CN117422952A - 人工智能图像识别模型管理方法、装置及云边端服务平台 - Google Patents

Abstract

本发明提供一种人工智能图像识别模型管理方法、装置及云边端服务平台，应用于人工智能技术领域。该方法包括：云服务器接收各边端服务平台发送的图像数据样本；根据各图像数据样本，构建图像数据样本集；根据图像数据样本集，对原始人工智能图像识别模型进行训练，得到训练好的目标人工智能图像识别模型；向各边端服务平台下发目标人工智能图像识别模型，目标人工智能图像识别模型用于边端服务平台将获取的待处理图像输入至目标人工智能图像识别模型中，得到目标图像识别结果。该方法能够确定较为准确的目标人工智能图像识别模型，并将模型下发至边端服务平台中，有效提高云边端服务平台之间的数据传输紧密程度，进而得到可靠性较高的识别结果。

Description

人工智能图像识别模型管理方法、装置及云边端服务平台

技术领域

本发明涉及人工智能技术领域，尤其涉及一种人工智能图像识别模型管理方法、装置及云边端服务平台。

背景技术

人工智能(Artificial Intelligence，AI)技术可用于利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

在AI领域，现有的AI模型对应的样本数据较少，导致训练好的AI模型不够准确，当边端服务平台在利用该训练好的AI模型对待处理数据进行识别时，得到的识别结果可靠性较低。

发明内容

本发明提供一种人工智能图像识别模型管理方法、装置及云边端服务平台，用以解决现有的AI模型对应的样本数据较少，导致训练好的AI模型不够准确，当边端服务平台在利用该训练好的AI模型对待处理数据进行识别时，得到的识别结果可靠性较低的缺陷，实现云服务器基于大量数据样本对原始人工智能图像识别模型进行优化，得到较为准确的目标人工智能图像识别模型，并将该目标人工智能图像识别模型下发至边端服务平台中，以有效提高云边端服务平台之间的数据传输紧密程度，得到可靠性较高的识别结果。

第一方面，本发明提供一种人工智能图像识别模型管理方法，应用于云服务器，该云服务器连接至少一个边端服务平台，该方法包括：

接收各该边端服务平台发送的图像数据样本；

根据各该图像数据样本，构建图像数据样本集；

根据该图像数据样本集，对原始人工智能图像识别模型进行训练，得到训练好的目标人工智能图像识别模型；

向各该边端服务平台下发该目标人工智能图像识别模型，该目标人工智能图像识别模型用于该边端服务平台将获取的待处理图像输入至该目标人工智能图像识别模型中，得到该目标人工智能图像识别模型输出的目标图像识别结果。

第二方面，本发明还提供一种人工智能图像识别模型管理方法，应用于边端服务平台，该边端服务平台连接云服务器，该方法包括：

接收该云服务器下发的目标人工智能图像识别模型，该目标人工智能图像识别模型是该云服务器根据所有该边端服务平台发送的图像数据样本进行训练得到的；

获取待识别图像；

将该待识别图像输入至该目标人工智能图像识别模型中，得到该目标人工智能图像识别模型输出的目标图像识别结果；

根据该目标图像识别结果，输出该待识别图像对应的告警信息。

第三方面，本发明还提供一种人工智能图像识别模型管理装置，应用于云服务器，该云服务器连接至少一个边端服务平台，该装置包括：

收发模块，用于接收各该边端服务平台发送的图像数据样本；

处理模块，用于根据各该图像数据样本，构建图像数据样本集；根据该图像数据样本集，对原始人工智能图像识别模型进行训练，得到训练好的目标人工智能图像识别模型；

该收发模块，还用于向各该边端服务平台下发该目标人工智能图像识别模型，该目标人工智能图像识别模型用于该边端服务平台将获取的待处理图像输入至该目标人工智能图像识别模型中，得到该目标人工智能图像识别模型输出的目标图像识别结果。

第四方面，本发明还提供一种人工智能图像识别模型管理装置，应用于边端服务平台，该边端服务平台连接云服务器，该装置包括：

收发模块，用于接收该云服务器下发的目标人工智能图像识别模型，该目标人工智能图像识别模型是该云服务器根据所有该边端服务平台发送的图像数据样本进行训练得到的；

获取模块，用于获取待识别图像；

处理模块，用于将该待识别图像输入至该目标人工智能图像识别模型中，得到该目标人工智能图像识别模型输出的目标图像识别结果；根据该目标图像识别结果，输出该待识别图像对应的告警信息。

本发明还提供一种云服务器，包括存储器、处理器及存储在该存储器上并可在该处理器上运行的计算机程序，该处理器执行该计算机程序时实现如上述第一方面所述人工智能图像识别模型管理方法。

本发明还提供一种边端服务平台，包括存储器、处理器及存储在该存储器上并可在该处理器上运行的计算机程序，该处理器执行该计算机程序时实现如上述第二方面所述人工智能图像识别模型管理方法。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面或第二方面所述人工智能图像识别模型管理方法。

本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述第一方面或第二方面所述人工智能图像识别模型管理方法。

