CN117649594A - 一种基于边缘计算的边缘融合一体机及其识别方法 - Google Patents
一种基于边缘计算的边缘融合一体机及其识别方法 Download PDFInfo
- Publication number
- CN117649594A CN117649594A CN202410123284.7A CN202410123284A CN117649594A CN 117649594 A CN117649594 A CN 117649594A CN 202410123284 A CN202410123284 A CN 202410123284A CN 117649594 A CN117649594 A CN 117649594A
- Authority
- CN
- China
- Prior art keywords
- module
- edge
- data
- interface
- algorithm
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 30
- 230000004927 fusion Effects 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 78
- 230000006399 behavior Effects 0.000 claims abstract description 16
- 238000003860 storage Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 57
- 238000007726 management method Methods 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 31
- 238000012544 monitoring process Methods 0.000 claims description 30
- 230000001133 acceleration Effects 0.000 claims description 25
- 230000004044 response Effects 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000002156 mixing Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010223 real-time analysis Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于边缘计算的边缘融合一体机及其识别方法,针对现有边缘计算和策略联动设备的部署及扩展灵活性不足,本发明通过整合智能识别分析模块,利用模块配置可可灵活扩展的增强计算单元接口和可扩展存储单元接口,显著提升图像和视频识别分析的能力,边缘计算模块化接口管理模块的引入使得一体机能够连接和管理多种综合接口,可连接若干传感器和控制设备,增强了设备接入兼容性,有效地支持复杂的业务场景和需求;边缘策略联动模块通过引入规则引擎,使得系统能够根据实时数据和预设规则自动调整设备行为,增强了边缘离线联动能力,有效地满足了现代边缘计算系统对高效、灵活和可扩展边缘计算解决方案的需求。
Description
技术领域
本发明涉及边缘融合一体机技术领域,更具体地说,涉及一种基于边缘计算的边缘融合一体机及其识别方法。
背景技术
随着技术的迅速发展,边缘计算和策略联动在现代监控系统中变得愈发重要。然而,现有的边缘计算技术在多方面仍存在显著不足。例如,在处理能力方面,传统的边缘计算设备通常受限于较低的计算能力和存储容量,这限制了其在复杂数据处理和实时分析方面的表现。例如,在高流量视频监控场景中,这些设备可能无法有效地处理来自多个摄像头的数据,导致分析效率低下。传统边缘计算解决方案在设备的接入和兼容性方面也存在不足。它们往往只支持有限的接口和协议,这意味着不能充分利用各种传感器和控制设备的潜力。此外,这些系统在进行设备间的数据交换和处理时,往往缺乏必要的灵活性和扩展性,无法有效支持复杂的业务场景和需求。
