CN117035125B - 一种分布式人工智能模型的决策系统、方法及装置 - Google Patents

Abstract

本申请公开了一种分布式人工智能模型的决策系统、方法及装置，用于提高分析准确度。本申请决策方法包括：使用数据接收单元接收图像信息；使用决策单元确定目标特征名称和一级决策的决策节点；使用预处理单元获取人工智能模型演算服务器信息和增强特征；使用预处理单元生成待演算数据；使用预处理单元将待演算数据分配到人工智能模型演算服务器中；使用人工智能模型演算服务器对待演算数据进行迭代演算，生成第一演算结果；使用决策单元并根据第一单特征概率值确定用于二级决策的决策节点；当二级决策的操作指令为进行演算时，重新继续演算；当二级决策的操作指令为输出结果时，使用后处理单元将演算结果进行缓存，演算结束发送客户端。

Description

一种分布式人工智能模型的决策系统、方法及装置

技术领域

本申请实施例涉及人工智能领域，尤其涉及一种分布式人工智能模型的决策系统、方法及装置。

背景技术

近些年来，人工智能逐渐成为一项热门的研究，尤其是机器视觉方向，机器视觉已经成为人工智能正在快速发展的一个重要分支。

简单说来，机器视觉就是用机器代替人眼来获取各种各样的图像内容，通过机器代替人脑分析这一些图像内容中存在什么样的可利用信息，在通过机器做出判断。机器视觉系统是通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种)将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。

机器视觉是一项综合技术，包括图像处理、机械工程技术、控制、电光源照明、光学成像、传感器、模拟与数字视频技术、计算机软硬件技术(图像增强和分析算法、图像卡、I/O卡等)。一个典型的机器视觉应用系统包括图像捕捉、光源系统、图像数字化模块、数字图像处理模块、智能判断决策模块和机械控制执行模块。机器视觉系统最基本的特点就是提高生产的灵活性和自动化程度。在一些不适于人工作业的危险工作环境或者人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉。同时，在大批量重复性工业生产过程中，用机器视觉检测方法可以大大提高生产的效率和自动化程度。

现有技术中，已经存在诸多的人工智能模型，这些人工智能模型可以分析对应类型的图像，准确度是机器高的，当前机器视觉的人工智能模型分析，采用了分布式人工智能的分析方式。将训练好的多个类型的人工智能模型放到一个个专属人工智能服务器上，时期组成一个人工智能模型集群，当应用端服务器接收到需要进行演算的图像信息时，根据发送方认定的初始标签进行决策，即选取对应的人工智能模型进行演算，演算完成，应用端服务器根据演算的内容进行下一步决策，是继续寻找人工智能模型进行演算，还是输出结果。但是，大部分的分布式人工智能模型的决策环节中，当发送方发送的图像信息中的待处理图像模糊时，决策节点对应的人工智能模型很容易判断为否，造成错误，使得分布式人工智能模型的分析准确度下降。

发明内容

本申请公开了一种分布式人工智能模型的决策系统、方法及装置，用于提高分析准确度。

本申请第一方面提供了一种分布式人工智能模型的决策系统，包括：

应用端服务器和人工智能模型集群；

人工智能模型集群中包含若干人工智能模型演算服务器和人工智能模型训练服务器，人工智能模型演算服务器中包含训练完成的人工智能模型；

应用端服务器包括数据接收单元、预处理单元、后处理单元、决策单元、数据库单元；

数据库单元用于存储决策树、特征名称、人工智能服务器信息、增强特征、操作指令、演算数据、模型构建参数和训练样本，决策树具有若干个形成树状经络的决策节点，每个决策节点分别对应不同的特征名称、人工智能服务器信息、增强特征和操作指令；

数据接收单元用于接收客户端发送的图像信息，图像信息包括待处理图像和初始标签；

决策单元用于根据初始标签确定用于一级决策的决策节点；

预处理单元用于根据决策节点获取人工智能模型演算服务器信息和增强特征，预处理单元用于将增强特征与待处理图像进行特征融合处理，以生成待演算数据，预处理单元用于根据人工智能模型演算服务器信息将待演算数据分配到人工智能模型演算服务器中；

人工智能模型演算服务器用于对待演算数据进行迭代演算，并输出待演算数据的演算结果；

决策单元用于根据演算结果确定用于二级决策的决策节点，决策单元用于根据演算结果更新增强特征和决策树的决策节点；

人工智能模型训练服务器用于根据数据库单元中的训练样本进行构建并训练人工智能模型，人工智能模型训练服务器用于生成新的增强特征；

后处理单元用于将决策结束后待演算数据的演算结果发送至客户端。

本申请第二方面提供了一种分布式人工智能模型的决策方法，包括：

使用数据接收单元接收客户端发送的图像信息，图像信息包括待处理图像和初始标签，初始标签表示待处理图像的一个特征标签；

使用决策单元并根据初始标签从数据库单元确定一个目标特征名称，并根据目标特征名称从数据库单元中确定一个用于一级决策的决策节点，一级决策的决策节点的操作指令为进行演算，目标特征名称与初始标签的关联度最大，决策节点包括单特征演算节点和多特征演算节点，一级决策的决策节点为单特征演算节点；

使用预处理单元并根据一级决策的决策节点从数据库单元中获取人工智能模型演算服务器信息和增强特征；

使用预处理单元并对增强特征与待处理图像进行特征融合处理，以生成一级演算的待演算数据；

使用预处理单元并根据人工智能模型演算服务器信息将待演算数据分配到人工智能模型演算服务器中；

使用人工智能模型演算服务器对待演算数据进行迭代演算，并生成待演算数据的第一演算结果，待演算数据的演算结果中包括第一单特征概率值；

使用决策单元并根据第一单特征概率值确定用于二级决策的决策节点；

当二级决策的决策节点的操作指令为进行演算时，使用预处理单元并根据二级决策的决策节点对应的增强特征生成新的待演算数据，使用新的人工智能模型演算服务器进行演算，生成第二演算结果；

当二级决策的决策节点的操作指令为输出结果时，使用后处理单元将待演算数据的演算结果进行缓存，直到演算完全结束后发送至客户端。

可选地，使用决策单元并根据第一单特征概率值确定用于二级决策的决策节点，包括：

当第一单特征概率值大于第一预设值时，且在数据库单元中目标特征名称存在子特征名称时，则使用决策单元确定子特征名称对应的决策节点作为二级决策的决策节点，子特征名称为目标特征名称同族特征中的下位特征，二级决策的决策节点对应的操作指令为进行演算；

当第一单特征概率值大于第一预设值时，且在数据库单元中目标特征名称不存在子特征名称时，则使用决策单元选取结束演算节点作为二级决策的决策节点，二级决策的决策节点对应的操作指令为输出结果；

当第一单特征概率值不大于第一预设值时，则使用决策单元确定关联特征名称对应的决策节点作为二级决策的决策节点，关联特征名称为目标特征名称同族特征中，剩余的平位特征中关联度最大的一个特征，二级决策的决策节点对应的操作指令为进行演算。

可选地，第二演算结果包括特征概率集合，特征概率集合包括单特征演算节点对应的第二单特征概率值和多特征演算节点对应的多特征概率值；

在使用预处理单元并根据二级决策的决策节点对应的增强特征生成新的待演算数据，使用新的人工智能模型演算服务器进行演算，生成第二演算结果之后，决策方法还包括：

当第二单特征概率值大于第二预设值时，则使用决策单元并根据子特征名称是否在数据库单元中存在下位特征来确定下一级的决策节点；

当多特征概率值中存在至少一个大于第三预设值的特征概率时，则使用决策单元选取大于第三预设值的多特征概率值的子特征名称对应的决策节点作为下一级决策的决策节点，下一级决策的决策节点的操作指令为进行演算。

可选地，演算结果中还包括待演算数据的演算特征；

在使用决策单元选取大于第三预设值的多特征概率值的子特征名称的下位特征对应的决策节点作为下一级决策的决策节点，下一决策的决策节点的操作指令为进行演算之后，决策方法还包括：

当第二单特征概率值不大于第二预设值，且多特征概率值中不存在大于第三预设值的特征概率时，则使用决策单元选取结束演算节点作为下一级决策节点，下一级决策节点对应的操作指令为输出结果；

使用决策单元将第一演算结果中的演算特征确定为目标特征名称的新下位特征；

使用决策单元在数据库单元中为新下位特征生成一个新决策节点，并在数据库单元中为新决策节点匹配训练样本，操作指令为构建人工智能模型，为新决策节点匹配的训练样本和新下位特征类型相同；

使用人工智能模型训练服务器根据新决策节点对应的训练样本进行人工智能模型进行构建，并使用训练样本进行迭代训练；

当人工智能模型训练服务器的人工智能模型完成训练，人工智能模型训练服务器成为人工智能演算服务器时，使用决策单元将其人工智能服务器信息与新决策节点关联，新决策节点的操作指令为进行演算；