本发明提供的人工智能图像识别模型管理方法、装置及云边端服务平台，通过接收各所述边端服务平台发送的图像数据样本；根据各所述图像数据样本，构建图像数据样本集；根据所述图像数据样本集，对原始人工智能图像识别模型进行训练，得到训练好的目标人工智能图像识别模型；向各所述边端服务平台下发所述目标人工智能图像识别模型，所述目标人工智能图像识别模型用于所述边端服务平台将获取的待处理图像输入至所述目标人工智能图像识别模型中，得到所述目标人工智能图像识别模型输出的目标图像识别结果。该方法用以解决现有的AI模型对应的样本数据较少，导致训练好的AI模型不够准确，当边端服务平台在利用该训练好的AI模型对待处理数据进行识别时，得到的识别结果可靠性较低的缺陷，实现云服务器基于大量数据样本对原始人工智能图像识别模型进行优化，得到较为准确的目标人工智能图像识别模型，并将该目标人工智能图像识别模型下发至边端服务平台中，有效提高云边端服务平台之间的数据传输紧密程度，得到可靠性较高的识别结果。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的人工智能图像识别模型管理方法的场景示意图之一；

图2是本发明提供的人工智能图像识别模型管理方法的流程示意图之一；

图3是本发明提供的人工智能图像识别模型管理方法的流程示意图之二；

图4a是本发明提供的工业智能视觉分析服务平台BIVS的结构示意图；

图4b是本发明提供的工业智能视觉分析服务平台BIVS对应方法的场景示意图；

图4c是本发明提供的人工智能图像识别模型管理方法的场景示意图之二；

图5是本发明提供的人工智能图像识别模型管理装置的结构示意图之一；

图6是本发明提供的人工智能图像识别模型管理装置的结构示意图之二；

图7是本发明提供的云服务器的结构示意图；

图8是本发明提供的边端服务平台的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，是本发明提供的人工智能图像识别模型管理方法的场景示意图。在图1中，云服务器可连接至少一个边端服务平台，该边端服务平台也可称为边侧人工智能AI服务设备，其中，边端服务平台可以包括边缘服务器和/或终端设备。

需要说明的是，边端服务平台与云服务器可构建一个云边端服务平台，以实现人工智能图像识别模型的优化管理。

其中，云服务器可用于训练原始人工智能图像识别模型，并将训练好的目标人工智能图像识别模型下发至边端服务平台，目标人工智能图像识别模型是一种AI模型。

边端服务平台可用于在所在范围内采集待处理图像或接收终端设备发送的待处理图像，并接收云服务器发送的目标人工智能图像识别模型；后基于该目标人工智能图像识别模型，对该待处理图像进行识别，得到相应的目标图像识别结果。

其中，所在范围可为边端服务平台对应的监控区域，不同边端服务平台对应的监控区域可以是相同的，也可以是不同的，此处不作具体限定。

可选的，边端服务平台可采用跨平台编程(java)语言开发，利用轻量化(springboot)框架及前后端分离技术，实现去中心化分布式负载和高可用能力。

可选的，该边缘服务器/该终端设备可以包括：计算机、机器人和智能盒子等。对应的端侧视频监控硬件包括网络摄像机、可穿戴设备、移动终端等。

可选的，待处理图像可以是边缘服务器/终端设备利用摄像机等图像采集设备直接采集得到的，也可以是边缘服务器/终端设备对采集的待处理视频进行抽帧处理得到的。

可选的，待处理视频可以包括以下至少一项：待处理视频监控直播、待处理视频录像和待处理视频片段等。

可选的，待处理视频片段及待处理图像可采用对象存储；待处理视频录像可采用独立冗余磁盘阵列(Redundant Array of Independent Disk，RAID)存储。

其中，目标图像识别结果对应告警信号，该告警信号是一种结构化数据，该结构化数据支持关系型和时序数据库存储。

可选的，结构化数据可采用websocket协议和/或kafka协议进行转发。

此外，对于非结构化数据，也可进行对象存储，以形成完整的非结构化数据。其中，非结构化数据可以包括但不限于：告警原始图像、渲染图像、渲染图像缩略图和告警视频片段等。

可选的，云服务器与边端服务平台之间可通过有线专网和无线通信技术进行连接，该无线通信技术可以包括但不限于以下其中一项：第四代通讯技术(the 4Generationmobile communication technology，4G)、第五代通讯技术(the 5Generation mobilecommunication technology，5G)及无线保真技术(Wireless Fidelity，WiFi)等。

可选的，云服务器与边端服务平台可构成工业智能视觉分析服务平台(BIVS)，即云边端服务平台，该BIVS可理解为是一个利用计算机视觉人工智能进行平台化图像分析识别的系统，该系统可用于提供平台化的图像识别分析服务应用，即可理解为是一个集人工智能模型训练、标注、人工智能应用的融合系统，该系统可用于企业便捷建设自己的人工智能体系，持续为产业AI赋能。

该BIVS在设计初期，技术选型与架构便采用的是当前软件行业前沿且稳定的组件及架构体系，以保障该BIVS具有较高的稳定性、兼容性及扩展性。在该BIVS中：视频监控设备信令控制及流媒体服务支持(Real-Time Streaming Protocol，RTSP)虚拟方式接入、开放型网络视频接口论坛(Open Network Video Interface Forum，ONVIF)协议及国家标准GB/T 28181-2016协议，以实现对视频监控设备进行设备搜索、接入、多分屏视频直播、视频回放和录像计划等管理；数据库设计满足第三范式设计原则；系统架构设计以分布式高可用为基础；程序设计统一按照阿里巴巴开发规范；系统采用前后端分离设计原则；微服务间接口调用采用restful远程接口调用方式。

