算能力信息。

边缘计算装置120的设备功能属性用于指示当前边缘计算装置所支持的终端设备接入功能、应用程序执行框架和模型运行框架等。在一些实施方式中，边缘计算装置所支持的终端设备接入功能可以包括视频接入路数。具有不同的视频接入路数的边缘计算装置所支持同时接入的终端设备130的数量是不同的，决定着该边缘计算装置是否可以部署相应的视频监控业务应用。边缘计算装置所支持的应用程序运行框架和模型运行框架决定该边缘计算装置是否支持云端管理服务器110上所开发上架的各类边缘服务应用程序以及预训练的算法模型的执行。作为示例之一，边缘计算装置所支持的应用程序运行框架可以包括边缘计算装置支持的容器执行环境，如Docker或者Kubernetes。边缘计算装置所支持的模型运行框架可以包括边缘计算装置支持的AI模型格式，例如是否支持开放式神经网络交换（ONNX）模型。ONNX模型为AI模型提供开源的标准化格式，它定义了可扩展的计算图模型，以及内置运算符和标准数据类型的定义，可以支撑边缘计算装置对轻量化模型的统一部署。

边缘计算装置120的可用计算能力信息用于指示当前边缘计算装置具有的可用计算能力度量数据。可用计算能力度量数据可以用来表征边缘计算设备还能够继续运行边缘服务应用程序和算法模型的边缘计算能力。随着边缘计算装置中安装的应用数量、并发任务增多，边缘计算装置的可用计算能力度量数据会发生衰减。当边缘计算装置的计算能力不足以支持拟部署的边缘服务应用程序和算法模型时，可能会导致边缘计算装置无法正常组网工作，而当边缘计算装置的计算能力远远超过拟部署的边缘服务应用程序和算法模型所需算力时，又可能会导致边缘计算装置的资源不合理浪费。因此，可用计算能力度量数据的引入可以为边缘智能服务向边缘计算装置统一部署和分发边缘服务应用程序和算法模型提供实时可信的参考依据。

在一些实施方式中，可用计算能力度量数据可以包括处理器的可用计算能力度量值，包括但不限于处理器当前每秒可执行的浮点运算次数（FLOPS）、每秒钟可进行多少万亿次操作（TOPS）等。在一些实施方式中，可用计算能力度量数据还可以包括对设备计算能力起到关键影响的计算资源的可用空闲率，如可用CPU/GPU空闲率。考虑到边缘计算装置120应该运行在最佳负载状态，因此可用CPU/GPU空闲率的度量可以采用最佳CPU/GPU占用率阈值减去当前CPU/GPU占用率的差值进行度量。作为示例，假设最佳CPU/GPU占用率阈值为70%，当前边缘计算装置的CPU/GPU占用率为10%，则可用CPU/GPU空闲率为60%。此外，考虑到不同边缘计算装置120的CPU/GPU硬件配置差异，该CPU/GPU占用率和空闲率的度量可以基于基准系统配置进行归一化处理，以尽可能保证各边缘计算装置120的计算能力度量的尺度一致。在一些实施方式中，边缘计算装置120的可用计算能力度量数据可通过边缘计算装置中预置的计算能力测试进程评估得到。

步骤S220，根据所述多个边缘计算装置120的设备功能属性和可用计算能力信息构建至少一个边缘服务应用程序及其识别模型的算力匹配矩阵，根据所述算力匹配矩阵创建所述多个边缘计算装置120与所述至少一个边缘服务应用程序的第一映射关系和所述多个边缘计算装置120与所述至少一个识别模型的第二映射关系。

本实施例中，云端管理服务器110的边缘智能服务111在获得所述多个边缘计算装置120携带有设备功能属性和可用计算能力信息的注册请求之后，可以构建拟部署的边缘服务应用程序和识别模型与所述多个边缘计算装置的设备功能属性和可用计算能力信息之间的算力匹配矩阵，并且基于该算力匹配矩阵创建所述多个边缘计算装置与至少一个边缘服务应用程序的第一映射关系和所述多个边缘计算装置与至少一个识别模型的第二映射关系。