使用决策单元将训练过程中的训练特征进行筛选处理后作为增强特征存储到数据库单元，并将该增强特征与新决策节点关联；

使用决策单元将新决策节点作为一级决策节点的子节点，以此更新决策树。

可选地，使用预处理单元并根据增强特征与待处理图像进行特征融合处理，以生成一级演算的待演算数据，包括：

使用预处理单元对待处理图像和增强特征进行1×1卷积操作，生成图像特征和增强标签特征；

使用预处理单元计算增强标签特征的均值和方差，并对均值和方差进行正态分布采样，生成正态增强标签特征；

使用预处理单元对图像特征进行自注意力计算，生成图像特征通道注意力集合；

使用预处理单元并根据图像特征通道注意力集合筛选确定图像特征的目标特征通道；

使用预处理单元并根据图像特征通道注意力集合生成各自的通道融合权值；

使用预处理单元并根据目标特征通道和通道融合权值对图像特征和正态增强标签特征分别进行通道融合，生成用于一级演算的待演算数据。

可选地，在使用预处理单元并根据增强特征与待处理图像进行特征融合处理，以生成一级演算的待演算数据之前，决策方法还包括：

使用预处理单元确定待处理图像的有效区域，对有效区域进行区域划分，并确定每一个划分区域的边缘点坐标；

使用预处理单元并根据边缘点坐标计算每一个划分区域的膨胀长度和对应的中心坐标，根据中心坐标计算膨胀偏差；

使用预处理单元并根据膨胀偏差计算出膨胀后的膨胀边缘坐标，根据膨胀边缘坐标和膨胀长度对待处理图像的有效区域进行区域膨胀和像素填充。

本申请第三方面提供了一种分布式人工智能模型的决策装置，包括：

接收单元，用于使用数据接收单元接收客户端发送的图像信息，图像信息包括待处理图像和初始标签，初始标签表示待处理图像的一个特征标签；

第一确定单元，用于使用决策单元并根据初始标签从数据库单元确定一个目标特征名称，并根据目标特征名称从数据库单元中确定一个用于一级决策的决策节点，一级决策的决策节点的操作指令为进行演算，目标特征名称与初始标签的关联度最大，决策节点包括单特征演算节点和多特征演算节点，一级决策的决策节点为单特征演算节点；

获取单元，用于使用预处理单元并根据一级决策的决策节点从数据库单元中获取人工智能模型演算服务器信息和增强特征；

第一生成单元，用于使用预处理单元并对增强特征与待处理图像进行特征融合处理，以生成一级演算的待演算数据；

分配单元，用于使用预处理单元并根据人工智能模型演算服务器信息将待演算数据分配到人工智能模型演算服务器中；

第二生成单元，用于使用人工智能模型演算服务器对待演算数据进行迭代演算，并生成待演算数据的第一演算结果，待演算数据的演算结果中包括第一单特征概率值；

第二确定单元，用于使用决策单元并根据第一单特征概率值确定用于二级决策的决策节点；

第三生成单元，用于当二级决策的决策节点的操作指令为进行演算时，使用预处理单元并根据二级决策的决策节点对应的增强特征生成新的待演算数据，使用新的人工智能模型演算服务器进行演算，生成第二演算结果；

发送单元，用于当二级决策的决策节点的操作指令为输出结果时，使用后处理单元将待演算数据的演算结果进行缓存，直到演算完全结束后发送至客户端。

可选地，第二确定单元，包括：

当第一单特征概率值大于第一预设值时，且在数据库单元中目标特征名称存在子特征名称时，则使用决策单元确定子特征名称对应的决策节点作为二级决策的决策节点，子特征名称为目标特征名称同族特征中的下位特征，二级决策的决策节点对应的操作指令为进行演算；

当第一单特征概率值大于第一预设值时，且在数据库单元中目标特征名称不存在子特征名称时，则使用决策单元选取结束演算节点作为二级决策的决策节点，二级决策的决策节点对应的操作指令为输出结果；

当第一单特征概率值不大于第一预设值时，则使用决策单元确定关联特征名称对应的决策节点作为二级决策的决策节点，关联特征名称为目标特征名称同族特征中，剩余的平位特征中关联度最大的一个特征，二级决策的决策节点对应的操作指令为进行演算。

可选地，第二演算结果包括特征概率集合，特征概率集合包括单特征演算节点对应的第二单特征概率值和多特征演算节点对应的多特征概率值；

在第三生成单元之后，决策装置还包括：

第三确定单元，用于当第二单特征概率值大于第二预设值时，则使用决策单元并根据子特征名称是否在数据库单元中存在下位特征来确定下一级的决策节点；

第一选取单元，用于当多特征概率值中存在至少一个大于第三预设值的特征概率时，则使用决策单元选取大于第三预设值的多特征概率值的子特征名称对应的决策节点作为下一级决策的决策节点，下一级决策的决策节点的操作指令为进行演算。

可选地，演算结果中还包括待演算数据的演算特征；

在第三生成单元之后，决策装置还包括：

第二选取单元，用于当第二单特征概率值不大于第二预设值，且多特征概率值中不存在大于第三预设值的特征概率时，则使用决策单元选取结束演算节点作为下一级决策节点，下一级决策节点对应的操作指令为输出结果；

第四确定单元，用于使用决策单元将第一演算结果中的演算特征确定为目标特征名称的新下位特征；

第四生成单元，用于使用决策单元在数据库单元中为新下位特征生成一个新决策节点，并在数据库单元中为新决策节点匹配训练样本，操作指令为构建人工智能模型，为新决策节点匹配的训练样本和新下位特征类型相同；

构建单元，用于使用人工智能模型训练服务器根据新决策节点对应的训练样本进行人工智能模型进行构建，并使用训练样本进行迭代训练；

第一关联单元，用于当人工智能模型训练服务器的人工智能模型完成训练，人工智能模型训练服务器成为人工智能演算服务器时，使用决策单元将其人工智能服务器信息与新决策节点关联，新决策节点的操作指令为进行演算；

第二关联单元，用于使用决策单元将训练过程中的训练特征进行筛选处理后作为增强特征存储到数据库单元，并将该增强特征与新决策节点关联；

更新单元，用于使用决策单元将新决策节点作为一级决策节点的子节点，以此更新决策树。

可选地，第一生成单元，包括：

使用预处理单元对待处理图像和增强特征进行1×1卷积操作，生成图像特征和增强标签特征；

使用预处理单元计算增强标签特征的均值和方差，并对均值和方差进行正态分布采样，生成正态增强标签特征；

使用预处理单元对图像特征进行自注意力计算，生成图像特征通道注意力集合；

使用预处理单元并根据图像特征通道注意力集合筛选确定图像特征的目标特征通道；

使用预处理单元并根据图像特征通道注意力集合生成各自的通道融合权值；

使用预处理单元并根据目标特征通道和通道融合权值对图像特征和正态增强标签特征分别进行通道融合，生成用于一级演算的待演算数据。

可选地，在第一生成单元之前，决策装置还包括：

第五确定单元，用于使用预处理单元确定待处理图像的有效区域，对有效区域进行区域划分，并确定每一个划分区域的边缘点坐标；

第一计算单元，用于使用预处理单元并根据边缘点坐标计算每一个划分区域的膨胀长度和对应的中心坐标，根据中心坐标计算膨胀偏差；

第二计算单元，用于使用预处理单元并根据膨胀偏差计算出膨胀后的膨胀边缘坐标，根据膨胀边缘坐标和膨胀长度对待处理图像的有效区域进行区域膨胀和像素填充。

本申请第四方面提供了一种电子设备，包括：

处理器、存储器、输入输出单元以及总线；

处理器与存储器、输入输出单元以及总线相连；

存储器保存有程序，处理器调用程序以执行如第二方面以及第二方面的任意可选的决策方法。

本申请第五方面提供了一种计算机可读存储介质，计算机可读存储介质上保存有程序，程序在计算机上执行时执行如第二方面以及第二方面的任意可选的决策方法。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请中，首先使用数据接收单元接收客户端发送的图像信息，客户端需要通过人工智能模型对图像信息进行分析，而应用端服务器需要根据预设的规则选择适配的人工智能模型进行分析，降低人工智能模型集群的计算量。其中，图像信息包括待处理图像和初始标签，初始标签表示待处理图像的一个特征标签，初始标签为客户端自主选取的图像标签。接下来，使用决策单元并根据初始标签从数据库单元确定一个目标特征名称，并根据目标特征名称从数据库单元中确定一个用于一级决策的决策节点，决策节点包括单特征演算节点和多特征演算节点，一级决策的决策节点的操作指令为进行演算，目标特征名称与初始标签的关联度最大，一级决策的决策节点为单特征演算节点。由于每一个目标特征名称都存在对应的人工智能模型，所以上述操作可以理解为选取一个与初始标签最适配的人工智能模型。一级决策的决策节点关联有对应的人工智能模型演算服务器信息（人工智能模型的标识信息）和增强特征（人工智能模型在训练过程中训练样本产生的图像特征）。选择好一级决策的决策节点之后，使用预处理单元并根据一级决策的决策节点从数据库单元中获取人工智能模型演算服务器信息和增强特征。使用预处理单元并对增强特征与待处理图像进行特征融合处理，以生成一级演算的待演算数据，目的是为了增强人工智能模型对待处理图像的判断精准度。使用预处理单元并根据人工智能模型演算服务器信息将待演算数据分配到人工智能模型演算服务器中。然后使用人工智能模型演算服务器对待演算数据进行迭代演算，并生成待演算数据的第一演算结果，待演算数据的演算结果中包括第一单特征概率值。使用决策单元并根据第一单特征概率值确定用于二级决策的决策节点。当二级决策的决策节点的操作指令为进行演算时，使用预处理单元并根据二级决策的决策节点对应的增强特征生成新的待演算数据，使用新的人工智能模型演算服务器进行演算，生成第二演算结果。当二级决策的决策节点的操作指令为输出结果时，使用后处理单元将待演算数据的演算结果进行缓存，直到演算完全结束后发送至客户端。当一个决策节点不断扩展都达到决策树末端时，决策树末端的决策节点代表该节点结束演算，则该决策点结束演算，将该节点扩展过程中的演算结果进行缓存，当全部的决策节点都扩展到达结束演算的决策节点时，则表示可以将演算结果发送到客户端。