需要说明的是，本发明实施例涉及的执行主体可以是人工智能图像识别模型管理装置，也可以是云服务器，该云服务器可连接至少一个边端服务平台。

下面以云服务器为例对本发明实施例进行进一步地说明。

如图2所示，是本发明提供的人工智能图像识别模型管理方法的流程示意图，可以包括：

201、接收各边端服务平台发送的图像数据样本。

由于云服务器可连接至少一个边端服务平台，又每个边端服务平台可采集所在范围内的图像数据样本，所以，在每个该边端服务平台向该云服务器发送图像数据样本之后，该云服务器可接收每个该边端服务平台发送的该图像数据样本，以备后续为训练原始人工智能图像识别模型提供数据支持。

其中，每个边端服务平台采集的图像数据样本的数量不限。

可选的，边端服务平台采集所在范围内的图像数据样本，可以包括：边端服务平台响应用户输入的数据上传操作，获取所在范围内的图像数据样本。

用户在上传数据的过程中，可向边端服务平台输入数据上传操作，该边端服务平台响应该用户输入的数据上传操作，获取该边端服务平台所在范围内的图像数据样本。

可选的，边端服务平台响应用户输入的数据上传操作，获取所在范围内的图像数据样本，可以包括：边端服务平台响应用户输入的数据上传操作，获取所在范围内的待处理视频，并对该待处理视频进行抽帧处理，得到相应的图像数据样本。

这样一来，云边端服务平台还可与用户进行交互，以获取更多的图像数据样本。

可选的，云服务器接收各边端服务平台发送的图像数据样本，可以包括：云服务器接收各边端服务平台发送的原始图像数据；该云服务器对该原始图像数据进行去噪处理，得到图像数据样本。

云服务器在接收所有边端服务平台发送的原始图像数据之后，由于该原始图像数据的质量不佳，所以，该云服务器可将该原始图像数据进行去噪处理，即去除该原始图像数据中的噪点数据，以得到质量较佳的图像数据样本。

202、根据各图像数据样本，构建图像数据样本集。

云服务器在接收所有边端服务平台发送的图像数据样本之后，可将所有的图像数据样本进行整合，以构建一个样本量较大的图像数据样本集，该图像数据样本集包括至少一个图像数据样本，以备后续为训练原始人工智能图像识别模型提供数据支持。

203、根据图像数据样本集，对原始人工智能图像识别模型进行训练，得到训练好的目标人工智能图像识别模型。

云服务器在构建完图像数据样本集之后，可将该图像数据样本集输入至原始人工智能图像识别模型，以对该原始人工智能图像识别模型进行训练。具体的，该云服务器可结合深度学习算法对原始人工智能图像识别模型进行训练。由于该图像数据样本集中的样本数量较大，所以，该云服务器可训练得到较为准确的目标人工智能图像识别模型。

可选的，云服务器在训练原始人工智能图像识别模型的过程中，可采用训练平台提供的算法、该云服务器自带算法及自动化深度学习算法中的其中一种算法进行模型训练。

在一些实施例中，云服务器根据图像数据样本集，对原始人工智能图像识别模型进行训练，得到训练好的目标人工智能图像识别模型，可以包括：云服务器将图像数据样本集输入至原始人工智能图像识别模型中，得到原始人工智能图像识别模型输出的图像识别结果集；该云服务器根据图像数据样本集和图像识别结果集，更新原始人工智能图像识别模型对应的模型参数，得到训练好的目标人工智能图像识别模型。

云服务器在训练原始人工智能图像识别模型的过程中，针对图像数据样本集中的任一图像数据样本而言，可先将该图像数据样本输入至该原始人工智能图像识别模型中，得到该原始人工智能图像识别模型输出的目标图像识别结果。基于此，该云服务器可确定图像数据样本集中每个图像数据样本对应的目标图像识别结果，得到该图像数据样本集对应的图像识别结果集。然后，该云服务器再根据该图像数据样本集和该图像识别结果集，确定该原始人工智能图像识别模型对应的误差，并利用该误差更新该原始人工智能图像识别模型对应的模型参数，以得到训练好的目标人工智能图像识别模型。由于该图像数据样本集中的样本数量较大，所以，最终得到的该目标人工智能图像识别模型的准确性较高。

需要说明的是，图像数据样本为测试集中的图像样本，目标图像识别结果为预测集中的图像样本。

在一些实施例中，云服务器将图像数据样本集输入至原始人工智能图像识别模型中，得到原始人工智能图像识别模型输出的图像识别结果集，可以包括：云服务器针对图像数据样本集中的任一图像数据样本，对图像数据样本进行识别，得到待识别物体样本；该云服务器对待识别物体样本进行标注，得到图像数据样本对应的标注数据；该云服务器将标注数据输入至原始人工智能图像识别模型中，得到原始人工智能图像识别模型输出的目标图像识别结果；该云服务器根据所有目标图像识别结果，构建该图像识别结果集。