在一个实施方式中，系统100中涉及的边缘服务应用程序可以包括人员管理APP、违章识别APP、设备识别APP，所述边缘服务应用程序是统一利用Docker或者Kubernetes容器技术实现的自包含的微服务应用程序。其中，人员管理APP用于现场作业人员数据获取、身份管理、人脸身份识别等，其通过连接至少一个终端设备130（例如移动布控球、智能安全帽等）采集人脸视频图像数据并进行识别处理，实现作业人员身份确认及核对功能。违章识别APP用于通过至少一个终端设备130（例如移动布控球、智能安全帽等）采集作业人员的视频图像数据并进行违章行为的识别，实现对现场作业人员的违章行为事件的智能监测。设备识别APP用于通过至少一个终端设备130（例如移动布控球、智能安全帽等）采集现场安全工器具的视频图像数据并进行安全状态的识别检测，确认安全工器具使用、操作合规。

所述边缘服务应用程序具有关联的至少一个识别模型，这些识别模型可以包括人员识别模型、违章行为识别模型、设备状态识别模型中之一。在一个实施方式中，识别模型还包括用于判定各类安全事件的规则库，例如所述人员识别模型包括人员识别规则库，所述违章行为识别模型包括违章行为识别规则库，所述设备状态识别模型包括设备状态识别规则库。在一个实施方式中，识别模型可以支持多种流行的AI算法框架格式，比如TensorFlow，PyTorch，Caffe / Caffe2，Keras，MXNet等，也可以通过对不同算法框架格式实现的至少一个图像识别算法模型进行模型量化和剪枝处理，转换为标准化格式的轻量化ONNX模型，完成识别模型对各边缘计算装置120的兼容适配。

本实施例中，在所述边缘服务应用程序及其关联的识别模型开发完成并上架云端管理服务器时，边缘智能服务会记录每个边缘服务应用程序及其关联识别模型的部署属性信息。在一个实施方式中，边缘服务应用程序及其关联识别模型的部署属性信息包括边缘服务应用程序及其关联识别模型对所部署的边缘计算装置120的设备功能属性需求和计算能力需求。边缘服务应用程序及其关联识别模型对边缘计算装置120的设备功能属性的需求可以由开发人员根据实际情况进行配置，计算能力需求可以通过应用程序和算法模型的性能测试评估获得。

本实施例中，算力匹配矩阵是表征边缘服务应用程序及其关联识别模型对边缘计算装置120的设备功能属性需求和计算能力需求与所述多个边缘计算装置的设备功能属性和可用计算能力信息之间的匹配关系的二维矩阵。以视频接入路数的设备功能属性需求和可用CPU计算能力需求为例，其中CPU计算能力以每秒钟可进行多少万亿次操作（TOPS）指标度量，图3描述了人员管理APP、违章识别APP、设备识别APP及其关联识别模型的算力匹配矩阵的一种示例。如图3所示，按照各应用程序及其关联识别模型的计算能力需求从大到小排序，违章识别APP、设备识别APP、人员管理APP及其关联识别模型需要边缘计算装置具备的视频接入路数分别为16、8和4路，需要边缘计算装置具备的CPU计算能力分别为25TOPS、12TOPS、1TOPS，而边缘计算装置A、边缘计算装置B、边缘计算装置C各自的视频接入路数分别为32、16和8路，边缘计算装置A、边缘计算装置B、边缘计算装置C各自的CPU计算能力分别为30TOPS、20TOPS、10TOPS。那么，可以以“Y”或者“N”分别标识出违章识别APP、设备识别APP、人员管理APP及其关联识别模型所需的视频接入路数与边缘计算装置A、边缘计算装置B、边缘计算装置C的视频接入路数之间的匹配关系以及上述程序及其关联识别模型的CPU计算能力需求与边缘计算装置A、边缘计算装置B、边缘计算装置C的CPU计算能力之间的匹配关系。