由于待处理图像和人工智能模型训练样本不是完全相同的，当待处理图像属于训练样本同类型时，通过进行对应的特征融合，可以大幅度的加强待处理图像被人工智能模型识别的概率。如果待处理图像与训练样本的类型不同，即使融合了对应的特征，被识别的概率只能小幅度上升。通过预设值分析待处理图像时，能够更好的分析出待处理图像和人工智能模型对应的目标特征名称是否相匹配。即使发送方发送的图像信息中的待处理图像模糊时，决策节点对应的人工智能模型也能很好的分析，使得分布式人工智能模型的分析准确度下降。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请分布式人工智能模型的决策系统的一个实施例示意图；

图2为本申请分布式人工智能模型的决策方法的第一个实施例流程示意图；

图3a为本申请分布式人工智能模型的决策方法的第二个实施例第一阶段的示意图；

图3b为本申请分布式人工智能模型的决策方法的第二个实施例第二阶段的示意图；

图3c为本申请分布式人工智能模型的决策方法的第二个实施例第三阶段的示意图；

图4为本申请分布式人工智能模型的决策装置的一个实施例示意图；

图5为本申请分布式人工智能模型的决策装置的另一个实施例示意图；

图6为本申请电子设备的一个实施例示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

在现有技术中，现有技术中，已经存在诸多的人工智能模型，这些人工智能模型可以分析对应类型的图像，准确度是机器高的，当前机器视觉的人工智能模型分析，采用了分布式人工智能的分析方式。将训练好的多个类型的人工智能模型放到一个个专属人工智能服务器上，时期组成一个人工智能模型集群，当应用端服务器接收到需要进行演算的图像信息时，根据发送方认定的初始标签进行决策，即选取对应的人工智能模型进行演算，演算完成，应用端服务器根据演算的内容进行下一步决策，是继续寻找人工智能模型进行演算，还是输出结果。但是，大部分的分布式人工智能模型的决策环节中，当发送方发送的初始标签非常笼统时，并且图像信息中的待处理图像模糊时，决策节点对应的人工智能模型很容易判断为否，造成错误，使得分布式人工智能模型的分析准确度下降。

基于此，本申请公开了一种分布式人工智能模型的决策系统、方法及装置，用于提高分析准确度。

下面将结合本申请实施例中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动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。

本申请的方法可以应用于服务器、设备、终端或者其它具备逻辑处理能力的设备，对此，本申请不作限定。为方便描述，下面以执行主体为终端为例进行描述。

请参阅图1，本申请提供了一种分布式人工智能模型的决策系统的一个实施例，包括：

应用端服务器101和人工智能模型集群102，应用端服务器101面对的用户，人工智能模型集群102则是受到应用端服务器101的管理，应用端服务器101根据对应的决策规则决定启用人工智能模型集群102中哪一个人工智能模型，以及何时输出演算结果。应用端服务器101和人工智能模型集群102通过交互接口相互传递信息。

其中，人工智能模型集群102中包含若干人工智能模型演算服务器1021和人工智能模型训练服务器1022，人工智能模型演算服务器1021中包含训练完成的人工智能模型，可以被选用来进行演算，而人工智能模型训练服务器1022主要用于当存在新的特征对应的训练样本时，用于根据这些训练样本训练新的人工智能模型，以更新人工智能模型集群102以及应用端服务器101中的决策内容。

本实施例中，应用端服务器101包括数据接收单元1011、预处理单元1012、后处理单元1013、决策单元1014、数据库单元1015。

数据库单元1015用于存储决策树、特征名称、人工智能服务器信息、增强特征、操作指令、演算数据、模型构建参数和训练样本。决策树是由决策节点组成，具体是由若干个决策节点形成树状经络，除了操作指令为输出结果的决策节点外，一个决策节点后可以存在至少一个下级决策节点。决策节点可以是单特征演算节点和多特征演算节点。单特征演算节点仅对应一个操作指令为继续演算的下级决策节点和一个操作指令为输出结果的决策节点，多特征演算节点对应至少两个操作指令为继续演算的下级决策节点和一个操作指令为输出结果的决策节点。

本实施例中，每一个决策节点对应的特征名称、人工智能服务器信息、增强特征和操作指令都存在差异，其中，除了操作指令为输出结果的决策节点外，每一个决策节点对应一个专属的特征名称，一个专属的人工智能服务器信息（人工智能模型对应专属的特征名称），一组增强特征（该组增强特征的类型对应特征名称），一个操作指令。

数据接收单元1011用于接收客户端发送的图像信息，图像信息包括待处理图像和初始标签。

决策单元1014用于根据初始标签确定用于一级决策的决策节点，并且决策单元1014用于根据演算结果确定用于二级决策的决策节点，决策单元1014用于根据演算结果更新增强特征和决策树的决策节点。总的来说，决策单元1014用于决定每一个决策节点的走向是继续演算还是输出结果。

预处理单元1012用于根据决策节点获取人工智能模型演算服务器1021信息和增强特征，预处理单元1012用于将增强特征与待处理图像进行特征融合处理，以生成待演算数据，这是预处理单元1012最重要也是最核心的作用。由于待处理图像和人工智能模型训练样本不是完全相同的，当待处理图像属于训练样本同类型时，通过进行对应的特征融合，可以大幅度的加强待处理图像被人工智能模型识别的概率。如果待处理图像与训练样本的类型不同，即使融合了对应的特征，被识别的概率只能小幅度上升。通过预设值分析待处理图像时，能够更好的分析出待处理图像和人工智能模型对应的目标特征名称是否相匹配。即使发送方发送的图像信息中的待处理图像模糊时，决策节点对应的人工智能模型也能很好的分析，使得分布式人工智能模型的分析准确度下降。

预处理单元1012用于根据人工智能模型演算服务器1021信息将待演算数据分配到人工智能模型演算服务器1021中。

人工智能模型演算服务器1021用于对待演算数据进行迭代演算，并输出待演算数据的演算结果。

人工智能模型训练服务器1022用于根据数据库单元1015中的训练样本进行构建并训练人工智能模型，人工智能模型训练服务器1022用于生成新的增强特征。

后处理单元1013用于将决策结束后待演算数据的演算结果发送至客户端。

请参阅图2，本申请提供了一种分布式人工智能模型的决策方法的一个实施例，包括：

201、使用数据接收单元接收客户端发送的图像信息，图像信息包括待处理图像和初始标签，初始标签表示待处理图像的一个特征标签；

本实施例中，应用端服务器首先通过与用户交互的数据接受单元进行数据接受，具体是接收用于分析的图像数据。图像信息包括至少一张待处理图像和至少一个初始标签。

例如：客户端传送来的黑美人西瓜图像、石头瓜图像和麒麟瓜图像，并且初始标签选择为夏季水果。

再例如：客户端传送来的黑美人西瓜图像，初始标签选择为水果、夏季水果和西瓜三种。

202、使用决策单元并根据初始标签从数据库单元确定一个目标特征名称，并根据目标特征名称从数据库单元中确定一个用于一级决策的决策节点，一级决策的决策节点的操作指令为进行演算，目标特征名称与初始标签的关联度最大，决策节点包括单特征演算节点和多特征演算节点，一级决策的决策节点为单特征演算节点；

决策单元根据初始标签从数据库单元确定一个目标特征名称，拿上述案例来说，客户端传送来的黑美人西瓜图像、石头瓜图像和麒麟瓜图像，并且初始标签选择为夏季水果，但是数据库单元中不存在夏季水果这一特征名称，则决策单元从数据库单元确定夏季瓜果这一特征名称，并根据夏季瓜果这一目标特征名称从数据库单元中确定一个用于一级决策的决策节点，即决策单元会确定夏季瓜果这一特征名称对应的人工智能模型进行演算。此时，选择的一级决策的决策节点只为单特征演算节点，目的是为了先检测该目标特征名称和图像是否有关系，在人工智能模型的检测中，单特征演算节点对应的人工智能模型只会判断图像是否为目标特征名称的类别，只有是和否两种结果，计算会更快。而多特征演算节点需要判断在目标特征名称的多个下位特征。

例如上述客户端传送来的黑美人西瓜图像，并且初始标签选择为西瓜。选择西瓜这一目标特征名称对应的人工智能模型，判断是否为西瓜，当判断为是，则下一决策节点可以选取黑美人西瓜、石头瓜和麒麟瓜这几个特征名称的决策节点作为下一级节点，黑美人西瓜、石头瓜和麒麟瓜共用一个人工智能模型，该人工智能模型能够分析图像中的瓜为黑美人西瓜的概率，为石头瓜的概率和为麒麟瓜的概率，这就是多特征演算节点，多特征演算节点对应的人工智能模型计算多个特征的概率。