在策略联动方面,现有系统通常缺乏有效的边缘离线联动能力。这意味着在无网络连接或网络不稳定的环境中,这些系统的性能会大幅下降。例如,它们可能无法在网络中断时继续执行预设的安全协议,或者不能及时响应突发事件。
此外,现有系统在根据不同场景定制联动策略时也显示出灵活性不足。它们往往难以根据特定的用户需求或应用场景,灵活地调整和优化设备间的交互和数据处理流程。传统的边缘计算和策略联动方案在维护和升级上也面临挑战。由于这些系统通常设计较为封闭,任何的升级和优化都可能需要大量的时间和资源投入。这不仅增加了运营成本,也降低了系统的适应性和长期可用性。
综上所述,现有的边缘计算和策略联动技术在处理能力、设备接入兼容性、离线联动能力以及系统维护和升级方面仍有大量的提升空间。这些不足突显了对更高效、灵活和可扩展的边缘计算解决方案的迫切需求。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,一种基于边缘计算的边缘融合一体机及其识别方法。
本发明解决其技术问题所采用的技术方案是:
一种基于边缘计算的边缘融合一体机,包括:
智能识别分析模块,所述智能识别分析模块设置有至少一个处理运算模块和至少一个特征提取分析加速模块,所述处理运算模块用于处理运算任务,所述特征提取分析加速模块用于执行图像和视频分析,所述处理运算模块将智能识别分析任务分配给所述特征提取分析加速模块,所述特征提取分析加速模块通过可配置算法进行实时图像处理和分析,实现实时视频监控和高级图像识别功能,所述可配置算法为可被预先灵活配置的算法库,所述算法库包括深
度学习算法和图像处理算法;
边缘计算模块化接口管理模块,所述边缘计算模块化接口管理模块负责数据接口的控制及管理,连接和管理若干传感器和若干控制设备;所述边缘计算模块化接口管理模块接收智能识别分析模块分配的任务或数据,并根据所述任务或数据驱动所述传感器和所述控制设备,实现设备自动识别和配置;
边缘策略联动模块,所述边缘策略联动模块设置有规则引擎,所述规则引擎用于制定和执行边缘计算策略,所述边缘计算策略包括环境监控和设备控制;所述边缘计算策略根据实时数据和预设规则自动调整设备行为,并与所述智能识别分析模块协作,优化边缘策略,所述预设规则为预先定义好的逻辑条件语句,用于控制设备的特定数据输入或环境变化;
算法部署模块,所述算法部署模块配备有软件框架和所述算法库,用于部署和执行机器学习和深度学习算法;所述算法部署模块根据所述边缘策略联动模块的反馈自动更新和优化运行中的算法;
综合接口,所述综合接口受所述边缘计算模块化接口管理模块控制,所述综合接口包括RS485接口、RS232接口、USB接口、以太网网口、POE网口、光纤接口、音频接口、数字量输入输出接口、HDMI接口、输入输出电源接口,实现模块间的高效数据交换和指令传递;
通信模块,所述通信模块与所述边缘计算模块化接口管理模块通信连接,所述通信模块包括Wi-Fi通信模块和/或5G通信模块,用于连接外部网络,实现数据远程传输和云端协同;
物理控制面板,所述物理控制面板供用户界面的监控和控制一体机运行状态,所述物理控制面板包括触摸屏和预设控制模块,所述预设控制模块包括语音控制或手势识别,所述物理控制面板允许用户根据需要调整边缘计算策略和设备设置,实现实时反馈和控制。
进一步地,所述处理运算模块和特征提取分析加速模块还配备有可灵活扩展的增强计算单元接口和可扩展存储单元接口,以提升整体的计算能力和存储容量。
进一步地,所述边缘计算模块化接口管理模块还包括无线传感器网络接口,以便更广泛地连接各类无线传感器,实现更灵活的设备管理和配置。
进一步地,所述边缘策略联动模块还包括一个离线工作单元,所述离线工作单元可在网络连接不可用或不稳定时激活,以便维持边缘计算策略和设备控制的连续性。
进一步地,所述算法部署模块设置有远程部署更新单元,所述远程部署更新单元允许用户通过云端服务上传新的算法或对现有算法进行调整和优化。
进一步地,所述边缘计算模块化接口管理模块还包括一个配置管理单元,所述配置管理单元允许用户根据特定需求或应用场景自定义设备间的交互和数据处理流程。
进一步地,所述智能识别分析模块还包括一个视频流处理单元,所述视频流处理单元独立设置有高速图像数据处理能力和优化的视频分析算法。
一种基于边缘融合一体机的识别方法,包括以下步骤:
数据采集步骤:利用一体机内置或外部连接的传感器收集实时数据,所述数据包括图像、视频、声音和环境数据;