随后，按照各应用程序及其关联识别模型的计算能力需求从大到小的顺序，可以依次为各应用程序及其关联识别模型确定拟部署的最佳边缘计算装置。例如，对于违章识别APP及其关联的违章识别模型而言，只有边缘计算装置A同时匹配其视频接入路数需求和CPU计算能力需求，因此，可以将边缘计算装置A分别映射到违章识别APP及其违章识别模型。对于设备识别APP及其关联的设备识别模型而言，边缘计算装置A和边缘计算装置B同时匹配其视频接入路数需求和CPU计算能力需求，但由于边缘计算装置A已经映射到违章识别APP及其违章识别模型，因此，可以边缘计算装置B分别映射到设备识别APP及其设备识别模型。对于人员管理APP及其关联的人员识别模型而言，边缘计算装置A、B和C都同时匹配其视频接入路数需求和CPU计算能力需求，但由于边缘计算装置A和B已经分配给其它两个应用程序及其关联识别模型，因此，可以边缘计算装置C映射到人员管理APP及其关联的人员识别模型。由此，可以基于该算力匹配矩阵创建多个边缘计算装置与上述边缘服务应用程序和识别模型的映射关系。

以视频接入路数的设备功能属性需求和CPU占用率需求为例，图4描述了人员管理APP、违章识别APP、设备识别APP及其关联识别模型的算力匹配矩阵的另一种示例。如图4所示，按照各应用程序及其关联识别模型的CPU占用率从大到小排序，违章识别APP、设备识别APP、人员管理APP及其关联识别模型需要边缘计算装置具备的视频接入路数分别为16、8和4路，其分别在基准测试环境中的CPU占用率分别为50%、30%、20%，而边缘计算装置A、边缘计算装置B、边缘计算装置C各自的视频接入路数分别为32、16和8路，边缘计算装置A、边缘计算装置B、边缘计算装置C各自的可用CPU空闲率分别为60%、25%、40%。那么，可以以“Y”或者“N”分别标识出违章识别APP、设备识别APP、人员管理APP及其关联识别模型所需的视频接入路数与边缘计算装置A、边缘计算装置B、边缘计算装置C的视频接入路数之间的匹配关系以及上述程序及其关联识别模型的CPU计算能力需求与边缘计算装置A、边缘计算装置B、边缘计算装置C的CPU计算能力之间的匹配关系。

随后，按照各应用程序及其关联识别模型的CPU占用率需求从大到小的顺序，可以依次为各应用程序及其关联识别模型确定拟部署的最佳边缘计算装置。例如，对于违章识别APP及其关联的违章识别模型而言，只有边缘计算装置A同时匹配其视频接入路数需求和CPU占用率需求，因此，可以将边缘计算装置A映射到违章识别APP及其违章识别模型映射。对于设备识别APP及其关联的设备识别模型而言，边缘计算装置A和边缘计算装置C同时匹配其视频接入路数需求和CPU占用率需求，但由于边缘计算装置A已经映射到违章识别APP及其违章识别模型，因此，可以将边缘计算装置C映射到设备识别APP及其设备识别模型。对于人员管理APP及其关联的人员识别模型而言，边缘计算装置A、B和C都同时匹配其视频接入路数需求和CPU占用率需求，但由于边缘计算装置A和C已经分配给其它两个应用程序及其关联识别模型，因此，可以将边缘计算装置B映射到人员管理APP及其关联的人员识别模型。