203、使用预处理单元并根据一级决策的决策节点从数据库单元中获取人工智能模型演算服务器信息和增强特征；

预处理单元根据上述一级决策的决策节点从数据库单元中获取对应的人工智能模型演算服务器信息（即人工智能模型集群中人工智能模型演算服务器中的模型标签），以及确定对应的增强特征。

针对单特征演算节点来说，只需要选取对应的人工智能模型在下来过程中识别概率达到预设条件的训练样本的训练特征作为增强特征即可。

而多特征演算节点，有两种方式，一种和单特征演算节点一样，选取训练过程中识别概率达到预设条件的训练样本对应的训练特征。

另一种是不仅要选取识别概率达到预设条件的训练样本，还需要根据训练样本进行分类，分别选出至少一张不同类型特征的。例如人工智能模型（显示屏缺陷）在训练过程中，有缺陷A图像、缺陷B图像和缺陷C图像三种训练样本，训练完成之后，需要选取缺陷A、缺陷B和缺陷C这三种类型中识别概率达到预设条件（高于百分之90）的训练样本的训练特征，并且三种缺陷的训练特征都要有，此时该多特征演算节点的增强特征包括缺陷A的增强特征、缺陷B的增强特征和缺陷C的增强特征。

204、使用预处理单元并对增强特征与待处理图像进行特征融合处理，以生成一级演算的待演算数据；

预处理单元将增强特征与待处理图像进行特征融合处理，生成待演算数据。

其次，多特征演算节点又和单特征演算节点的特征融合方式又不同，步骤203案例中，多特征演算节点的增强特征包括缺陷A的增强特征、缺陷B的增强特征和缺陷C的增强特征，融合时需要针对这三种特征进行分别融合，生成三组待演算数据。

205、使用预处理单元并根据人工智能模型演算服务器信息将待演算数据分配到人工智能模型演算服务器中；

206、使用人工智能模型演算服务器对待演算数据进行迭代演算，并生成待演算数据的第一演算结果，待演算数据的演算结果中包括第一单特征概率值；

接下来，预处理单元需要通过人工智能模型演算服务器信息将待演算数据发送给人工智能模型集群，人工智能模型集群可以通过人工智能模型演算服务器信息确定要启用的人工智能模型所在的服务器，将待演算数据输入到对应的人工智能模型中，并且对待演算数据进行迭代演算，并生成待演算数据的第一演算结果，待演算数据的演算结果中包括第一单特征概率值。

207、使用决策单元并根据第一单特征概率值确定用于二级决策的决策节点；

决策单元接收到第一演算结果之后，即可确定客户端发送的待处理图像是否和该目标特征名称有关，进而确定是否和初始标签相关，分析后选择下一个决策节点。

208、当二级决策的决策节点的操作指令为进行演算时，使用预处理单元并根据二级决策的决策节点对应的增强特征生成新的待演算数据，使用新的人工智能模型演算服务器进行演算，生成第二演算结果；

当二级决策的决策节点的操作指令为进行演算时，再一次使用预处理单元并根据二级决策的决策节点对应的增强特征和待处理图像生成新的待演算数据，然后根据二级决策的决策节点对应的人工智能模型演算服务器信息将待演算数据分配到人工智能模型演算服务器中。使用新的人工智能模型演算服务器对待演算数据进行迭代演算，并生成新的待演算数据的第二演算结果。

209、当二级决策的决策节点的操作指令为输出结果时，使用后处理单元将待演算数据的演算结果进行缓存，直到演算完全结束后发送至客户端。

当二级决策的决策节点的操作指令为输出结果时，使用后处理单元将待演算数据的演算结果进行缓存，直到演算完全结束后发送至客户端。此时只是代表有一级决策点中的一条分支（决策树树枝）达到了最末端的决策节点，其他的分支仍然在进行，后处理单元将待演算数据的演算结果进行缓存，直到所有的分支都达到了最末端，则表示达到了演算结束，接下来后处理单元将所有的演算结果发送至客户端。

本实施例中，首先使用数据接收单元接收客户端发送的图像信息，客户端需要通过人工智能模型对图像信息进行分析，而应用端服务器需要根据预设的规则选择适配的人工智能模型进行分析，降低人工智能模型集群的计算量。其中，图像信息包括待处理图像和初始标签，初始标签表示待处理图像的一个特征标签，初始标签为客户端自主选取的图像标签。接下来，使用决策单元并根据初始标签从数据库单元确定一个目标特征名称，并根据目标特征名称从数据库单元中确定一个用于一级决策的决策节点，一级决策的决策节点的操作指令为进行演算，目标特征名称与初始标签的关联度最大，一级决策的决策节点为单特征演算节点。由于每一个目标特征名称都存在对应的人工智能模型，所以上述操作可以理解为选取一个与初始标签最适配的人工智能模型。一级决策的决策节点关联有对应的人工智能模型演算服务器信息（人工智能模型的标识信息）和增强特征（人工智能模型在训练过程中训练样本产生的图像特征）。选择好一级决策的决策节点之后，使用预处理单元并根据一级决策的决策节点从数据库单元中获取人工智能模型演算服务器信息和增强特征。使用预处理单元并对增强特征与待处理图像进行特征融合处理，以生成一级演算的待演算数据，目的是为了增强人工智能模型对待处理图像的判断精准度。使用预处理单元并根据人工智能模型演算服务器信息将待演算数据分配到人工智能模型演算服务器中。然后使用人工智能模型演算服务器对待演算数据进行迭代演算，并生成待演算数据的第一演算结果，待演算数据的演算结果中包括第一单特征概率值。使用决策单元并根据第一单特征概率值确定用于二级决策的决策节点。当二级决策的决策节点的操作指令为进行演算时，使用预处理单元并根据二级决策的决策节点对应的增强特征生成新的待演算数据，使用新的人工智能模型演算服务器进行演算，生成第二演算结果。当二级决策的决策节点的操作指令为输出结果时，使用后处理单元将待演算数据的演算结果进行缓存，直到演算完全结束后发送至客户端。当一个决策节点不断扩展都达到决策树末端时，决策树末端的决策节点代表该节点结束演算，则该决策点结束演算，将该节点扩展过程中的演算结果进行缓存，当全部的决策节点都扩展到达结束演算的决策节点时，则表示可以将演算结果发送到客户端。

由于待处理图像和人工智能模型训练样本不是完全相同的，当待处理图像属于训练样本同类型时，通过进行对应的特征融合，可以大幅度的加强待处理图像被人工智能模型识别的概率。如果待处理图像与训练样本的类型不同，即使融合了对应的特征，被识别的概率只能小幅度上升。通过预设值分析待处理图像时，能够更好的分析出待处理图像和人工智能模型对应的目标特征名称是否相匹配。即使发送方发送的图像信息中的待处理图像模糊时，决策节点对应的人工智能模型也能很好的分析，使得分布式人工智能模型的分析准确度下降。

请参阅图3a、图3b和图3c，本申请提供了一种分布式人工智能模型的决策方法的另一个实施例，包括：

301、使用数据接收单元接收客户端发送的图像信息，图像信息包括待处理图像和初始标签，初始标签表示待处理图像的一个特征标签；

302、使用决策单元并根据初始标签从数据库单元确定一个目标特征名称，并根据目标特征名称从数据库单元中确定一个用于一级决策的决策节点，一级决策的决策节点的操作指令为进行演算，目标特征名称与初始标签的关联度最大，决策节点包括单特征演算节点和多特征演算节点，一级决策的决策节点为单特征演算节点；

303、使用预处理单元并根据一级决策的决策节点从数据库单元中获取人工智能模型演算服务器信息和增强特征；

本实施例中的步骤301至303与前述实施例中步骤201和步骤203类似，此处不再赘述。

304、使用预处理单元确定待处理图像的有效区域，对有效区域进行区域划分，并确定每一个划分区域的边缘点坐标；

305、使用预处理单元并根据边缘点坐标计算每一个划分区域的膨胀长度和对应的中心坐标，根据中心坐标计算膨胀偏差；

306、使用预处理单元并根据膨胀偏差计算出膨胀后的膨胀边缘坐标，根据膨胀边缘坐标和膨胀长度对待处理图像的有效区域进行区域膨胀和像素填充；

本实施例中，为了对待处理图像中进行膨胀，首先使用预处理单元确定待处理图像的有效区域，对有效区域进行区域划分，并确定每一个划分区域的边缘点坐标，接下来使用预处理单元并根据边缘点坐标计算每一个划分区域的膨胀长度，具体为根据多个边缘点坐标先确定每一个划分区域的一段边的起点坐标和终点坐标。根据起点坐标和终点坐标计算该条边的膨胀长度。再通过一段边的起点坐标和终点坐标计算生成中心坐标，并根据中心坐标计算膨胀偏差。最后预处理单元根据膨胀偏差计算出膨胀后的膨胀边缘坐标，根据膨胀边缘坐标和膨胀长度对待处理图像的有效区域进行区域膨胀和像素填充。

