CN115168024A - 基于边缘计算的预警方法、装置及设备 - Google Patents
基于边缘计算的预警方法、装置及设备 Download PDFInfo
- Publication number
- CN115168024A CN115168024A CN202210605002.8A CN202210605002A CN115168024A CN 115168024 A CN115168024 A CN 115168024A CN 202210605002 A CN202210605002 A CN 202210605002A CN 115168024 A CN115168024 A CN 115168024A
- Authority
- CN
- China
- Prior art keywords
- edge computing
- early warning
- edge
- monitoring data
- image monitoring
- 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
- 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
- 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
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于边缘计算的预警方法、装置及设备,涉及移动互联网智慧城市与建筑技术领域,可以解决风险预警实时性低的问题。包括:获取边缘计算节点采集的第一图像监控数据,其中,边缘计算节点包括多个计算服务器,利用计算服务器提供处理第一图像监控数据的算力资源;将训练完成的神经网络模型部署在边缘计算节点中,将第一图像监控数据输入到训练完成的神经网络模型中,输出识别结果;根据识别结果输出预警信号。
Description
技术领域
本申请涉及移动互联网智慧城市与建筑技术领域,尤其涉及到一种基于边缘计算的预警方法、装置及设备。
背景技术
为了实现安全防护,智能安防监控已经得到广泛应用,目前,终端监控设备将海量的数据上传到云计算中心进行远程集中处理,但是将海量数据传输到云计算中心极大的增大了网络带宽的压力、且传输海量数据与云计算中心处理海量数据均需要一定时间,导致数据处理实时性较低,无法满足快速预警并处理风险的时间要求。
发明内容
有鉴于此,本申请提供了一种基于边缘计算的预警方法、装置及设备,涉及移动互联网智慧城市与建筑技术领域,可以解决风险预警实时性低的问题。
根据本申请的一个方面,提供了一种基于边缘计算的预警方法,该方法包括:
获取边缘计算节点采集的第一图像监控数据,其中,所述边缘计算节点包括多个计算服务器,利用所述计算服务器提供处理所述第一图像监控数据的算力资源;
将训练完成的神经网络模型部署在所述边缘计算节点中,将所述第一图像监控数据输入到所述训练完成的神经网络模型中,输出识别结果;
根据所述识别结果输出预警信号。
根据本申请的另一个方面,提供了一种基于边缘计算的预警装置,该装置包括:
获取模块,用于获取边缘计算节点采集的第一图像监控数据,其中,所述边缘计算节点包括多个计算服务器,利用所述计算服务器提供处理所述第一图像监控数据的算力资源;
输入模块,用于将训练完成的神经网络模型部署在所述边缘计算节点中,将所述第一图像监控数据输入到所述训练完成的神经网络模型中,输出识别结果;
预警模块,用于根据所述识别结果输出预警信号。
根据本申请的又一个方面,提供了一种非易失性可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述基于边缘计算的预警方法。
根据本申请的再一个方面,提供了一种计算机设备,包括非易失性可读存储介质、处理器及存储在非易失性可读存储介质上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述基于边缘计算的预警方法。
借由上述技术方案,本申请公开了一种基于边缘计算的预警方法、装置及设备,可首先获取边缘计算节点采集的第一图像监控数据,其中,边缘计算节点包括多个计算服务器,利用计算服务器提供处理第一图像监控数据的算力资源;然后,将训练完成的神经网络模型部署在边缘计算节点中,将第一图像监控数据输入到训练完成的神经网络模型中,输出识别结果;最后,根据识别结果输出预警信号。通过本申请中的技术方案,边缘计算可以使大量的处理任务能够在数据产生的源头附近就进行处理,一方面,节省了传输海量数据与云计算中心处理海量数据的时间,用户得到的响应快;另一方面,数据可以并行在多个边缘计算节点处理,并通过调度中心对多个边缘计算节点的处理任务进行协调调度,减少数据被处理的时间,因此,风险发生时的预警实时性高。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本地申请的不当限定。在附图中:
图1示出了本申请实施例提供的一种基于边缘计算的预警方法的流程示意图;
图2示出了本申请实施例提供的另一种基于边缘计算的预警方法的流程示意图;
图3示出了本申请实施例提供的一种基于边缘计算的预警装置的结构示意图;
图4示出了本申请实施例提供的另一种基于边缘计算的预警装置的结构示意图;
图5示出了本申请实施例提供的一种用于实现基于边缘计算的预警方法的系统示意图。
具体实施方式
下文将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合。
以下先对云计算、边缘计算的概念进行阐述。
云计算是把服务器资源集中在云计算中心,对外提供存储以及计算的服务,用户产生的数据、行为会传达到云计算中心,通过服务器的计算再传回到用户的设备上。然而网络带宽有限,将海量的数据传输到云计算中心需要一定的时间,云计算中心处理数据也需要一定的时间,加大了数据处理时间,存在延迟,因此随着物联网的发展产生了边缘计算。
边缘计算是一种在物理上靠近数据源头的网络边缘侧,融合网络、计算机、存储、应用核心能力的开放平台,就近提供边缘智能服务的计算模式。即在用户端有很多设备需要和服务器联网,服务器压力太大,所以将计算前移推给用户端,在近用户端直接进行运算,分担服务器集中计算产生的压力,所以边缘计算可以减少延迟,且不必上传到云计算中心,解决了用户隐私,数据安全的问题。
本申请实施例提供的预警系统用于实现基于边缘计算的预警方法,如图5所示,该预警系统包括:四个监控设备51、边缘计算节点52、终端53,其中四个监控设备51分别与边缘计算节点52连接,边缘计算节点52与终端53连接,四个监控设备51将分别采集到的第二图像监控数据传输给边缘计算节点52、边缘计算节点将四个第二图像监控数据的整体作为第一图像监控数据并利用训练完成的神经网络模型对第一图像监控数据进行处理,得到识别结果,进一步的,根据识别结果输出预警信号,预警信号通过云平台发布到终端,终端根据预警信号执行对应的预警策略。
针对目前的问题,本申请实施例提供了一种基于边缘计算的预警方法,如图1所示,该方法包括:
101、获取边缘计算节点采集的第一图像监控数据,其中,边缘计算节点包括多个计算服务器,利用计算服务器提供处理第一图像监控数据的算力资源。
其中,边缘计算节点用于进行边缘计算,边缘计算节点包括多个计算服务器,计算服务器为处理任务提供算力资源,算力资源是设备处理任务时所需要占用的硬件或者网络资源,通常可以包括中央处理器(central processing unit,CPU)算力资源、GPU算力资源、内存资源、网络带宽资源、磁盘资源等,通过查询设备处理任务时所占用的硬件或者网络资源即可确定每个边缘计算节点的固定算力资源、每个监控设备需要消耗的历史算力资源以及剩余算力资源等。
对于本实施例,作为一种实施方式,将待监控区域的监控设备与边缘计算节点连接,从而可以将监控设备采集的数据传输给边缘计算节点,利用边缘计算节点处理任务,而不用上传到云计算中心集中处理,因此减少了延迟,风险预警的实时性高,且降低了数据传输与计算的成本。
其中,边缘计算节点采集的是第一图像监控数据,每个监控设备采集的是第二图像监控数据,如果一个监控设备与一个边缘计算节点连接,那么第一图像监控数据与第二图像监控数据相同,如果至少一个监控设备与一个边缘计算节点连接,那么第一图像监控数据是每个监控设备对应的第二图像监控数据的汇总。
102、将训练完成的神经网络模型部署在边缘计算节点中,将第一图像监控数据输入到训练完成的神经网络模型中,输出识别结果。
其中,神经网络模型可以为卷积神经网络模型(Convolutional NeuralNetworks,CNN)、循环神经网络模型(Recurrent Neural Network,RNN)、深度置信网络模型(DeepBelief Networks,DBN)、生成式对抗网络模型(Generative Adversarial Networks,GAN)等,在此不做限制。
对于本实施例,作为一种实施方式,每个边缘计算节点均部署训练完成的神经网络模型,其中,训练完成的神经网络模型可根据需要预警的场景包括多个,例如,识别是否戴口罩、是否吸烟、人脸图像、车辆的车牌号等。具体的,利用训练完成的神经网络模型提取第一图像监控数据的图像特征,将图像特征分类为物体与人体,例如,物体可包括车辆等,当分类得到的是车辆,那么可进一步识别车辆的车牌号等,当分类得到的是人体,那么可进一步识别是否戴口罩、是否吸烟、人脸图像等。
103、根据识别结果输出预警信号。