需要说明的是，上述示例中，仅以每个边缘服务应用程序关联到一个识别模型为例进行说明，实际应用中，还可能包括一个边缘服务应用程序关联到多个识别模型的应用情形，此时同样可以适用上述算力匹配矩阵的原理，仅需对一个边缘服务应用程序关联的多个识别模型的设备功能属性需求和计算能力需求进行部署属性评估即可。此外，上述示例中，仅以每个边缘计算装置映射到一个边缘服务应用程序和识别模型为例进行说明，实际应用中，还可能包括将一个边缘计算装置映射到多个边缘服务应用程序和识别模型的应用情形，也即将多个边缘服务应用程序和识别模型部署到同一边缘计算装置，此时仅需考虑该边缘计算装置的设备功能属性和可用计算能力是否可以匹配多个边缘服务应用程序和识别模型的设备功能属性需求和计算能力需求的叠加即可，在此不再赘述。

步骤S230，根据所述第一映射关系和第二映射关系，从所述云端管理服务器110向所述多个边缘计算装置120中的每个边缘计算装置120分别分发所述每个边缘计算装置120对应的边缘服务应用程序和识别模型，其中，所述对应的边缘服务应用程序和识别模型在所述边缘计算装置120执行以实现对至少一个终端设备130采集的视频图像数据的实时处理和识别功能。

本实施例中，位于云端管理服务器110的边缘智能服务111可以根据上述步骤确定的多个边缘计算装置120与边缘服务应用程序和识别模型之间的所述第一映射关系和第二映射关系，可以以批量分发的方式向所述多个边缘计算装置120中的每个边缘计算装置分别分发对应的边缘服务应用程序和识别模型。

在一些实施方式中，边缘智能服务111在完成向边缘计算装置120的边缘服务应用程序和识别模型分发部署之后，定时检测任一边缘服务应用程序是否发生更新，如果检测到任一边缘服务应用程序发生更新，则根据所述第一映射关系，主动从所述云端管理服务器110向关联所述任一边缘服务应用程序的每个边缘计算装置120分别分发更新后的边缘服务应用程序。从而，在边缘服务应用程序发生更新迭代升级时，可以及时向关联的边缘计算装置120进行更新升级。

在一些实施方式中，边缘智能服务111也会定时检测任一识别模型是否发生更新，如果检测到任一识别模型发生更新，则根据所述第二映射关系，主动从所述云端管理服务器110向关联所述任一识别模型的每个边缘计算装置120分别分发更新后的识别模型。从而，在边缘服务应用程序关联的识别模型发生更新时，可以及时向关联的边缘计算装置120进行更新升级。

在一些实施方式中，为了节省边缘计算装置120接入边缘网络的时间效率，在确定了所述第一映射关系和第二映射关系之后，边缘智能服务111可以仅向边缘计算装置120分发边缘服务应用程序，在边缘计算装置120首次执行已部署的边缘服务应用程序时，由边缘计算装置120向位于云端管理服务器110的边缘智能服务111发送其关联识别模型的分发请求，边缘智能服务111接收所述边缘计算装置120对所需的识别模型的分发请求，并且响应于所述分发请求，从所述云端管理服务器110向所述边缘计算装置120分发所述所需的识别模型。

在一些实施方式中，为了提高系统100和边缘计算装置120的处理效率，在识别模型发生变更时，边缘智能服务111可以不主动向边缘计算装置120分发已经更新的识别模型，而是在边缘计算装置120执行已部署的边缘服务应用程序时，由边缘计算装置120向位于云端管理服务器110的边缘智能服务111发送其关联识别模型的更新请求，边缘智能服务111接收所述边缘计算装置120对所需的识别模型的更新请求，并且响应于所述更新请求，从所述云端管理服务器110向所述边缘计算装置120分发更新后的所需的识别模型。

本实施例通过在边缘计算装置的注册请求中携带其设备功能属性和可用计算能力信息构建，基于该设备功能属性和可用计算能力信息构建边缘服务应用程序及其识别模型的算力匹配矩阵，根据所述算力匹配矩阵创建多个边缘计算装置与边缘服务应用程序的第一映射关系和与识别模型的第二映射关系，从而可以在需要接入不同类型、不同厂商、不同功能配置和可用计算能力的边缘计算装置时，实现边缘计算装置的快速部署组网和算力资源的合理利用，提高边缘服务应用部署的效率。