公式如下：

其中，y1、y2、x1和x2为起点坐标和终点坐标，T为外扩尺寸，D为线段长度，和分别为行列方向偏差。K为系数。

预处理单元根据膨胀偏差计算出膨胀后的膨胀边缘坐标之后，即可生成膨胀后的图像，膨胀后的图像中，原本的划分区域只是位置发生了变化，划分区域由贴合变成了分离，两个划分区域中间形成了空白区域，以方便后续的增强特征的插入。

307、使用预处理单元对待处理图像和增强特征进行1×1卷积操作，生成图像特征和增强标签特征；

308、使用预处理单元计算增强标签特征的均值和方差，并对均值和方差进行正态分布采样，生成正态增强标签特征；

309、使用预处理单元对图像特征进行自注意力计算，生成图像特征通道注意力集合；

310、使用预处理单元并根据图像特征通道注意力集合筛选确定图像特征的目标特征通道；

311、使用预处理单元并根据图像特征通道注意力集合生成各自的通道融合权值；

312、使用预处理单元并根据目标特征通道和通道融合权值对图像特征和正态增强标签特征分别进行通道融合，生成用于一级演算的待演算数据；

本实施例中，首先预处理单元对待处理图像和增强特征进行1×1卷积操作，生成图像特征和增强标签特征。

预处理单元计算增强标签特征的均值和方差，并对均值和方差进行正态分布采样，生成正态增强标签特征；

由于均值和方差所计算出来的正态分布并不是平滑的，不可导，所以本实施例中主要通过重参数化技术对均值和方差进行采样，采样出符合的正态增强标签特征。

预处理单元对图像特征进行自注意力计算，生成图像特征通道注意力集合，由于待处理图像进行了图像的膨胀处理，并且原图像中也存在背景区域，所以需要进行自注意力计算，确定白像素区域和背景区域。

预处理单元根据图像特征通道注意力集合筛选确定图像特征的目标特征通道，具体是选取出注意力大于预设值的目标特征通道。

接下来预处理单元根据图像特征通道注意力集合生成各自的通道融合权值，即确定元图像中特征在各个通道的注意力比重。最后预处理单元根据目标特征通道和通道融合权值对图像特征和正态增强标签特征分别进行通道融合，将注意力比重越大的通道中间设置更多的正态增强标签特征。填充满白色区域，而背景区域则少量填充还真是不填充。

通过上述的特征通道的融合方法，能够极大程度的凸显需要的特征，而不会过于图像不同类型的特征。

313、使用预处理单元并根据人工智能模型演算服务器信息将待演算数据分配到人工智能模型演算服务器中；

314、使用人工智能模型演算服务器对待演算数据进行迭代演算，并生成待演算数据的第一演算结果，待演算数据的演算结果中包括第一单特征概率值；

本实施例中的步骤313至314与前述实施例中步骤205和步骤206类似，此处不再赘述。

315、当第一单特征概率值大于第一预设值时，且在数据库单元中目标特征名称存在子特征名称时，则使用决策单元确定子特征名称对应的决策节点作为二级决策的决策节点，子特征名称为目标特征名称同族特征中的下位特征，二级决策的决策节点对应的操作指令为进行演算；

316、当第一单特征概率值大于第一预设值时，且在数据库单元中目标特征名称不存在子特征名称时，则使用决策单元选取结束演算节点作为二级决策的决策节点，二级决策的决策节点对应的操作指令为输出结果；

317、当第一单特征概率值不大于第一预设值时，则使用决策单元确定关联特征名称对应的决策节点作为二级决策的决策节点，关联特征名称为目标特征名称同族特征中，剩余的平位特征中关联度最大的一个特征，二级决策的决策节点对应的操作指令为进行演算；

本实施例中，当第一单特征概率值大于第一预设值时，表示待处理图像已经符合该人工智能模型对应的目标特征名称的类别，则这时候需要看看目标特征名称是否在数据库单元中存在同族特征中的下位特征，如果存在，则标识有下位特征对应的人工智能模型，即可使用决策单元确定子特征名称对应的决策节点作为二级决策的决策节点，该，二级决策的决策节点对应的操作指令为进行演算。

当第一单特征概率值大于第一预设值时，表示待处理图像已经符合该人工智能模型对应的目标特征名称的类别，但是在数据库单元中发现目标特征名称不存在子特征名称，表示已经没有子特征，也不会有对应的人工智能模型，则决策单元选取结束演算节点作为二级决策的决策节点，二级决策的决策节点对应的操作指令为输出结果，这一分支结束，将演算结果进行缓存，直到结束后发送给客户端。

当第一单特征概率值不大于第一预设值时，表示待处理图像不符合该人工智能模型对应的目标特征名称的类别，则决策单元确定与目标特征名称处于平位的关联特征，具体选取关联度最大的关联特征名称，并且将关联特征名称对应的决策节点作为二级决策的决策节点，二级决策的决策节点对应的操作指令为进行演算，进入下一个演算的决策节点。

318、当二级决策的决策节点的操作指令为进行演算时，使用预处理单元并根据二级决策的决策节点对应的增强特征生成新的待演算数据，使用新的人工智能模型演算服务器进行演算，生成第二演算结果；

319、当二级决策的决策节点的操作指令为输出结果时，使用后处理单元将待演算数据的演算结果进行缓存，直到演算完全结束后发送至客户端；

本实施例中的步骤318至319与前述实施例中步骤208和步骤209类似，此处不再赘述。

320、当第二单特征概率值大于第二预设值时，则使用决策单元并根据子特征名称是否在数据库单元中存在下位特征来确定下一级的决策节点；

321、当多特征概率值中存在至少一个大于第三预设值的特征概率时，则使用决策单元选取大于第三预设值的多特征概率值的子特征名称对应的决策节点作为下一级决策的决策节点，下一级决策的决策节点的操作指令为进行演算；

当第二单特征概率值大于第二预设值时，则决策单元并根据子特征名称是否在数据库单元中存在下位特征来确定下一级的决策节点，步骤320的决策方式与步骤315至步骤317相似，都是单特征演算节点的决策方式，此处不做赘述。

而面对多特征演算节点时，当多特征概率值中存在至少一个大于第三预设值的特征概率时，表示在目标特征名称之下有至少一个子特征相似度达到，则决策单元选取大于第三预设值的多特征概率值的子特征名称对应的决策节点作为下一级决策的决策节点，下一级决策的决策节点的操作指令为进行演算。下面通过例子进行说明，例如：初始标签对应的目标特征名称为显示屏缺陷，通过单特征演算节点的人工智能模型进行演算之后，确定为显示屏缺陷图像，接下来根据决策节点选择是缺陷A、缺陷B和缺陷C三个子特征，这三个缺陷中。缺陷B分为子缺陷D、子缺陷E和子缺陷F（三个子特征名称）。此时使用两个单特征演算节点（缺陷A和缺陷C）演算分析待处理图像是否为缺陷A和缺陷C，使用一个多特征演算节点（缺陷B）演算分析待处理图像属于子缺陷D、子缺陷E和子缺陷F的概率。

当多特征演算节点的人工智能模型演算分析显示，待处理图像为子缺陷D、子缺陷E和子缺陷F的概率分别为百分之40、百分之40和百分之20。子缺陷D和子缺陷E达到要求，此时，选择子缺陷D和子缺陷E这两个子特征名称对应的决策节点作为下一级决策的决策节点，下一级决策的决策节点的操作指令为进行演算。

322、当第二单特征概率值不大于第二预设值，且多特征概率值中不存在大于第三预设值的特征概率时，则使用决策单元选取结束演算节点作为下一级决策节点，下一级决策节点对应的操作指令为输出结果；

323、使用决策单元将第一演算结果中的演算特征确定为目标特征名称的新下位特征；

324、使用决策单元在数据库单元中为新下位特征生成一个新决策节点，并在数据库单元中为新决策节点匹配训练样本，操作指令为构建人工智能模型，为新决策节点匹配的训练样本和新下位特征类型相同；

325、使用人工智能模型训练服务器根据新决策节点对应的训练样本进行人工智能模型进行构建，并使用训练样本进行迭代训练；

326、当人工智能模型训练服务器的人工智能模型完成训练，人工智能模型训练服务器成为人工智能演算服务器时，使用决策单元将其人工智能服务器信息与新决策节点关联，新决策节点的操作指令为进行演算；

327、使用决策单元将训练过程中的训练特征进行筛选处理后作为增强特征存储到数据库单元，并将该增强特征与新决策节点关联；

328、使用决策单元将新决策节点作为一级决策节点的子节点，以此更新决策树。

当第二单特征概率值不大于第二预设值，且多特征概率值中不存在大于第三预设值的特征概率时，表示是一个全新的特征，则使用决策单元选取结束演算节点作为下一级决策节点，下一级决策节点对应的操作指令为输出结果。