对于本实施例,作为一种实施方式,根据具体的场景可以判断识别的结果是否要输出预警信号,例如在电梯内可以在识别结果为人体吸烟时,输出非法吸烟预警信号,在车站、地铁、商场等公共场所可以在识别结果为人体未戴口罩时,输出未戴口罩预警信号,在小区门口可以在识别结果为车辆的车牌号时,进一步判断是否为小区内登记车辆,如否,那么输出非法闯入预警信号,或者识别结果为人脸时,进一步判断是否为小区居住人员,如否,那么输出非法闯入预警信号。
本申请公开了一种基于边缘计算的预警方法、装置及设备,可首先获取边缘计算节点采集的第一图像监控数据,其中,边缘计算节点包括多个计算服务器,利用计算服务器提供处理第一图像监控数据的算力资源;然后,将训练完成的神经网络模型部署在边缘计算节点中,将第一图像监控数据输入到训练完成的神经网络模型中,输出识别结果;最后,根据识别结果输出预警信号。通过本申请中的技术方案,边缘计算可以使大量的处理任务能够在数据产生的源头附近就进行处理,一方面,节省了传输海量数据与云计算中心处理海量数据的时间,用户得到的响应快;另一方面,数据可以并行在多个边缘计算节点处理,并通过调度中心对多个边缘计算节点的处理任务进行协调调度,减少数据被处理的时间,因此,风险发生时的预警实时性高。
进一步的,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例中的具体实施过程,提供了另一种基于边缘计算的预警方法,如图2所示,该方法包括:
201、确定与每个边缘计算节点连接的监控设备的预设数量,利用监控设备采集第二图像监控数据,将预设数量个第二图像监控数据传输到边缘计算节点中,得到边缘计算节点采集的第一图像监控数据,其中,第一图像监控数据包括预设数量个第二图像监控数据。
对于本实施例,作为一种实施方式,确定与每个边缘计算节点连接的监控设备的预设数量包括:确定每个边缘计算节点的固定算力资源,确定每个监控设备在单位时间内的最大需求算力资源;计算固定算力资源与最大需求算力资源的商,将小于等于商的最大整数确定为与每个边缘计算节点连接的监控设备的预设数量,因此使得边缘计算节点可以满足任务处理的算力资源。可选的,除了根据固定算力资源与最大需求算力资源计算预设数量之外,还可以确定每个监控设备在单位时间内的平均需求算力资源;根据固定算力资源与平均算力资源计算预设数量,在此不做限定。
例如,可以以天为单位时间,在预设历史时间段内,确定每天分别处理每个监控设备需要消耗的历史算力资源(即每天都有一组消耗历史算力资源的数据,每组包括每个监控设备消耗的历史算力资源),从中选择消耗的最大算力资源,计算固定算力资源与最大需求算力资源的商即计算固定算力资源除以最大需求算力资源的结果,如果结果是4.3,那么将预设数量确定为4,即4个监控设备与一个边缘计算节点连接。同理,还可以以周为单位时间,计算方法相同,在此不再赘述。
对于本实施例,作为另一种实施方式,在待监测区域设置多个边缘计算节点,多个边缘计算节点都与调度中心建立通信连接,而多个边缘计算节点之间无需通信连接。调度中心用于协调多个边缘计算节点之间的处理任务,防止一些边缘计算节点处理任务繁忙降低了风险预警的实时性,而一些边缘计算节点处理的任务较少或者没有时,会造成算力资源的浪费,因此调度中心协调多个边缘计算节点之间的处理任务可以保证边缘计算节点满足任务处理的算力资源的同时,降低了运行成本,同时多个边缘计算节点并发处理任务,减少延迟,提高了风险预警的实时性。
调度中心用于协调多个边缘计算节点之间的处理任务,具体包括:监控边缘计算节点的剩余算力资源,判断剩余算力资源是否小于等于第一预设阈值;若是,调整边缘计算节点的处理任务。其中,调整边缘计算节点的处理任务,包括:将剩余算力资源小于等于第一预设阈值的边缘计算节点的处理任务分配给剩余算力资源大于第一预设阈值的边缘计算节点;或,增加边缘计算节点的数量,将剩余算力资源小于等于第一预设阈值的边缘计算节点的处理任务分配给增加的边缘计算节点。
其中,通过查询设备处理任务时所占用的硬件或者网络资源即可确定每个边缘计算节点的固定算力资源、每个监控设备需要消耗的历史算力资源以及剩余算力资源等。
202、获取边缘计算节点采集的第一图像监控数据,其中,边缘计算节点包括多个计算服务器,利用计算服务器提供处理第一图像监控数据的算力资源。
具体实施过程可参照实施例步骤101中的相关描述,在此不再赘述。
203、将训练完成的神经网络模型部署在边缘计算节点中,将第一图像监控数据输入到训练完成的神经网络模型中,输出识别结果。
其中,因为边缘计算节点的计算能力有限,而训练初始神经网络模型时需要大量数据,因此不在边缘计算节点上训练初始神经网络模型,而是将训练完成的神经网络模型部署在边缘计算节点中,因此在将训练完成的神经网络模型部署在边缘计算节点中之前,还包括:利用预设历史时间段的历史图像监控数据迭代训练初始神经网络模型,调整模型参数直到初始神经网络模型的正确率等达到第二预设阈值时停止训练,得到训练完成的神经网络模型。