图5是根据本申请一实施例的用于现场安全监控的边缘智能服务的处理装置500的结构示意图。如图5所示，本申请实施例的边缘智能服务的处理装置500，包括以下模块单元：

管理单元510，用于接收多个边缘计算装置120的注册请求，所述注册请求携带有所述边缘计算装置120的设备功能属性和可用计算能力信息，其中所述多个边缘计算装置位于作业现场，通信连接至云端管理服务器110。

映射单元520，用于根据所述多个边缘计算装置120的设备功能属性和可用计算能力信息构建至少一个边缘服务应用程序及其识别模型的算力匹配矩阵，根据所述算力匹配矩阵创建所述多个边缘计算装置120与所述至少一个边缘服务应用程序的第一映射关系和所述多个边缘计算装置120与所述至少一个识别模型的第二映射关系。

分发单元530，用于根据所述第一映射关系和第二映射关系，从所述云端管理服务器110向所述多个边缘计算装置120中的每个边缘计算装置120分别分发所述每个边缘计算装置120对应的边缘服务应用程序和识别模型，其中，所述对应的边缘服务应用程序和识别模型在所述边缘计算装置120执行以实现对至少一个终端设备130采集的视频图像数据的实时处理和识别功能。

需要说明的是，本领域技术人员可以理解，本申请的方法实施例所描述的不同实施方式及其说明解释和所达到的技术效果，同样适用于本申请的装置实施例中，在此不再赘述。

本申请实施例可以用于基于边缘计算的作业现场安全监控系统，实现边缘计算装置的快速部署组网和算力资源的合理利用，提高边缘服务应用部署的效率。本申请可以通过软件、硬件或软硬件结合的方式实施。当实现为计算机软件程序时，该计算机软件程序可以安装于服务器中被一个或多个处理器执行以实现相应功能。

进一步地，本申请实施例还可以包括一种服务器，该服务器包括：一个或多个处理器；存储器，用于存储一个或多个计算机程序；其中，所述计算机程序被所述一个或多个处理器执行以实现如前述任一实施例描述的处理方法的步骤。

进一步地，本申请实施例还可以包括一种计算机可读介质，该计算机可读介质存储有程序指令，在这样的实施例中，当该计算机可读存储介质被装载在计算设备中时，该程序指令可以被一个或多个处理器执行以执行本申请任一实施例中描述的处理方法的步骤。

进一步地，本申请的实施例还可以包括一种计算机程序产品，包括承载程序指令的计算机可读介质，在这样的实施例中，该程序指令可以被一个或多个处理器执行以执行本申请任一实施例中描述的处理方法的步骤。

以上描述了本申请示例性的实施例，应当理解，上述示例性的实施例不是限制性的，而是说明性的，本申请的保护范围不限于此。应理解，本领域技术人员在不脱离本申请的精神和范围的情况下，可以对本申请实施例进行修改和变型，这些修改和变型理应在本申请的保护范围之内。

Claims (10)

1.一种用于现场安全监控的边缘智能服务的处理方法，其特征在于，包括：

接收多个边缘计算装置的注册请求，所述注册请求携带有所述边缘计算装置的设备功能属性和可用计算能力信息，其中所述多个边缘计算装置位于作业现场，通信连接至云端管理服务器；

根据所述多个边缘计算装置的设备功能属性和可用计算能力信息构建至少一个边缘服务应用程序及其识别模型的算力匹配矩阵，根据所述算力匹配矩阵创建所述多个边缘计算装置与所述至少一个边缘服务应用程序的第一映射关系和所述多个边缘计算装置与所述至少一个识别模型的第二映射关系；

根据所述第一映射关系和第二映射关系，从所述云端管理服务器向所述多个边缘计算装置中的每个边缘计算装置分别分发所述每个边缘计算装置对应的边缘服务应用程序和识别模型，其中，所述对应的边缘服务应用程序和识别模型在所述边缘计算装置执行以实现对至少一个终端设备采集的视频图像数据的实时处理和识别功能。