例如：客户端传送来的黑美人西瓜图像，并且初始标签选择为西瓜，经过一级决策的决策节点演算分析确认为西瓜（目标特征名称和初始标签一致），此时选择二级决策节点包括西瓜的下位特征石头瓜（单特征演算节点）、麒麟瓜和黄壤西瓜（单特征演算节点），而麒麟瓜（多特征演算节点）分为品种A和品种C，演算后发现单特征演算节点和多特征演算节点都不存在结果，则判断这个待处理图像属于新的品种（新的子特征），该品种属于西瓜这一目标特征名称之下。这时，决策单元将第一演算结果中的演算特征确定为目标特征名称的新下位特征。决策单元在数据库单元中为新下位特征生成一个新决策节点，并在数据库单元中将待处理图像进行保存，此时还不确定该待处理图像是否为新的特征，需要通过认为判断后，确定的确是新的特征，再通过人为获取训练样本，此时决策单元才可以为新决策节点匹配训练样本，操作指令为构建人工智能模型，为新决策节点匹配的训练样本和新下位特征类型相同。使用人工智能模型训练服务器根据新决策节点对应的训练样本进行人工智能模型进行构建，并使用训练样本进行迭代训练。当然，也可以时应用端在多次收集到被标记为新下位特征的待处理图像之后，到处理图像足够充足，则决策单元自行启动人工智能集群进行分类，整理成训练样本，在通过构建人工智能模型进行训练。

当人工智能模型训练服务器的人工智能模型完成训练，即可确定人工智能模型训练服务器成为人工智能演算服务器，决策单元将即可将新的人工智能演算服务器的人工智能服务器信息与新决策节点关联。此时，新决策节点已经可以作为一个成熟的决策节点进行演算了，决策单元设置心决策点的操作指令为进行演算。并且决策单元将训练过程中的训练特征进行筛选处理后作为增强特征存储到数据库单元，并将该增强特征与新决策节点关联。使用决策单元将新决策节点作为一级决策节点的子节点，以此更新决策树。

本实施例中，首先使用数据接收单元接收客户端发送的图像信息，客户端需要通过人工智能模型对图像信息进行分析，而应用端服务器需要根据预设的规则选择适配的人工智能模型进行分析，降低人工智能模型集群的计算量。其中，图像信息包括待处理图像和初始标签，初始标签表示待处理图像的一个特征标签，初始标签为客户端自主选取的图像标签。接下来，使用决策单元并根据初始标签从数据库单元确定一个目标特征名称，并根据目标特征名称从数据库单元中确定一个用于一级决策的决策节点，一级决策的决策节点的操作指令为进行演算，目标特征名称与初始标签的关联度最大，一级决策的决策节点为单特征演算节点。由于每一个目标特征名称都存在对应的人工智能模型，所以上述操作可以理解为选取一个与初始标签最适配的人工智能模型。一级决策的决策节点关联有对应的人工智能模型演算服务器信息（人工智能模型的标识信息）和增强特征（人工智能模型在训练过程中训练样本产生的图像特征）。选择好一级决策的决策节点之后，使用预处理单元并根据一级决策的决策节点从数据库单元中获取人工智能模型演算服务器信息和增强特征。

使用预处理单元确定待处理图像的有效区域，对有效区域进行区域划分，并确定每一个划分区域的边缘点坐标。使用预处理单元并根据边缘点坐标计算每一个划分区域的膨胀长度和对应的中心坐标，根据中心坐标计算膨胀偏差。使用预处理单元并根据膨胀偏差计算出膨胀后的膨胀边缘坐标，根据膨胀边缘坐标和膨胀长度对待处理图像的有效区域进行区域膨胀和像素填充。

使用预处理单元对待处理图像和增强特征进行1×1卷积操作，生成图像特征和增强标签特征。使用预处理单元计算增强标签特征的均值和方差，并对均值和方差进行正态分布采样，生成正态增强标签特征。使用预处理单元对图像特征进行自注意力计算，生成图像特征通道注意力集合。使用预处理单元并根据图像特征通道注意力集合筛选确定图像特征的目标特征通道。使用预处理单元并根据图像特征通道注意力集合生成各自的通道融合权值。使用预处理单元并根据目标特征通道和通道融合权值对图像特征和正态增强标签特征分别进行通道融合，生成用于一级演算的待演算数据。

使用预处理单元并根据人工智能模型演算服务器信息将待演算数据分配到人工智能模型演算服务器中。然后使用人工智能模型演算服务器对待演算数据进行迭代演算，并生成待演算数据的第一演算结果，待演算数据的演算结果中包括第一单特征概率值。

当第一单特征概率值大于第一预设值时，且在数据库单元中目标特征名称存在子特征名称时，则使用决策单元确定子特征名称对应的决策节点作为二级决策的决策节点，子特征名称为目标特征名称同族特征中的下位特征，二级决策的决策节点对应的操作指令为进行演算。当第一单特征概率值大于第一预设值时，且在数据库单元中目标特征名称不存在子特征名称时，则使用决策单元选取结束演算节点作为二级决策的决策节点，二级决策的决策节点对应的操作指令为输出结果。当第一单特征概率值不大于第一预设值时，则使用决策单元确定关联特征名称对应的决策节点作为二级决策的决策节点，关联特征名称为目标特征名称同族特征中，剩余的平位特征中关联度最大的一个特征，二级决策的决策节点对应的操作指令为进行演算。

当二级决策的决策节点的操作指令为进行演算时，使用预处理单元并根据二级决策的决策节点对应的增强特征生成新的待演算数据，使用新的人工智能模型演算服务器进行演算，生成第二演算结果。

当二级决策的决策节点的操作指令为输出结果时，使用后处理单元将待演算数据的演算结果进行缓存，直到演算完全结束后发送至客户端。当一个决策节点不断扩展都达到决策树末端时，决策树末端的决策节点代表该节点结束演算，则该决策点结束演算，将该节点扩展过程中的演算结果进行缓存，当全部的决策节点都扩展到达结束演算的决策节点时，则表示可以将演算结果发送到客户端。

当第二单特征概率值大于第二预设值时，则使用决策单元并根据子特征名称是否在数据库单元中存在下位特征来确定下一级的决策节点。当多特征概率值中存在至少一个大于第三预设值的特征概率时，则使用决策单元选取大于第三预设值的多特征概率值的子特征名称的下位特征对应的决策节点作为下一级决策的决策节点，下一级决策的决策节点的操作指令为进行演算。

当第二单特征概率值不大于第二预设值，且多特征概率值中不存在大于第三预设值的特征概率时，则使用决策单元选取结束演算节点作为下一级决策节点，下一级决策节点对应的操作指令为输出结果。使用决策单元将第一演算结果中的演算特征确定为目标特征名称的新下位特征。使用决策单元在数据库单元中为新下位特征生成一个新决策节点，并在数据库单元中为新决策节点匹配训练样本，操作指令为构建人工智能模型，为新决策节点匹配的训练样本和新下位特征类型相同。使用人工智能模型训练服务器根据新决策节点对应的训练样本进行人工智能模型进行构建，并使用训练样本进行迭代训练。当人工智能模型训练服务器的人工智能模型完成训练，人工智能模型训练服务器成为人工智能演算服务器时，使用决策单元将其人工智能服务器信息与新决策节点关联，新决策节点的操作指令为进行演算。使用决策单元将训练过程中的训练特征进行筛选处理后作为增强特征存储到数据库单元，并将该增强特征与新决策节点关联。使用决策单元将新决策节点作为一级决策节点的子节点，以此更新决策树。

由于待处理图像和人工智能模型训练样本不是完全相同的，当待处理图像属于训练样本同类型时，通过进行对应的特征融合，可以大幅度的加强待处理图像被人工智能模型识别的概率。如果待处理图像与训练样本的类型不同，即使融合了对应的特征，被识别的概率只能小幅度上升。通过预设值分析待处理图像时，能够更好的分析出待处理图像和人工智能模型对应的目标特征名称是否相匹配。即使发送方发送的图像信息中的待处理图像模糊时，决策节点对应的人工智能模型也能很好的分析，使得分布式人工智能模型的分析准确度下降。

请参阅图4，本申请提供了一种分布式人工智能模型的决策装置的另一个实施例，包括：

接收单元401，用于使用数据接收单元接收客户端发送的图像信息，图像信息包括待处理图像和初始标签，初始标签表示待处理图像的一个特征标签；

第一确定单元402，用于使用决策单元并根据初始标签从数据库单元确定一个目标特征名称，并根据目标特征名称从数据库单元中确定一个用于一级决策的决策节点，一级决策的决策节点的操作指令为进行演算，目标特征名称与初始标签的关联度最大，决策节点包括单特征演算节点和多特征演算节点，一级决策的决策节点为单特征演算节点；

获取单元403，用于使用预处理单元并根据一级决策的决策节点从数据库单元中获取人工智能模型演算服务器信息和增强特征；

第一生成单元404，用于使用预处理单元并对增强特征与待处理图像进行特征融合处理，以生成一级演算的待演算数据；

分配单元405，用于使用预处理单元并根据人工智能模型演算服务器信息将待演算数据分配到人工智能模型演算服务器中；

第二生成单元406，用于使用人工智能模型演算服务器对待演算数据进行迭代演算，并生成待演算数据的第一演算结果，待演算数据的演算结果中包括第一单特征概率值；

第二确定单元407，用于使用决策单元并根据第一单特征概率值确定用于二级决策的决策节点；

第三生成单元408，用于当二级决策的决策节点的操作指令为进行演算时，使用预处理单元并根据二级决策的决策节点对应的增强特征生成新的待演算数据，使用新的人工智能模型演算服务器进行演算，生成第二演算结果；