具体的,利用监控设备在预设历史时间段采集的历史图像监控数据迭代训练初始神经网络模型,其中,根据需要预警的场景对应训练多个初始神经网络模型,例如,利用历史图像监控数据训练是否吸烟的初始神经网络模型、是否戴口罩的初始神经网络模型、车辆的车牌号的初始神经网络模型、人脸的初始神经网络模型,对应的,可以得到训练完成的神经网络模型包括是否吸烟的训练完成的神经网络模型、是否戴口罩的训练完成的神经网络模型、车辆的车牌号的训练完成的神经网络模型、人脸的训练完成的神经网络模型。
对于本实施例,作为一种实施方式,每四个监控设备分别与一个边缘计算节点连接,每个边缘计算节点均部署训练完成的神经网络模型,将从四个监控设备采集的第二图像监控数据的整体(这个整体也就是第一图像监控数据)输入到与这四个监控设备连接的边缘计算节点上,边缘计算节点为处理第一图像监控数据提供服务器等资源。
处理第一图像监控数据是将第一图像监控数据输入到训练完成的神经网络模型中,输出识别结果。具体的,利用训练完成的神经网络模型识别第一图像监控数据,当识别确定第一图像监控数据包括车辆时,对车辆的车牌区域的字符串进行识别,输出车辆的车牌号;当识别确定第一图像监控数据包括人时,对人的人脸进行识别,输出人的人脸图像。
以TensorFlow卷积神经网络以及神经网络PyTorch为例,利用神经网络PyTorch第一图像监控数据进行识别,如果识别确定第一图像监控数据包括车辆时,利用TensorFlow卷积神经网络对车辆的车牌区域的字符串进行识别,输出车辆的车牌号;利用TensorFlow卷积神经网络对人的人脸进行识别,输出人的人脸图像。
具体的,TensorFlow卷积神经网络首先提取车辆的车牌区域的字符串、人脸的线条特征,进一步的通过提取的线条特征拟合出完整图形特征。
204、判断识别结果是否与预设规则相同,若否,则输出预警信号,或,判断识别结果是否包括在预设数据库中,若否,则输出预警信号。
对于本实施例,作为一种实施方式,预设规则可包括在公共场合下需要戴口罩、电梯内不得吸烟等,如果识别结果为在公共场合下没有戴口罩或者在电梯内吸烟等,则输出预警信号。预设数据库中包括合法进入的车辆、人员等,当识别结果是车辆,读取车牌号并判断是否包括在预设数据库中,如果不包括,那么说明是非法进入的车辆,输出预警信号,当识别结果是人员,进一步识别人脸并判断是否包括在预设数据库中,如果不包括,那么说明是非法进入的人员,输出预警信号。
在输出预警信号后,根据预警信号确定预警位置,并向距离预警位置最近的工作人员发送预警指令,工作人员接收到预警指令后实施预警策略。
对于本实施例,作为一种实施方式,在具体的应用场景中,产生预警信号不能确保非法行为得到阻止,因此需要确定非法行为发生的预警位置,具体的,可通过多个监控设备的分布位置,确定预警位置,优选的,可以跟踪非法人员的实时移动位置,将预警位置与实时移动位置均发送给距离预警位置最近的工作人员,以便工作人员可以在最快的时间内实施预警策略。
本申请公开了一种基于边缘计算的预警方法、装置及设备,可首先获取边缘计算节点采集的第一图像监控数据,其中,边缘计算节点包括多个计算服务器,利用计算服务器提供处理第一图像监控数据的算力资源;然后,将训练完成的神经网络模型部署在边缘计算节点中,将第一图像监控数据输入到训练完成的神经网络模型中,输出识别结果;最后,根据识别结果输出预警信号。通过本申请中的技术方案,边缘计算可以使大量的处理任务能够在数据产生的源头附近就进行处理,一方面,节省了传输海量数据与云计算中心处理海量数据的时间,用户得到的响应快;另一方面,数据可以并行在多个边缘计算节点处理,并通过调度中心对多个边缘计算节点的处理任务进行协调调度,减少数据被处理的时间,因此,风险发生时的预警实时性高。
进一步的,作为图1和图2所示方法的具体实现,本申请实施例提供了一种基于边缘计算的预警装置,如图3所示,该装置包括:获取模块31、输入模块32、预警模块33;
获取模块31,用于获取边缘计算节点采集的第一图像监控数据,其中,边缘计算节点包括多个计算服务器,利用计算服务器提供处理第一图像监控数据的算力资源;
输入模块32,用于将训练完成的神经网络模型部署在边缘计算节点中,将第一图像监控数据输入到训练完成的神经网络模型中,输出识别结果;
预警模块33,用于根据识别结果输出预警信号。
在具体的应用场景中,一种基于边缘计算的预警装置,如图4所示,该装置还包括:采集模块34,具体可包括:采集单元341,传输单元342;
采集单元341,可用于确定与每个边缘计算节点连接的监控设备的预设数量,利用监控设备采集第二图像监控数据;