其中，图像数据样本中待识别物体样本的数量不限。

可选的，不同图像数据样本中的待识别物体样本可以是相同的，也可以是不同的，此处不作具体限定。

可选的，待识别物体样本可以包括：车辆、人、马路及停车场等。

云服务器在确定原始人工智能图像识别模型输出的图像识别结果集的过程中，针对输入的图像数据样本集中的任一图像数据样本而言，该云服务器可先对该图像数据样本进行识别，得到待识别物体样本；然后，该云服务器对该待识别物体样本进行标注，得到图像数据样本对应的标注数据；接着，该云服务器将该标注数据作为输入数据，输入至该原始人工智能图像识别模型中，可得到该原始人工智能图像识别模型输出的目标图像识别结果，该目标图像识别结果是较为准确的。

基于此，该云服务器可确定每个图像数据样本对应的标注数据，得到该图像数据样本集对应的标注数据集，并可确定每个图像数据样本对应的目标图像识别结果，进而得到该图像数据样本集对应的图像识别结果集，以备后续该云服务器可根据该标注数据集与图像识别结果集训练原始人工智能图像识别模型，得到准确性较高的训练好的目标人工智能图像识别模型。

在一些实施例中，云服务器在得到训练好的目标人工智能图像识别模型之后，该方法还可以包括：云服务器对训练好的目标人工智能图像识别模型进行处理，得到模型镜像；该云服务器将模型镜像存储在云服务器的镜像仓库中。

其中，模型镜像是一种容器文件形式，是一种可通过容器平台为模型提供资源隔离后执行环境的运行系统。

云服务器将训练好的目标人工智能图像识别模型以一种容器文件形式存储在该云服务器的模型镜像仓库中，以使该云服务器后续可有效向不同的边端服务平台下发相应的目标人工智能图像识别模型，也即，该边端服务平台支持容器化部署方式，提高硬件资源利用率。

204、向各边端服务平台下发目标人工智能图像识别模型。

其中，目标人工智能图像识别模型用于边端服务平台将获取的待处理图像输入至目标人工智能图像识别模型中，得到目标人工智能图像识别模型输出的目标图像识别结果。

云服务器可将目标人工智能图像识别模型下发至每个边端服务平台；然后，每个该边端服务平台可接收该目标人工智能图像识别模型，对模型输入输出参数可进行平台化配置，并采集待处理图像，接着，将该待处理图像输入至该目标人工智能图像识别模型，准确得到该目标人工智能图像识别模型输出的目标图像识别结果，以实现0代码模型应用。

此外，该云服务器将目标人工智能图像识别模型下发至边端服务平台中，实现算力下沉，有效降低该云服务平台识别所有边端视频监控终端待处理图像的压力，同时，提高了边端服务平台识别待处理图像的效率。

可选的，云服务器向各边端服务平台下发目标人工智能图像识别模型，可以包括：云服务器向各边端服务平台下发每一次迭代更新后的目标人工智能图像识别模型。

以使边端服务平台可获取准确性更高的目标人工智能图像识别模型。

在一些实施例中，云服务器向各边端服务平台下发目标人工智能图像识别模型，可以包括：云服务器获取至少一个边端服务平台中各边端服务平台对应的心跳信息；该云服务器针对各边端服务平台，在根据心跳信息确定边端服务平台处于正常运行状态的情况下，获取边端服务平台对应的注册信息；在确定注册信息指示边端服务平台处于成功注册状态的情况下，向边端服务平台下发目标人工智能图像识别模型。

其中，在确定注册信息指示边端服务平台处于成功注册状态的情况下，该边端服务平台为目标边端服务平台。

需要说明的，云服务器与各边端服务平台存在一种注册机制与心跳机制。

注册机制中的注册信息可确定各边端服务平台的注册状态，该注册状态中的成功注册状态可以包括以下至少一项：云服务器添加该边端服务平台、边端服务平台发送注册需要的验证信息与云服务器预置的验证信息一致等。

心跳机制中的心跳信息指的是云服务器与边端服务平台之间的检验是否正常连接的通信机制，若该边端服务平台连接状态信息指示在线，则确定该边端服务平台处于正常运行状态，反之，则确定该边端服务平台处于异常运行状态，可选的，该心跳信息为边端服务平台定时向云服务器发送的结构化消息，消息体中包含类型、时间戳、媒体访问控制(Media Access Control，MAC)地址等信息。

云服务器监控各边端服务平台的过程中，可通过心跳机制获取相应边端服务平台的状态；然后，用户可通过云服务器呈现的边端服务平台的状态，查看边端服务平台在线情况，从而对存在不在线或异常的边端服务平台进行及时问题排查处理。

可选的，云服务器向目标边端服务平台下发目标人工智能图像识别模型，可以包括：云服务器向预设数量个目标边端服务平台下发目标人工智能图像识别模型，以使这预设数量个目标边端服务平台主动拉取该云服务器上的目标人工智能图像识别模型。

其中，预设数量可以是云服务器出厂前设置的，也可以是用户根据实际需求自定义的，此处不作具体限定。

由于云服务器连接了至少一个边端服务平台，所以该云服务器可以获取这至少一个边端服务平台分别对应的在线状态信息，即获取至少一个在线状态信息；然后，该云服务器对每个在线状态信息进行分析，来判断该每个在线状态信息对应的边端服务平台是处于正常运行状态，还是处于异常运行状态；接着，该云服务器确定出处于正常运行状态的边端服务平台，并从这些处于正常运行状态的边端服务平台中确定预设数量的目标边端服务平台，以保证预设数量的目标边端服务平台即使接收了目标人工智能图像识别模型，也可处于正常运行状态。