预处理步骤:将收集到的所述数据送入智能识别分析模块进行预处理,包括图像去噪、标准化、分割以及声音信号转换为特征向量,旨在减少数据冗余,提高处理效率;
特征提取与分析:将预处理后的所述数据送至特征提取分析加速模块,提取关键特征以进行图像识别、声音识别或预设特征识别;
实时决策和响应:将识别到的所述关键特征送至边缘策略联动模块,根据预设规则和算法进行即时决策,通过边缘计算模块化接口管理模块发送指令指挥设备响应,所述设备响应包括调整监控摄像头角度、发送安全警报、控制自动化设备,所述预设规则为预先定义好的逻辑条件语句,用于控制设备的特定数据输入或环境变化,所述算法包括深度学习算法和图像处理算法;
学习与优化:算法部署模块收集执行结果和反馈,根据实际应用场景迭代优化算法,提升识别准确性和响应效率;
远程协同与控制:通过通信模块支持与云端的数据交换和远程控制,提高识别准确率和系统整体性能。
进一步地,所述实时决策和响应步骤进一步包括使用边缘策略联动模块的规则引擎对识别出的所述关键特征进行综合评估,所述边缘策略联动模块依据预设的环境监控和设备控制策略,对不同场景下的数据进行智能分析;并结合实时数据和预设规则,自动调整设备行为。
进一步地,所述学习与优化步骤还包括采用反馈学习机制,根据识别结果和实际应用反馈对算法进行调整和优化,包括神经网络参数调整、模型结构优化和学习率调节。
本发明的有益效果在于:本发明一种基于边缘计算的边缘融合一体机及其识别方法针对现有边缘计算和策略联动设备的部署及扩展灵活性不足,提供了多方面的显著改进。本发明通过整合智能识别分析模块,利用模块配置可可灵活扩展的增强计算单元接口和可扩展存储单元接口,显著提升图像和视频识别分析的能力,从而克服了传统边缘计算设备在处理能力上的限制;边缘计算模块化接口管理模块的引入使得一体机能够连接和管理多种综合接口,可连接若干传感器和控制设备,增强了设备接入兼容性,有效地支持复杂的业务场景和需求。边缘策略联动模块通过引入规则引擎,使得系统能够根据实时数据和预设规则自动调整设备行为,增强了边缘离线联动能力;算法部署模块的设计允许算法在线更新和迭代,确保了系统的适应性和灵活性;本发明的边缘融合一体机在处理能力、设备接入兼容性、离线联动能力、系统维护和升级预设规则等多个方面提供了显著的改进,有效地满足了现代边缘计算系统对高效、灵活和可扩展边缘计算解决方案的需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将结合附图及实施例对本发明作进一步说明,下面描述中的附图仅仅是本发明的部分实施例,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取其他附图:
图1是本发明实施例的一种基于边缘计算的边缘融合一体机的模块框架示意图;
图2是本发明实施例的一种基于边缘计算的边缘融合一体机的数据流和控制流图;
图3是本发明实施例的一种基于边缘计算的边缘融合一体机的外观设计以及综合接口配置示意图;
图4是本发明实施例的一种基于边缘计算的边缘融合一体机识别方法框架示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的部分实施例,而不是全部实施例。基于本发明的实施例,本领域普通技术人员在没有付出创造性劳动的前提下所获取的所有其他实施例,都属于本发明的保护范围。
如图1至图3所示,一种基于边缘计算的边缘融合一体机,包括:智能识别分析模块,所述智能识别分析模块设置有至少一个处理运算模块和至少一个特征提取分析加速模块,所述处理运算模块可以为CPU芯片也可以为具有处理运算能力的定制单片机,用于处理运算任务,所述特征提取分析加速模块,所述特征提取分析加速模块可以为图形加速模块,也可以为专门定制的特征提取分析单片机模块,用于执行图像和视频分析,所述处理运算模块和所述特征提取分析加速模块通信连接,所述处理运算模块将智能识别分析任务分配给所述特征提取分析加速模块,所述特征提取分析加速模块通过可配置算法进行实时图像处理和分析,实现实时视频监控和高级图像识别功能,所述可配置算法为可被预先灵活配置的算法库;算法部署模块,所述算法部署模块配备有软件框架和所述算法库,用于部署和执行机器学习和深度学习算法;所述算法部署模块根据所述边缘策略联动模块的反馈自动更新和优化运行中的算法,支持算法的在线更新和迭代;所述算法部署模块支持各种定制算法部署,为适应各种应用场景,可根据需求定制开发新的算法,所述算法包括深度学习算法和图像处理算法。