传输单元342,可用于将预设数量个第二图像监控数据传输到边缘计算节点中,得到边缘计算节点采集的第一图像监控数据,其中,第一图像监控数据包括预设数量个第二图像监控数据。
在具体的应用场景中,为了确定与每个边缘计算节点连接的监控设备的预设数量,如图4所示,采集单元341,具体可用于确定每个边缘计算节点的固定算力资源,确定每个监控设备在单位时间内的最大需求算力资源;计算固定算力资源与最大需求算力资源的商,将小于等于商的最大整数确定为与每个边缘计算节点连接的监控设备的预设数量。
在具体的应用场景中,一种基于边缘计算的预警装置,如图4所示,该装置还包括:分配模块35,具体可包括:监控单元351,调整单元352;
监控单元351,可用于监控边缘计算节点的剩余算力资源,判断剩余算力资源是否小于等于第一预设阈值;
调整单元352,可用于若剩余算力资源小于等于第一预设阈值,调整边缘计算节点的处理任务。
在具体的应用场景中,为了调整边缘计算节点的处理任务,如图4所示,调整单元352,具体可用于将剩余算力资源小于等于第一预设阈值的边缘计算节点的处理任务分配给剩余算力资源大于第一预设阈值的边缘计算节点;或,增加边缘计算节点的数量,将剩余算力资源小于等于第一预设阈值的边缘计算节点的处理任务分配给增加的边缘计算节点。
在具体的应用场景中,为了根据所述识别结果输出预警信号,如图4所示,预警模块33,具体可包括:第一判断单元331,第二判断单元332;
第一判断单元331,可用于判断识别结果是否与预设规则相同,若否,则输出预警信号;或,
第二判断单元332,可用于判断识别结果是否包括在预设数据库中,若否,则输出预警信号。
相应的,为了将第一图像监控数据输入到训练完成的神经网络模型中,输出识别结果,如图4所示,输入模块32,具体可用于利用训练完成的神经网络模型识别第一图像监控数据,当识别确定第一图像监控数据包括车辆时,对车辆的车牌区域的字符串进行识别,输出车辆的车牌号;当识别确定第一图像监控数据包括人时,对人的人脸进行识别,输出人的人脸图像。
需要说明的是,本实施例提供的一种基于边缘计算的预警装置所涉及各功能单元的其他相应描述,可以参考图1至图2的对应描述,在此不再赘述。
基于上述如图1至图2所示方法,相应的,本实施例还提供了一种存储介质,存储介质具体可为易失性或非易失性,其上存储有计算机可读指令,该可读指令被处理器执行时实现上述如图1至图2所示的基于边缘计算的预警方法。
基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个存储介质(可以是CD-ROM,U盘,移动硬盘等)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)执行本申请各个实施场景的方法。
基于上述如图1至图2所示的方法和图3、图4所示的虚拟装置实施例,为了实现上述目的,本实施例还提供了一种计算机设备,该计算机设备包括存储介质和处理器;存储介质,用于存储计算机程序;处理器,用于执行计算机程序以实现上述如图1至图2所示的基于边缘计算的预警方法。
可选的,该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency,RF)电路,传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等,可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)等。
本领域技术人员可以理解,本实施例提供的一种计算机设备结构并不构成对该实体设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述计算机设备硬件和软件资源的程序,支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信,以及与信息处理实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现,也可以通过硬件实现。
通过应用本申请的技术方案,与目前现有技术相比,本申请公开了一种基于边缘计算的预警方法、装置及设备,可首先获取边缘计算节点采集的第一图像监控数据,其中,边缘计算节点包括多个计算服务器,利用计算服务器提供处理第一图像监控数据的算力资源;然后,将训练完成的神经网络模型部署在边缘计算节点中,将第一图像监控数据输入到训练完成的神经网络模型中,输出识别结果;最后,根据识别结果输出预警信号。通过本申请中的技术方案,边缘计算可以使大量的处理任务能够在数据产生的源头附近就进行处理,一方面,节省了传输海量数据与云计算中心处理海量数据的时间,用户得到的响应快;另一方面,数据可以并行在多个边缘计算节点处理,并通过调度中心对多个边缘计算节点的处理任务进行协调调度,减少数据被处理的时间,因此,风险发生时的预警实时性高。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述,不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (10)