发送单元409，用于当二级决策的决策节点的操作指令为输出结果时，使用后处理单元将待演算数据的演算结果进行缓存，直到演算完全结束后发送至客户端。

请参阅图5，本申请提供了一种分布式人工智能模型的决策装置的另一个实施例，包括：

接收单元501，用于使用数据接收单元接收客户端发送的图像信息，图像信息包括待处理图像和初始标签，初始标签表示待处理图像的一个特征标签；

第一确定单元502，用于使用决策单元并根据初始标签从数据库单元确定一个目标特征名称，并根据目标特征名称从数据库单元中确定一个用于一级决策的决策节点，一级决策的决策节点的操作指令为进行演算，目标特征名称与初始标签的关联度最大，决策节点包括单特征演算节点和多特征演算节点，一级决策的决策节点为单特征演算节点；

获取单元503，用于使用预处理单元并根据一级决策的决策节点从数据库单元中获取人工智能模型演算服务器信息和增强特征；

第五确定单元504，用于使用预处理单元确定待处理图像的有效区域，对有效区域进行区域划分，并确定每一个划分区域的边缘点坐标；

第一计算单元505，用于使用预处理单元并根据边缘点坐标计算每一个划分区域的膨胀长度和对应的中心坐标，根据中心坐标计算膨胀偏差；

第二计算单元506，用于使用预处理单元并根据膨胀偏差计算出膨胀后的膨胀边缘坐标，根据膨胀边缘坐标和膨胀长度对待处理图像的有效区域进行区域膨胀和像素填充；

第一生成单元507，用于使用预处理单元并对增强特征与待处理图像进行特征融合处理，以生成一级演算的待演算数据；

可选地，第一生成单元507，包括：

使用预处理单元对待处理图像和增强特征进行1×1卷积操作，生成图像特征和增强标签特征；

使用预处理单元计算增强标签特征的均值和方差，并对均值和方差进行正态分布采样，生成正态增强标签特征；

使用预处理单元对图像特征进行自注意力计算，生成图像特征通道注意力集合；

使用预处理单元并根据图像特征通道注意力集合筛选确定图像特征的目标特征通道；

使用预处理单元并根据图像特征通道注意力集合生成各自的通道融合权值；

使用预处理单元并根据目标特征通道和通道融合权值对图像特征和正态增强标签特征分别进行通道融合，生成用于一级演算的待演算数据。

分配单元508，用于使用预处理单元并根据人工智能模型演算服务器信息将待演算数据分配到人工智能模型演算服务器中；

第二生成单元509，用于使用人工智能模型演算服务器对待演算数据进行迭代演算，并生成待演算数据的第一演算结果，待演算数据的演算结果中包括第一单特征概率值；

第二确定单元510，用于使用决策单元并根据第一单特征概率值确定用于二级决策的决策节点；

可选地，第二确定单元510，包括：

当第一单特征概率值大于第一预设值时，且在数据库单元中目标特征名称存在子特征名称时，则使用决策单元确定子特征名称对应的决策节点作为二级决策的决策节点，子特征名称为目标特征名称同族特征中的下位特征，二级决策的决策节点对应的操作指令为进行演算；

当第一单特征概率值大于第一预设值时，且在数据库单元中目标特征名称不存在子特征名称时，则使用决策单元选取结束演算节点作为二级决策的决策节点，二级决策的决策节点对应的操作指令为输出结果；

当第一单特征概率值不大于第一预设值时，则使用决策单元确定关联特征名称对应的决策节点作为二级决策的决策节点，关联特征名称为目标特征名称同族特征中，剩余的平位特征中关联度最大的一个特征，二级决策的决策节点对应的操作指令为进行演算。

第三生成单元511，用于当二级决策的决策节点的操作指令为进行演算时，使用预处理单元并根据二级决策的决策节点对应的增强特征生成新的待演算数据，使用新的人工智能模型演算服务器进行演算，生成第二演算结果；

发送单元512，用于当二级决策的决策节点的操作指令为输出结果时，使用后处理单元将待演算数据的演算结果进行缓存，直到演算完全结束后发送至客户端；

第三确定单元513，用于当第二单特征概率值大于第二预设值时，则使用决策单元并根据子特征名称是否在数据库单元中存在下位特征来确定下一级的决策节点；

第一选取单元514，用于当多特征概率值中存在至少一个大于第三预设值的特征概率时，则使用决策单元选取大于第三预设值的多特征概率值的子特征名称对应的决策节点作为下一级决策的决策节点，下一级决策的决策节点的操作指令为进行演算；

第二选取单元515，用于当第二单特征概率值不大于第二预设值，且多特征概率值中不存在大于第三预设值的特征概率时，则使用决策单元选取结束演算节点作为下一级决策节点，下一级决策节点对应的操作指令为输出结果；

第四确定单元516，用于使用决策单元将第一演算结果中的演算特征确定为目标特征名称的新下位特征；

第四生成单元517，用于使用决策单元在数据库单元中为新下位特征生成一个新决策节点，并在数据库单元中为新决策节点匹配训练样本，操作指令为构建人工智能模型，为新决策节点匹配的训练样本和新下位特征类型相同；

构建单元518，用于使用人工智能模型训练服务器根据新决策节点对应的训练样本进行人工智能模型进行构建，并使用训练样本进行迭代训练；

第一关联单元519，用于当人工智能模型训练服务器的人工智能模型完成训练，人工智能模型训练服务器成为人工智能演算服务器时，使用决策单元将其人工智能服务器信息与新决策节点关联，新决策节点的操作指令为进行演算；

第二关联单元520，用于使用决策单元将训练过程中的训练特征进行筛选处理后作为增强特征存储到数据库单元，并将该增强特征与新决策节点关联；

更新单元521，用于使用决策单元将新决策节点作为一级决策节点的子节点，以此更新决策树。

请参阅图6，本申请提供了一种电子设备，包括：

处理器601、存储器603、输入输出单元602以及总线604。

处理器601与存储器603、输入输出单元602以及总线604相连。

存储器603保存有程序，处理器601调用程序以执行如图2、图3a、图3b和图3c中的决策方法。

本申请提供了一种计算机可读存储介质，计算机可读存储介质上保存有程序，程序在计算机上执行时执行如图2、图3a、图3b和图3c中的决策方法。

所属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。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

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，本申请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）执行本申请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（ROM，read-onlymemory）、随机存取存储器（RAM，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种分布式人工智能模型的决策系统，其特征在于，包括：

应用端服务器和人工智能模型集群；

所述人工智能模型集群中包含若干人工智能模型演算服务器和人工智能模型训练服务器，所述人工智能模型演算服务器中包含训练完成的人工智能模型；

所述应用端服务器包括数据接收单元、预处理单元、后处理单元、决策单元、数据库单元；

所述数据库单元用于存储决策树、特征名称、人工智能服务器信息、增强特征、操作指令、演算数据、模型构建参数和训练样本，所述决策树具有若干个形成树状经络的决策节点，每个所述决策节点分别对应不同的特征名称、人工智能服务器信息、增强特征和操作指令；

所述数据接收单元用于接收客户端发送的图像信息，所述图像信息包括待处理图像和初始标签；

所述决策单元用于根据所述初始标签确定用于一级决策的决策节点；

所述预处理单元用于根据所述决策节点获取人工智能模型演算服务器信息和增强特征，所述预处理单元用于将所述增强特征与所述待处理图像进行特征融合处理，以生成待演算数据，所述预处理单元用于根据所述人工智能模型演算服务器信息将所述待演算数据分配到人工智能模型演算服务器中；

所述人工智能模型演算服务器用于对所述待演算数据进行迭代演算，并输出所述待演算数据的演算结果；

所述决策单元用于根据演算结果确定用于二级决策的决策节点，所述决策单元用于根据演算结果更新所述增强特征和所述决策树的决策节点；

所述人工智能模型训练服务器用于根据所述数据库单元中的训练样本进行构建并训练人工智能模型，所述人工智能模型训练服务器用于生成新的增强特征；

所述后处理单元用于将决策结束后所述待演算数据的演算结果发送至所述客户端。

2.一种基于权利要求1所述的决策系统的决策方法，其特征在于，包括：

使用数据接收单元接收客户端发送的图像信息，所述图像信息包括待处理图像和初始标签，所述初始标签表示所述待处理图像的一个特征标签；

使用决策单元并根据所述初始标签从所述数据库单元确定一个目标特征名称，并根据目标特征名称从所述数据库单元中确定一个用于一级决策的决策节点，一级决策的决策节点的操作指令为进行演算，所述目标特征名称与所述初始标签的关联度最大，决策节点包括单特征演算节点和多特征演算节点，一级决策的决策节点为单特征演算节点；

使用预处理单元并根据所述一级决策的决策节点从所述数据库单元中获取人工智能模型演算服务器信息和增强特征；

使用所述预处理单元并对所述增强特征与所述待处理图像进行特征融合处理，以生成一级演算的待演算数据；

使用所述预处理单元并根据所述人工智能模型演算服务器信息将所述待演算数据分配到人工智能模型演算服务器中；

使用所述人工智能模型演算服务器对所述待演算数据进行迭代演算，并生成所述待演算数据的第一演算结果，所述待演算数据的演算结果中包括第一单特征概率值；

使用所述决策单元并根据所述第一单特征概率值确定用于二级决策的决策节点；

当所述二级决策的决策节点的操作指令为进行演算时，使用所述预处理单元并根据所述二级决策的决策节点对应的增强特征生成新的待演算数据，使用新的人工智能模型演算服务器进行演算，生成第二演算结果；