边缘计算模块化接口管理模块,所述边缘计算模块化接口管理模块负责数据接口的控制及管理,连接和管理若干传感器和若干控制设备;所述传感器包括高清摄像头、图像采集器、声音采集器、环境识别装置等;所述控制设备包括音箱、开关装置等控制装置;所述边缘计算模块化接口管理模块接收智能识别分析模块分配的任务或数据,并根据所述任务或数据驱动所述传感器和所述控制设备,实现设备自动识别和配置;综合接口,所述综合接口受所述边缘计算模块化接口管理模块控制,所述综合接口包括RS485接口、RS232接口、USB接口、以太网网口、POE网口、光纤接口、音频接口、数字量输入输出接口、HDMI接口、输入输出电源接口,实现模块间的高效数据交换和指令传递;传统的边缘计算设备没法整合那么多接口,通过所述边缘计算模块化接口管理模块和边缘策略联动模块的联动连接并控制若干种所述综合接口,实现了具备丰富接口的边缘接入能力,支持各种传感或者控制设备接入,并可以支持交换机和路由功能,使得一体机的边缘融合功能更强大。
边缘策略联动模块,所述边缘策略联动模块设置有规则引擎,所述规则引擎用于制定和执行边缘计算策略,所述边缘计算策略包括环境监控和设备控制;所述边缘计算策略根据实时数据和预设规则自动调整设备行为,并与所述智能识别分析模块协作,优化边缘策略,所述预设规则为预先定义好的逻辑条件语句,用于控制设备的特定数据输入或环境变化,预设规则可为如果温度传感器连续五分钟内记录的温度超过预定阈值,则启动冷却系统;也可以是若视频监控系统检测到异常移动模式,则提高警报级别并通知安全管理员。这些规则不是静态的,而是可以根据系统性能、用户反馈和新的数据分析进行动态调整。预设规则与智能识别分析模块密切协作,共同作用于数据处理和决策制定。所述边缘策略联动模块也是本发明的核心技术,包括一个离线工作单元,所述离线工作单元可判断网络的连接情况和激活情况,可在网络连接不可用或不稳定时激活,以便维持边缘计算策略和设备控制的连续性,从而保证在无网络连接或网络不稳定情况下的设备行为自动调整和环境监控的有效性。可根据客户需求实现不同业务场景下的各种接入设备的边缘联动。
通信模块,所述通信模块与所述边缘计算模块化接口管理模块通信连接,所述通信模块包括Wi-Fi通信模块和/或5G通信模块,用于连接外部网络,实现数据远程传输和云端协同;
物理控制面板,所述物理控制面板供用户界面的监控和控制一体机运行状态,所述物理控制面板包括触摸屏和预设控制模块,所述预设控制模块包括语音控制或手势识别,所述物理控制面板允许用户根据需要调整边缘计算策略和设备设置,实现实时反馈和控制,所述预设控制模块还可以预设边缘环境控制选项,使得用户可以控制通过所述物理控制面板快速对场景应用进行选择操作。
所述处理运算模块和特征提取分析加速模块还配备有可灵活扩展的增强计算单元接口和可扩展存储单元接口,所述可灵活扩展的增强计算单元接口和可扩展存储单元接口为扩展接口,可以根据用户进行计算能力和存储容量的提升,支持更复杂的图像和视频分析任务,以及存储更大规模的数据和算法库,从而增强实时视频监控和高级图像识别功能的性能。
所述边缘计算模块化接口管理模块还包括无线传感器网络接口,以便更广泛地连接各类无线传感器,实现更灵活的设备管理和配置。
所述算法部署模块设置有远程部署更新单元,所述远程部署更新单元允许用户通过云端服务上传新的算法或对现有算法进行调整和优化。
所述边缘计算模块化接口管理模块还包括一个配置管理单元,所述配置管理单元允许用户根据特定需求或应用场景自定义设备间的交互和数据处理流程,通过用户界面提供的自定义设置选项,实现对智能识别分析模块和边缘策略联动模块的灵活调整和优化。
所述智能识别分析模块还包括一个视频流处理单元,所述视频流处理单元独立设置有高速图像数据处理能力和优化的视频分析算法。该高效率视频流处理单元能够在保持高分辨率视频数据分析的同时,通过并行处理和算法优化显著提高识别和分析效率,有效解决在高流量视频监控场景中的识别分析效率低下问题。
如图4所示,一种基于实施边缘融合一体机的识别方法,包括以下步骤:
数据采集步骤:利用一体机内置或外部连接的传感器收集实时数据,所述数据包括图像、视频、声音和环境数据;