1.一种基于边缘计算的预警方法,其特征在于,包括:
获取边缘计算节点采集的第一图像监控数据,其中,所述边缘计算节点包括多个计算服务器,利用所述计算服务器提供处理所述第一图像监控数据的算力资源;
将训练完成的神经网络模型部署在所述边缘计算节点中,将所述第一图像监控数据输入到所述训练完成的神经网络模型中,输出识别结果;
根据所述识别结果输出预警信号。
2.根据权利要求1所述的方法,在所述获取边缘计算节点采集的第一图像监控数据之前,还包括:
确定与每个所述边缘计算节点连接的监控设备的预设数量,利用所述监控设备采集第二图像监控数据;
将所述预设数量个所述第二图像监控数据作为所述边缘计算节点采集的第一图像监控数据。
3.根据权利要求2所述的方法,其特征在于,所述确定与每个所述边缘计算节点连接的监控设备的预设数量,包括:
确定每个所述边缘计算节点的固定算力资源,确定每个所述监控设备在单位时间内的最大需求算力资源;
计算所述固定算力资源与所述最大需求算力资源的商,将小于等于所述商的最大整数确定为与每个所述边缘计算节点连接的监控设备的预设数量。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
监控所述边缘计算节点的剩余算力资源,判断所述剩余算力资源是否小于等于第一预设阈值;
若是,调整所述边缘计算节点的处理任务。
5.根据权利要求4所述的方法,其特征在于,所述调整所述边缘计算节点的处理任务,包括:
将所述剩余算力资源小于等于第一预设阈值的边缘计算节点的处理任务分配给所述剩余算力资源大于第一预设阈值的边缘计算节点;或,
增加所述边缘计算节点的数量,将所述剩余算力资源小于等于第一预设阈值的边缘计算节点的处理任务分配给增加的边缘计算节点。
6.根据权利要求1所述的方法,其特征在于,所述根据所述识别结果输出预警信号,包括:
判断所述识别结果是否与预设规则相同,若否,则输出预警信号;或,
判断所述识别结果是否包括在预设数据库中,若否,则输出预警信号。
7.根据权利要求1所述的方法,其特征在于,所述将所述第一图像监控数据输入到所述训练完成的神经网络模型中,输出识别结果,包括:
利用所述训练完成的神经网络模型识别所述第一图像监控数据,当识别确定所述第一图像监控数据包括车辆时,对所述车辆的车牌区域的字符串进行识别,输出所述车辆的车牌号;
当识别确定所述第一图像监控数据包括人时,对所述人的人脸进行识别,输出所述人的人脸图像。
8.一种基于边缘计算的预警装置,其特征在于,包括:
获取模块,用于获取边缘计算节点采集的第一图像监控数据,其中,所述边缘计算节点包括多个计算服务器,利用所述计算服务器提供处理所述第一图像监控数据的算力资源;
输入模块,用于将训练完成的神经网络模型部署在所述边缘计算节点中,将所述第一图像监控数据输入到所述训练完成的神经网络模型中,输出识别结果;
预警模块,用于根据所述识别结果输出预警信号。
9.一种存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至7中任一项所述的基于边缘计算的预警方法。
10.一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至7中任一项所述的基于边缘计算的预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210605002.8A CN115168024A (zh) | 2022-05-30 | 2022-05-30 | 基于边缘计算的预警方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210605002.8A CN115168024A (zh) | 2022-05-30 | 2022-05-30 | 基于边缘计算的预警方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115168024A true CN115168024A (zh) | 2022-10-11 |
Family