基于上述步骤203和步骤204，云服务器可将训练好的目标人工智能图像识别模型分别下发至与该云服务器连接的每一个边端服务平台，使得该云服务器可全方面地为每一边端服务平台配置目标人工智能图像识别模型，便于用户基于人工智能技术可有效且准确地获知可靠性较高的目标图像识别结果。

可选的，边端服务平台在接收云服务器下发的目标人工智能图像识别模型之后，该方法还可以包括：边端服务平台卸载下发的人工智能图像识别模型，以对该原始人工智能图像识别模型所占资源进行释放，进而提高边端服务平台的资源利用率。

可选的，边端服务平台在接收云服务器下发目标人工智能图像识别模型后，在部署的过程中还可以为该目标人工智能图像识别模型运行环境配置相应的资源数据。

此外，该边端服务平台还可以为其图像智能识别调度提供可调用应用程序接口(Application Program Interface，API)。

可选的，该资源数据可以包括但不限于以下至少一项：中央处理器(CentralProcessing Unit，CPU)、内存、图形处理器(Graphics Processing Unit，GPU)及运行环境副本量等。

其中，CPU是目标边端服务平台中最重要的组成部分，可有效处理该目标边端服务平台图形处理和识别指令；

内存可与CPU进行数据交互，目标边端服务平台中所有程序的运行都是在该内存中进行的；

GPU也可称为显示核心、视觉处理器或显示芯片，该GPU是一种专门进行图像运算工作的微处理器，用于人工智能图像识别模型的训练和对图像数据的识别；

运行环境副本量指的是每个人工智能图像识别模型的运行环境数量，每个副本拥有相同的CPU、内存、GPU资源等，可选的，该数据可以包括：待处理图像及目标图像识别结果等。

这样一来，云服务器基于这些资源数据，可为目标边端服务平台对应的边侧业务场景提供较优的人工智能能力和计算能力，从而有效提高目标边端服务平台对待处理图像的准确识别效率。

可选的，各个边端服务平台之间的资源数据可以是相同的，也可以是不同的，此处不作具体限定。

在本发明实施例中，接收各边端服务平台发送的图像数据样本；根据各图像数据样本，构建图像数据样本集；根据图像数据样本集，对原始人工智能图像识别模型进行训练，得到训练好的目标人工智能图像识别模型；向各边端服务平台下发目标人工智能图像识别模型。该方法用以解决现有的AI模型对应的样本数据较少，导致训练好的AI模型不够准确，当边端服务平台在利用该训练好的AI模型对待处理数据进行识别时，得到的识别结果可靠性较低的缺陷，实现云服务器基于大量数据样本对原始人工智能图像识别模型进行优化，得到较为准确的目标人工智能图像识别模型，并将该目标人工智能图像识别模型下发至边端服务平台中，以有效提高云边端服务平台之间的数据传输紧密程度，进而得到可靠性较高的识别结果。

需要说明的是，本发明实施例涉及的执行主体可以是人工智能图像识别模型管理装置，也可以是边端服务平台，该边端服务平台可连接云服务器，下面以边端服务平台为例对本发明实施例进行进一步地说明。

如图3所示，是本发明提供的人工智能图像识别模型管理方法的流程示意图，可以包括：

301、接收云服务器下发的目标人工智能图像识别模型。

其中，目标人工智能图像识别模型是云服务器根据所有边端服务平台发送的图像数据样本进行训练得到的。

302、获取待识别图像。

303、将待识别图像输入至目标人工智能图像识别模型中，得到目标人工智能图像识别模型输出的目标图像识别结果。

304、根据目标图像识别结果，输出待识别图像对应的告警信息。

可选的，边端服务平台根据目标图像识别结果，输出待识别图像对应的告警信息，可以包括：边端服务平台在目标图像识别结果与预设告警规则匹配的情况下，对目标图像识别结果进行封装，得到待识别图像对应的告警信息。

可选的，预设告警规则可以包括：针对人工智能图像识别模型输出结果的普通逻辑判断规则、人脸比对、车牌识别比对等能力。

可选的，该预设告警规则可以是云服务器出厂前设置的，也可以是用户根据实际业务需要配置的，此处不作具体限定。

边端服务平台在确定待识别图像是否存在对应的告警信息的过程中，可以先将目标图像识别结果与预设告警规则进行匹配，在匹配失败的情况下，说明该图像数据样本对应边端服务平台的所在范围内不存在违规/危险行为，此时，不做任何操作。反之，该边端服务平台可对该待识别图像中的告警物体进行标注，并对该目标图像识别结果进行封装，得到待识别图像对应的告警信息，该告警信息用于提示用户检测该待识别图像中的标注信息是否为误报数据。

若标注信息不为误报数据，则该用户向该边端服务平台中输入确定不为误报数据的第一操作指令，该边端服务平台响应该第一操作指令，对该告警信息的结构化数据、识别图像、渲染图像、视频片段进行转储，形成完备的证据链；若标注信息为误报数据，则该用户向该边端服务平台中输入确定为误报数据的第二操作指令，该边端服务平台响应该第二操作指令，对该告警信息进行误报数据处理，误报数据图像会上报给云服务器的标注系统数据集中。