2.根据权利要求1所述的边缘智能服务的处理方法，其特征在于，所述方法还包括：

记录每个边缘服务应用程序及其识别模型的部署属性信息，其中所述部署属性信息包括边缘服务应用程序及其识别模型对边缘计算装置的设备功能属性需求和计算能力需求；

所述算力匹配矩阵用于表征边缘服务应用程序及其识别模型对边缘计算装置的设备功能属性需求和计算能力需求与所述多个边缘计算装置的设备功能属性和可用计算能力信息之间的匹配关系。

3.根据权利要求2所述的边缘智能服务的处理方法，其特征在于，所述方法还包括：

对至少一个图像识别算法模型进行模型量化和剪枝处理，转换为标准化格式的轻量化模型，从而得到所述至少一个识别模型。

4.根据权利要求3所述的边缘智能服务的处理方法，其特征在于，所述方法还包括：

判断所述至少一个边缘服务应用程序中任一边缘服务应用程序是否已经发生更新，如是，则根据所述第一映射关系，从所述云端管理服务器向关联所述任一边缘服务应用程序的每个边缘计算装置分别分发更新后的边缘服务应用程序。

5.根据权利要求4所述的边缘智能服务的处理方法，其特征在于，所述方法还包括：

判断所述至少一个识别模型中任一识别模型是否已经发生更新，如是，则根据所述第二映射关系，从所述云端管理服务器向关联所述任一识别模型的每个边缘计算装置分别分发更新后的识别模型。

6.根据权利要求4所述的边缘智能服务的处理方法，其特征在于，所述方法还包括：

接收所述多个边缘计算装置中任一边缘计算装置对所需的识别模型的分发请求；

响应于所述分发请求，从所述云端管理服务器向所述任一边缘计算装置分发所述所需的识别模型。

7.根据权利要求4所述的边缘智能服务的处理方法，其特征在于，所述方法还包括：

接收所述多个边缘计算装置中任一边缘计算装置对所需的识别模型的更新请求；

响应于所述更新请求，从所述云端管理服务器向所述任一边缘计算装置分发更新后的所需的识别模型。

8.根据权利要求7所述的边缘智能服务的处理方法，其特征在于，所述至少一个边缘服务应用程序包括利用容器技术实现的自包含的人员管理应用程序、违章识别应用程序、设备识别应用程序中任一或任意组合。

9.根据权利要求8所述的边缘智能服务的处理方法，其特征在于，所述至少一个识别模型包括人员识别模型、违章行为识别模型、设备状态识别模型中的任一或任意组合，其中所述人员识别模型还包括人员识别规则库，所述违章行为识别模型还包括违章行为识别规则库，所述设备状态识别模型还包括设备状态识别规则库。

10.一种用于现场安全监控的边缘智能服务的处理装置，其特征在于，包括：

管理单元，用于接收多个边缘计算装置的注册请求，所述注册请求携带有所述边缘计算装置的设备功能属性和可用计算能力信息，其中所述多个边缘计算装置位于作业现场，通信连接至云端管理服务器；

映射单元，用于根据所述多个边缘计算装置的设备功能属性和可用计算能力信息构建至少一个边缘服务应用程序及其识别模型的算力匹配矩阵，根据所述算力匹配矩阵创建所述多个边缘计算装置与所述至少一个边缘服务应用程序的第一映射关系和所述多个边缘计算装置与所述至少一个识别模型的第二映射关系；

分发单元，用于根据所述第一映射关系和第二映射关系，从所述云端管理服务器向所述多个边缘计算装置中的每个边缘计算装置分别分发所述每个边缘计算装置对应的边缘服务应用程序和识别模型，其中，所述对应的边缘服务应用程序和识别模型在所述边缘计算装置执行以实现对至少一个终端设备采集的视频图像数据的实时处理和识别功能。

Images