ID=83482523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210605002.8A Pending CN115168024A (zh) | 2022-05-30 | 2022-05-30 | 基于边缘计算的预警方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115168024A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385857A (zh) * | 2023-06-02 | 2023-07-04 | 山东协和学院 | 一种基于ai智能调度的算力分配方法 |
CN116560838A (zh) * | 2023-05-05 | 2023-08-08 | 上海玫克生储能科技有限公司 | 边缘计算终端设备、综合能源站、管理平台及其控制方法 |
-
2022
- 2022-05-30 CN CN202210605002.8A patent/CN115168024A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116560838A (zh) * | 2023-05-05 | 2023-08-08 | 上海玫克生储能科技有限公司 | 边缘计算终端设备、综合能源站、管理平台及其控制方法 |
CN116560838B (zh) * | 2023-05-05 | 2024-03-29 | 上海玫克生储能科技有限公司 | 边缘计算终端设备、综合能源站、管理平台及其控制方法 |
CN116385857A (zh) * | 2023-06-02 | 2023-07-04 | 山东协和学院 | 一种基于ai智能调度的算力分配方法 |
CN116385857B (zh) * | 2023-06-02 | 2023-08-18 | 山东协和学院 | 一种基于ai智能调度的算力分配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921159B (zh) | 用于检测安全帽的佩戴情况的方法和装置 | |
CN115168024A (zh) | 基于边缘计算的预警方法、装置及设备 | |
CN105493502B (zh) | 视频监控方法、视频监控系统以及计算机可读存储介质 | |
CN111918039B (zh) | 基于5g网络的人工智能高风险作业管控系统 | |
CN111160175A (zh) | 智能行人违章行为管理方法及相关产品 | |
US11413519B2 (en) | Information processing system and information processing method | |
CN110992502A (zh) | 一种人脸识别考勤方法、系统以及可读存储介质 | |
CN112084959B (zh) | 一种人群图像处理方法及装置 | |
CN112311824A (zh) | 一种考勤信息处理的方法以及相关装置 | |
CN111860256A (zh) | 安全检测方法、装置、计算机设备和存储介质 | |
JP6900853B2 (ja) | デバイス連携サーバおよびデバイス連携プログラム | |
CN111507268A (zh) | 报警方法及装置、存储介质和电子装置 | |
CN114915753A (zh) | 云服务器的构架、数据处理方法及存储介质 | |
CN107728772B (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
CN112988337A (zh) | 任务处理系统、方法、装置、电子设备、存储介质 | |
CN113221703A (zh) | 基于无服务边缘计算的佩戴口罩监测方法、装置及设备 | |
CN109961060B (zh) | 用于生成人群密度信息的方法和装置 | |
CN114724011B (zh) | 一种行为的确定方法、装置、存储介质及电子装置 | |
CN109725291A (zh) | 运动状态的确定方法、装置、存储介质及电子装置 | |
CN115131187A (zh) | 机场多点定位监测数据的生成方法及系统 | |
CN114513681A (zh) | 一种视频处理系统、方法、装置、电子设备和存储介质 | |
CN112669353A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN115345305A (zh) | 一种推理系统、方法、装置及相关设备 | |
CN112866332A (zh) | 基于云边融合实现突发事件识别预警的系统、方法、装置、处理器及其存储介质 | |
CN114782884B (zh) | 基于安防视频监控的增强识别方法和装置 |
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 |