也就是说，边端服务平台对目标人工智能图像识别模型输出的目标图像识别结果进行误判处理，若确定不为误判，则仅对本次的告警信息的结构化数据、识别图像、渲染图像、视频片段进行转储，反之，则将本次的待识别图像对应的告警信息上报给云服务器。

基于此，该云服务器可对误报数据样本进行准确标注，得到该误报数据样本集对应的标注数据集，以备后续该云服务器优化原始人工智能图像识别模型，得到准确性更高的目标人工智能图像识别模型。

可选的，在目标图像识别结果与预设告警规则匹配的情况下，边端服务平台输出告警信息。

可选的，边端服务平台输出告警信息，可以包括但不限于以下至少一种实现方式：

实现方式1：边端服务平台以图片的形式显示告警信息。

实现方式2：边端服务平台以文字的形式输出告警信息。

实现方式3：边端服务平台以列表的形式展示告警信息。

其中，图片的形式、文字的形式和列表的形式可以是边端服务平台出厂前设置的，也可以是用户自定义的，此处不作具体限定。

可选的，上述告警信息具备图像鹰眼放大能力，用户若需要查看图像中告警目标，可移动到相应区域，平台将该区域在下方放大显示，这样一来，便于用户直观查看该待识别物体。

可选的，在边端服务平台输出告警信息之后，该方法还可以包括：云服务器存储告警信息。

在本发明实施例中，边端服务平台可基于云服务器下发的目标人工智能图像识别模型，对待识别图像进行准确识别，并将目标图像识别结果与预设告警规则进行匹配后，得到准确性较高的该待识别图像对应的告警信息。

综上，示例性的，如图4a所示，是本发明提供的工业智能视觉分析服务平台BIVS的结构示意图，工业智能视觉分析服务平台BIVS可以包括：业务系统、人工智能AI应用平台及视频监控系统。

其中，业务系统可以包括：视频管理软件VMS、分布式执行器及推理服务管理器(简称推理服务)。

人工智能AI应用平台可以包括：系统管理器和数据管理器。

视频监控系统可以包括：运维监控。

针对业务系统，视频管理软件VMS可以包括：设备管理、流媒体和信令。

分布式执行器可以包括：设备接入、视频数据抽区图像(也可称为抽帧)、模型调用器(简称调用器)、任务守护及任务管理。

推理服务可以包括：服务管理、热部署、卸载、热升级及版本管理。

针对人工智能AI应用平台，系统管理器可以包括：设备管理、服务管理、采集计划、布控、规则配置、告警管理(包括实时告警和历史告警)及系统配置管理。

数据管理器可以包括：告警数据审核、训练数据收集、误报数据上报及模型效果数据收集。

针对视频监控系统，运维监控可以包括：故障恢复、执行状态监控、运行状态监控、资源监控、解析调度故障恢复及监控数据接口。

上述工业智能视觉分析服务平台BIVS还具有如下优点：帮助用户快速建立人工智能模型(例如：人工智能图像识别模型)、监控终端硬件设备、业务系统之间沟通交互的桥梁；避免针对模型服务接口输入输出硬性规范，方便业务调整和拓展，灵活接入新业务人工智能模型。

如图4b所示，是本发明提供的工业智能视觉分析服务平台BIVS对应方法的场景示意图。在图4b中，可有效实现人工智能图像识别模型管理的云边端协同解决方案。

边端服务平台提供了误报数据上报能力，为人工智能图像识别模型持续优化提供数据支持；该BIVS对应方法实现了人工智能模型(例如：人工智能图像识别模型)灵活接入、配置、推理，真正实现低代码人工智能能力扩展，还提供了人工智能模型下发、模型升级、推理、应用及布控、数据转储等能力，拉取深度学习训练平台训练好的人工智能图像识别模型，并利用该训练好的模型识别分析下行端侧视频监控设备的待处理数据(例如：待处理图像)，将识别结果进行多方式转储，为上行业务系统提供数据及应用支持。

如图4c所示，是本发明提供的人工智能图像识别模型管理方法的场景示意图。在图4c中，云服务器在设备接入过程中，可接入至少一个边端服务平台，即接入不同厂家不同协议视频监控设备、边缘智能设备。

边端服务平台在数据传输过程中涉及的视频流传输方案可采用基于光纤或5G技术的视频专网、视频环网；在样本采集的过程中，可通过实时监控画面、历史视频、告警图像收集用于训练和优化模型的图像样本数据。后将该图像样本数据发送至云服务器。

云服务器在接收该图像数据样本后，通过标注平台标注构建图像数据样本集；在标注过程中，对采集的图像数据样本进行标注；并在云服务器对应的云端训练平台中利用标注好的样本数据进行模型训练或优化；接着，在部署/升级过程中，将训练好的目标人工智能图像识别模型下发到边端服务平台进行部署/升级，配置合理CPU、内存、GPU资源，用于图像识别调用。

边端服务平台在接收云服务器发送的目标人工智能图像识别模型后，可在图像识别过程中，调用部署好的Al模型(即目标人工智能图像识别模型)对获取的待处理图像进行识别，得到识别结果，并进行告警规则研判，符合告警规则的将发出告警，提示用户有存在安全隐患或违规情况。