当所述二级决策的决策节点的操作指令为输出结果时，使用后处理单元将所述待演算数据的演算结果进行缓存，直到演算完全结束后发送至所述客户端。

3.根据权利要求2所述的决策方法，其特征在于，使用所述决策单元并根据所述第一单特征概率值确定用于二级决策的决策节点，包括：

当所述第一单特征概率值大于第一预设值时，且在所述数据库单元中所述目标特征名称存在子特征名称时，则使用所述决策单元确定子特征名称对应的决策节点作为二级决策的决策节点，所述子特征名称为所述目标特征名称同族特征中的下位特征，二级决策的决策节点对应的操作指令为进行演算；

当所述第一单特征概率值大于第一预设值时，且在所述数据库单元中所述目标特征名称不存在子特征名称时，则使用所述决策单元选取结束演算节点作为二级决策的决策节点，二级决策的决策节点对应的操作指令为输出结果；

当所述第一单特征概率值不大于第一预设值时，则使用所述决策单元确定关联特征名称对应的决策节点作为二级决策的决策节点，所述关联特征名称为所述目标特征名称同族特征中，剩余的平位特征中关联度最大的一个特征，二级决策的决策节点对应的操作指令为进行演算。

4.根据权利要求3所述的决策方法，其特征在于，所述第二演算结果包括特征概率集合，所述特征概率集合包括单特征演算节点对应的第二单特征概率值和所述多特征演算节点对应的多特征概率值；

在使用所述预处理单元并根据所述二级决策的决策节点对应的增强特征生成新的待演算数据，使用新的人工智能模型演算服务器进行演算，生成第二演算结果之后，所述决策方法还包括：

当所述第二单特征概率值大于第二预设值时，则使用所述决策单元并根据所述子特征名称是否在所述数据库单元中存在下位特征来确定下一级的决策节点；

当所述多特征概率值中存在至少一个大于第三预设值的特征概率时，则使用所述决策单元选取大于第三预设值的多特征概率值的子特征名称对应的决策节点作为下一级决策的决策节点，下一级决策的决策节点的操作指令为进行演算。

5.根据权利要求4所述的决策方法，其特征在于，所述演算结果中还包括待演算数据的演算特征；

在使用所述决策单元选取大于第三预设值的多特征概率值的子特征名称的下位特征对应的决策节点作为下一级决策的决策节点，下一决策的决策节点的操作指令为进行演算之后，所述决策方法还包括：

当所述第二单特征概率值不大于第二预设值，且所述多特征概率值中不存在大于第三预设值的特征概率时，则使用所述决策单元选取结束演算节点作为下一级决策节点，下一级决策节点对应的操作指令为输出结果；

使用所述决策单元将所述第一演算结果中的演算特征确定为所述目标特征名称的新下位特征；

使用所述决策单元在所述数据库单元中为所述新下位特征生成一个新决策节点，并在所述数据库单元中为所述新决策节点匹配训练样本，操作指令为构建人工智能模型，为所述新决策节点匹配的训练样本和所述新下位特征类型相同；

使用人工智能模型训练服务器根据所述新决策节点对应的训练样本进行人工智能模型进行构建，并使用训练样本进行迭代训练；

当所述人工智能模型训练服务器的人工智能模型完成训练，人工智能模型训练服务器成为人工智能演算服务器时，使用所述决策单元将其人工智能服务器信息与所述新决策节点关联，所述新决策节点的操作指令为进行演算；

使用所述决策单元将训练过程中的训练特征进行筛选处理后作为增强特征存储到数据库单元，并将该增强特征与所述新决策节点关联；

使用所述决策单元将所述新决策节点作为一级决策节点的子节点，以此更新决策树。

6.根据权利要求2至5中任一项所述的决策方法，其特征在于，使用所述预处理单元并根据所述增强特征与所述待处理图像进行特征融合处理，以生成一级演算的待演算数据，包括：

使用所述预处理单元对所述待处理图像和所述增强特征进行1×1卷积操作，生成图像特征和增强标签特征；

使用所述预处理单元计算增强标签特征的均值和方差，并对均值和方差进行正态分布采样，生成正态增强标签特征；

使用所述预处理单元对所述图像特征进行自注意力计算，生成图像特征通道注意力集合；

使用所述预处理单元并根据所述图像特征通道注意力集合筛选确定所述图像特征的目标特征通道；

使用所述预处理单元并根据所述图像特征通道注意力集合生成各自的通道融合权值；

使用所述预处理单元并根据所述目标特征通道和所述通道融合权值对所述图像特征和所述正态增强标签特征分别进行通道融合，生成用于一级演算的待演算数据。

7.根据权利要求6所述的决策方法，其特征在于，在使用所述预处理单元并根据所述增强特征与所述待处理图像进行特征融合处理，以生成一级演算的待演算数据之前，所述决策方法还包括：

使用所述预处理单元确定所述待处理图像的有效区域，对所述有效区域进行区域划分，并确定每一个划分区域的边缘点坐标；

使用所述预处理单元并根据所述边缘点坐标计算每一个划分区域的膨胀长度和对应的中心坐标，根据所述中心坐标计算膨胀偏差；

使用所述预处理单元并根据所述膨胀偏差计算出膨胀后的膨胀边缘坐标，根据所述膨胀边缘坐标和所述膨胀长度对所述待处理图像的有效区域进行区域膨胀和像素填充。

8.一种基于权利要求2所述的决策方法的决策装置，其特征在于，包括：

接收单元，用于使用数据接收单元接收客户端发送的图像信息，所述图像信息包括待处理图像和初始标签，所述初始标签表示所述待处理图像的一个特征标签；

第一确定单元，用于使用决策单元并根据所述初始标签从所述数据库单元确定一个目标特征名称，并根据目标特征名称从所述数据库单元中确定一个用于一级决策的决策节点，一级决策的决策节点的操作指令为进行演算，所述目标特征名称与所述初始标签的关联度最大，决策节点包括单特征演算节点和多特征演算节点，一级决策的决策节点为单特征演算节点；

获取单元，用于使用预处理单元并根据所述一级决策的决策节点从所述数据库单元中获取人工智能模型演算服务器信息和增强特征；

第一生成单元，用于使用所述预处理单元并对所述增强特征与所述待处理图像进行特征融合处理，以生成一级演算的待演算数据；

分配单元，用于使用所述预处理单元并根据所述人工智能模型演算服务器信息将所述待演算数据分配到人工智能模型演算服务器中；

第二生成单元，用于使用所述人工智能模型演算服务器对所述待演算数据进行迭代演算，并生成所述待演算数据的第一演算结果，所述待演算数据的演算结果中包括第一单特征概率值；

第二确定单元，用于使用所述决策单元并根据所述第一单特征概率值确定用于二级决策的决策节点；

第三生成单元，用于当所述二级决策的决策节点的操作指令为进行演算时，使用所述预处理单元并根据所述二级决策的决策节点对应的增强特征生成新的待演算数据，使用新的人工智能模型演算服务器进行演算，生成第二演算结果；

发送单元，用于当所述二级决策的决策节点的操作指令为输出结果时，使用后处理单元将所述待演算数据的演算结果进行缓存，直到演算完全结束后发送至所述客户端。

9.根据权利要求8所述的决策装置，其特征在于，第二确定单元，包括：

当所述第一单特征概率值大于第一预设值时，且在所述数据库单元中所述目标特征名称存在子特征名称时，则使用所述决策单元确定子特征名称对应的决策节点作为二级决策的决策节点，所述子特征名称为所述目标特征名称同族特征中的下位特征，二级决策的决策节点对应的操作指令为进行演算；

当所述第一单特征概率值大于第一预设值时，且在所述数据库单元中所述目标特征名称不存在子特征名称时，则使用所述决策单元选取结束演算节点作为二级决策的决策节点，二级决策的决策节点对应的操作指令为输出结果；

当所述第一单特征概率值不大于第一预设值时，则使用所述决策单元确定关联特征名称对应的决策节点作为二级决策的决策节点，所述关联特征名称为所述目标特征名称同族特征中，剩余的平位特征中关联度最大的一个特征，二级决策的决策节点对应的操作指令为进行演算。

10.根据权利要求9所述的决策装置，其特征在于，所述第二演算结果包括特征概率集合，所述特征概率集合包括单特征演算节点对应的第二单特征概率值和所述多特征演算节点对应的多特征概率值；

在第三生成单元之后，所述决策装置还包括：

第三确定单元，用于当所述第二单特征概率值大于第二预设值时，则使用所述决策单元并根据所述子特征名称是否在所述数据库单元中存在下位特征来确定下一级的决策节点；

第一选取单元，用于当所述多特征概率值中存在至少一个大于第三预设值的特征概率时，则使用所述决策单元选取大于第三预设值的多特征概率值的子特征名称对应的决策节点作为下一级决策的决策节点，下一级决策的决策节点的操作指令为进行演算。