预处理步骤:将收集到的所述数据送入智能识别分析模块进行预处理,包括图像去噪、标准化、分割以及声音信号转换为特征向量,旨在减少数据冗余,提高处理效率;
特征提取与分析:将预处理后的所述数据送至特征提取分析加速模块,提取关键特征以进行图像识别、声音识别或预设特征识别;
实时决策和响应:将识别到的所述关键特征送至边缘策略联动模块,根据预设规则和算法进行即时决策,通过边缘计算模块化接口管理模块发送指令指挥设备响应,所述设备响应包括调整监控摄像头角度、发送安全警报、控制自动化设备;在本边缘融合一体机系统中,不同类型的传感器数据(如图像、声音和环境数据)首先经过所述智能识别分析模块进行预处理,如去噪、标准化和特征提取。接下来,这些处理后的数据被送至所述特征提取分析加速模块,其中利用机器学习算法(如卷积神经网络用于图像,长短期记忆网络用于声音和时间序列数据)来提取关键特征。这些特征随后被综合起来,并送至所述边缘策略联动模块。所述边缘策略联动模块内置的规则引擎对这些综合数据进行实时分析。它根据预设的环境监控和设备控制策略,结合实时数据和预设规则,进行智能分析和决策。例如,如果视频监控系统识别到异常行为模式,同时环境传感器检测到异常温度升高,规则引擎会结合这些信息,判断是否有安全风险,如火灾,并据此启动相应的报警系统。此外,系统可以根据实时分析结果自动调整设备行为,如调整监控摄像头角度或控制环境调节设备。这种综合数据分析和实时决策机制使得边缘融合一体机能够高效响应各种环境变化和潜在风险,确保安全和操作效率。
学习与优化:算法部署模块收集执行结果和反馈,根据实际应用场景迭代优化算法,提升识别准确性和响应效率;
远程协同与控制:通过通信模块支持与云端的数据交换和远程控制,提高识别准确率和系统整体性能。
所述实时决策和响应步骤进一步包括使用边缘策略联动模块的规则引擎对识别出的所述关键特征进行综合评估,所述边缘策略联动模块依据预设的环境监控和设备控制策略,对不同场景下的数据进行智能分析;并结合实时数据和预设规则,自动调整设备行为,实现精准的环境响应和设备控制,所述预设规则为预先定义好的逻辑条件语句,用于控制设备的特定数据输入或环境变化。
所述学习与优化步骤还包括采用反馈学习机制,根据识别结果和实际应用反馈对算法进行调整和优化,包括神经网络参数调整、模型结构优化和学习率调节,以适应不断变化的数据模式。
以下将以一个更具体的实施例进行充分说明:
本实施例中,智能识别分析模块实施细节为包括两个处理运算模块和一个特征提取分析加速模块。每个处理运算模块都配备了高性能CPU和GPU,用于处理复杂的计算任务,如数据分析和模型训练。特征提取分析加速模块则采用FPGA(现场可编程门阵列)技术,专门用于图像和视频的实时分析处理。通过可配置算法库,用户可以根据需要选择和调整不同的图像识别和视频分析算法,以应对不同的监控场景。所述算法库包括深度学习算法和图像处理算法。所述深度学习算法在特征提取分析加速模块中发挥关键作用,特别是在从视频流和环境传感器数据中识别和分析关键特征方面。例如,对于视频流,可以采用卷积神经网络(CNN)结合循环神经网络(RNN)的混合模型来识别特定行为模式。CNN负责提取视频帧中的空间特征,例如物体的形状和位置,而RNN则处理时间序列数据,捕捉行为随时间的动态变化。这种组合使模型能够有效识别复杂的行为模式,如人类的行走或跑动,甚至更复杂的交互行为。
对于来自环境传感器的数据,如温度、湿度或声音,可以使用时间序列分析模型,例如长短期记忆网络(LSTM),来提取数据中的模式和趋势。LSTM特别适合处理具有时间依赖性的数据,能够识别环境参数的长期和短期变化,从而有效预测环境变化或识别异常模式。例如,它可以从温度传感器的数据中识别出不寻常的温度升高趋势,提示可能的设备故障或火灾风险。通过这些先进的算法,边缘融合一体机不仅提高了数据处理和特征提取的效率,也极大地提升了系统对复杂环境和行为模式的识别能力。
边缘计算模块化接口管理模块通过多种接口(包括RS485、RS232、USB、以太网、POE网口等)与外部传感器和控制设备相连。接口管理模块负责数据接口的控制和管理,能够自动识别和配置连接的设备。接收智能识别分析模块的任务指令,根据这些任务驱动相应的传感器和控制设备,以实现自动化监控和控制。