综上所述，本发明涉及的人工智能图像识别模型管理方法具有以下优点：

1、在实现统一AI模型生命周期闭环管理的过程中，可为持续AI模型赋能提供数据支持，即为人工智能模型训练、优化提供持续的数据来源；并将AI应用平台与深度学习训练平台融合，实现AI模型训练、下发、参数配置、应用、误报数据管理、模型优化和模型升级，以统一闭环模型生命周期管理，能够有效解决前期样本较少情况下的AI模型持续优化问题。

2、在设备管理的过程中，利用国标规范GB/T 28181-2016实现对视频监控设备进行设备搜索、接入、多分屏视频直播、视频回放、录像计划等管理。

3、在布控应用的过程中，将AI模型及其告警规则应用到到视频监控设备上进行图像分析及规则研判，配置采集方式、电子围栏、图像库形成图像识别调度任务；采用该任务进行图像采集、调用AI服务进行识别、根据AI模型告警规则及图像库对识别结果进行研判，满足条件的研判结果将会触发告警并对该研判结果的结构化数据、识别图像、渲染图像、视频片段进行转储，形成完备的证据链。

4、在告警数据管理的过程中，告警数据分实时告警和历史告警，展现方式采用图文并茂的卡片方式和/或列表方式，在告警数据的告警详情中，针对图像实现鹰眼放大效果，让用户更容易查看图像中模型识别到的目标内容，用户可对告警数据标记是否为误报数据，标记为误报的数据可用于AI模型后续优化。

下面对本发明提供的人工智能图像识别模型管理装置进行描述，下文描述的人工智能图像识别模型管理装置与上文描述的人工智能图像识别模型管理方法可相互对应参照。

如图5所示，是本发明提供的人工智能图像识别模型管理装置的结构示意图，应用于云服务器，该云服务器连接至少一个边端服务平台，该装置可以包括：

收发模块501，用于接收各该边端服务平台发送的图像数据样本；

处理模块502，用于根据各该图像数据样本，构建图像数据样本集；根据该图像数据样本集，对原始人工智能图像识别模型进行训练，得到训练好的目标人工智能图像识别模型；

收发模块501，还用于向各该边端服务平台下发该目标人工智能图像识别模型，该目标人工智能图像识别模型用于该边端服务平台将获取的待处理图像输入至该目标人工智能图像识别模型中，得到该目标人工智能图像识别模型输出的目标图像识别结果。

可选的，处理模块502，具体用于将该图像数据样本集输入至该原始人工智能图像识别模型中，得到该原始人工智能图像识别模型输出的图像识别结果集；根据该图像数据样本集和该图像识别结果集，更新该原始人工智能图像识别模型对应的模型参数，得到训练好的该目标人工智能图像识别模型。

可选的，处理模块502，具体用于针对该图像数据样本集中的任一图像数据样本，对该图像数据样本进行识别，得到待识别物体样本；对该待识别物体样本进行标注，得到该图像数据样本对应的标注数据；将该标注数据输入至该原始人工智能图像识别模型中，得到该原始人工智能图像识别模型输出的目标图像识别结果，根据所有目标图像识别结果，构建该图像识别结果集。

可选的，处理模块502，具体用于获取该至少一个边端服务平台中各该边端服务平台对应的心跳信息；针对各该边端服务平台，在根据该心跳信息确定该边端服务平台处于正常运行状态的情况下，获取该边端服务平台对应的注册信息；

收发模块501，具体用于在确定该注册信息指示该边端服务平台处于成功注册状态的情况下，向该边端服务平台下发该目标人工智能图像识别模型。

可选的，处理模块502，还用于对该训练好的目标人工智能图像识别模型进行处理，得到模型镜像；将该模型镜像存储在该云服务器的镜像仓库中。

如图6所示，是本发明提供的人工智能图像识别模型管理装置的结构示意图，应用于边端服务平台，边端服务平台连接云服务器，该装置可以包括：

收发模块601，用于接收该云服务器下发的目标人工智能图像识别模型，该目标人工智能图像识别模型是该云服务器根据所有该边端服务平台发送的图像数据样本进行训练得到的；

获取模块602，用于获取待识别图像；

处理模块603，用于将该待识别图像输入至该目标人工智能图像识别模型中，得到该目标人工智能图像识别模型输出的目标图像识别结果；根据该目标图像识别结果，输出该待识别图像对应的告警信息。

如图7所示，是本发明提供的云服务器的结构示意图，该云服务器可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行人工智能图像识别模型管理方法，该方法包括：接收各该边端服务平台发送的图像数据样本；根据各该图像数据样本，构建图像数据样本集；根据该图像数据样本集，对原始人工智能图像识别模型进行训练，得到训练好的目标人工智能图像识别模型；向各该边端服务平台下发该目标人工智能图像识别模型，该目标人工智能图像识别模型用于该边端服务平台将获取的待处理图像输入至该目标人工智能图像识别模型中，得到该目标人工智能图像识别模型输出的目标图像识别结果。

此外，上述的存储器730中的逻辑指令可以通过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。

如图8所示，是本发明提供的边端服务平台的结构示意图，该边端服务平台可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行人工智能图像识别模型管理方法，该方法包括：接收该云服务器下发的目标人工智能图像识别模型，该目标人工智能图像识别模型是该云服务器根据所有该边端服务平台发送的图像数据样本进行训练得到的；获取待识别图像；将该待识别图像输入至该目标人工智能图像识别模型中，得到该目标人工智能图像识别模型输出的目标图像识别结果；根据该目标图像识别结果，输出该待识别图像对应的告警信息。

此外，上述的存储器830中的逻辑指令可以通过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。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的人工智能图像识别模型管理方法。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的人工智能图像识别模型管理方法。

以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

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各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：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)

1.一种人工智能图像识别模型管理方法，其特征在于，应用于云服务器，所述云服务器连接至少一个边端服务平台，所述方法包括：

接收各所述边端服务平台发送的图像数据样本；

根据各所述图像数据样本，构建图像数据样本集；

根据所述图像数据样本集，对原始人工智能图像识别模型进行训练，得到训练好的目标人工智能图像识别模型；

向各所述边端服务平台下发所述目标人工智能图像识别模型，所述目标人工智能图像识别模型用于所述边端服务平台将获取的待处理图像输入至所述目标人工智能图像识别模型中，得到所述目标人工智能图像识别模型输出的目标图像识别结果。

2.根据权利要求1所述的方法，其特征在于，所述根据所述图像数据样本集，对原始人工智能图像识别模型进行训练，得到训练好的目标人工智能图像识别模型，包括：

将所述图像数据样本集输入至所述原始人工智能图像识别模型中，得到所述原始人工智能图像识别模型输出的图像识别结果集；

根据所述图像数据样本集和所述图像识别结果集，更新所述原始人工智能图像识别模型对应的模型参数，得到所述训练好的目标人工智能图像识别模型。

3.根据权利要求2所述的方法，其特征在于，所述将所述图像数据样本集输入至所述原始人工智能图像识别模型中，得到所述原始人工智能图像识别模型输出的图像识别结果集，包括：

针对所述图像数据样本集中的任一图像数据样本，对所述图像数据样本进行识别，得到待识别物体样本；对所述待识别物体样本进行标注，得到所述图像数据样本对应的标注数据；将所述标注数据输入至所述原始人工智能图像识别模型中，得到所述原始人工智能图像识别模型输出的目标图像识别结果；

根据所有目标图像识别结果，构建所述图像识别结果集。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述向各所述边端服务平台下发所述目标人工智能图像识别模型，包括：

获取至少一个所述边端服务平台中各所述边端服务平台对应的心跳信息；

针对各所述边端服务平台，在根据所述心跳信息确定所述边端服务平台处于正常运行状态的情况下，获取所述边端服务平台对应的注册信息；在确定所述注册信息指示所述边端服务平台处于成功注册状态的情况下，向所述边端服务平台下发所述目标人工智能图像识别模型。

5.根据权利要求1-3任一项所述的方法，其特征在于，在所述得到所述训练好的目标人工智能图像识别模型之后，所述方法还包括：

对所述训练好的目标人工智能图像识别模型进行处理，得到模型镜像；

将所述模型镜像存储在所述云服务器的镜像仓库中。

6.一种人工智能图像识别模型管理方法，其特征在于，应用于边端服务平台，所述边端服务平台连接云服务器，所述方法包括：

接收所述云服务器下发的目标人工智能图像识别模型，所述目标人工智能图像识别模型是所述云服务器根据所有所述边端服务平台发送的图像数据样本进行训练得到的；

获取待识别图像；

将所述待识别图像输入至所述目标人工智能图像识别模型中，得到所述目标人工智能图像识别模型输出的目标图像识别结果；

根据所述目标图像识别结果，输出所述待识别图像对应的告警信息。

7.一种人工智能图像识别模型管理装置，其特征在于，应用于云服务器，所述云服务器连接至少一个边端服务平台，所述装置包括：

收发模块，用于接收各所述边端服务平台发送的图像数据样本；

处理模块，用于根据各所述图像数据样本，构建图像数据样本集；根据所述图像数据样本集，对原始人工智能图像识别模型进行训练，得到训练好的目标人工智能图像识别模型；

所述收发模块，还用于向各所述边端服务平台下发所述目标人工智能图像识别模型，所述目标人工智能图像识别模型用于所述边端服务平台将获取的待处理图像输入至所述目标人工智能图像识别模型中，得到所述目标人工智能图像识别模型输出的目标图像识别结果。

8.一种人工智能图像识别模型管理装置，其特征在于，应用于边端服务平台，所述边端服务平台连接云服务器，所述装置包括：

收发模块，用于接收所述云服务器下发的目标人工智能图像识别模型，所述目标人工智能图像识别模型是所述云服务器根据所有所述边端服务平台发送的图像数据样本进行训练得到的；

获取模块，用于获取待识别图像；

处理模块，用于将所述待识别图像输入至所述目标人工智能图像识别模型中，得到所述目标人工智能图像识别模型输出的目标图像识别结果；根据所述目标图像识别结果，输出所述待识别图像对应的告警信息。

9.一种云服务器，包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至5任一项所述人工智能图像识别模型管理方法。

10.一种边端服务平台，包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现如权利要求6所述人工智能图像识别模型管理方法。