边缘策略联动模块内置规则引擎,用于制定和执行基于环境监控和设备控制的边缘计算策略。所述规则引擎可以根据实时数据和预设规则自动调整设备行为,例如,在特定条件下调整监控摄像头的角度或启动报警系统。
与智能识别分析模块紧密协作,优化边缘计算策略,以适应不断变化的监控环境。
算法部署模块配备了一个软件框架和算法库,支持机器学习和深度学习算法的部署和执行。
算法部署模块能够根据边缘策略联动模块的反馈自动更新和优化运行中的算法。
通过远程部署更新单元,用户可以通过云端服务上传新的算法或对现有算法进行调整和优化。
综合接口包括各种标准和工业接口,如RS485、RS232、USB、以太网、HDMI等,以实现模块间的数据交换和指令传递。
接口能够支持高速数据传输,确保数据在不同模块间的高效流通。
通信模块包括Wi-Fi和5G通信模块,用于连接外部网络和支持数据的远程传输。这允许一体机与云端服务进行数据交换和远程控制,提高系统的整体性能和可靠性。
物理控制面板包括一个触摸屏和预设控制模块,后者支持语音控制和手势识别。
用户可以通过物理控制面板实时监控和调整边缘计算策略和设备设置,实现快速响应和控制。
本发明边缘融合一体机识别方法的实施说明:
数据采集步骤:通过一体机内置或外部连接的传感器收集实时图像、视频、声音和环境数据。
预处理步骤:将收集到的数据送入智能识别分析模块进行去噪、标准化和分割,转换声音信号为特征向量。
特征提取与分析:将预处理后的数据送至特征提取分析加速模块,提取关键特征进行图像和声音识别。
实时决策和响应:识别出的关键特征被送至边缘策略联动模块,进行即时决策和设备控制指令的生成。
学习与优化:算法部署模块收集执行结果和反馈,根据实际应用场景迭代优化算法。
特殊情况下的操作:
在网络连接不可用或不稳定时,边缘策略联动模块中的离线工作单元可以激活,以维持策略和控制的连续性。
远程部署更新单元允许用户通过云端服务上传新的算法或对现有算法进行调整,确保系统的灵活性和实时更新能力。
以下为本边缘融合一体机在工业制造环境中的安全监控和环境管理应用场景参考示例:
通过高清摄像头收集实时视频数据,系统使用深度学习模型(如CNN)来识别和分析工作场所中的人员活动。如果系统识别到潜在的安全违规行为,如员工在危险区域内未佩戴安全帽或越过安全警戒线,边缘策略联动模块会立即响应。基于预设规则(如安全区域内必须佩戴安全帽),系统会自动触发警报并通知工厂管理员,同时在物理控制面板上显示警告信息。
环境传感器(如温湿度传感器、声音采集器)连续监测工厂内的环境条件。例如,如果温度传感器检测到机器区域的温度超过设定的安全阈值,表明可能存在过热或设备故障的风险。LSTM等时间序列分析模型分析这些数据,边缘策略联动模块会根据这些信息和预设规则(如温度超标则启动冷却系统或停机检查)做出决策,自动调整设备行为,如增加通风或暂停相关设备的运行。
在发生如火灾等紧急情况时,视频监控和环境传感器会同时检测到异常信号(如烟雾、温度急剧升高)。系统通过边缘策略联动模块综合分析这些信息,迅速启动紧急响应程序,如激活消防系统,关闭相关区域的电源,同时通知消防部门和工厂管理员。
在这些场景中,边缘融合一体机通过对来自不同传感器的数据进行综合分析,并利用预设规则和高级算法实时做出决策,显著提升了安全监控的有效性和环境管理的智能化程度。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于边缘计算的边缘融合一体机,其特征在于,包括:
智能识别分析模块,所述智能识别分析模块设置有至少一个处理运算模块和至少一个特征提取分析加速模块,所述处理运算模块用于处理运算任务,所述特征提取分析加速模块用于执行图像和视频分析,所述处理运算模块将智能识别分析任务分配给所述特征提取分析加速模块,所述特征提取分析加速模块通过可配置算法进行实时图像处理和分析,实现实时视频监控和高级图像识别功能,所述可配置算法为可被预先灵活配置的算法库,所述算法库包括深度学习算法和图像处理算法;
边缘计算模块化接口管理模块,所述边缘计算模块化接口管理模块负责数据接口的控制及管理,连接和管理若干传感器和若干控制设备;所述边缘计算模块化接口管理模块接收智能识别分析模块分配的任务或数据,并根据所述任务或数据驱动所述传感器和所述控制设备,实现设备自动识别和配置;
边缘策略联动模块,所述边缘策略联动模块设置有规则引擎,所述规则引擎用于制定和执行边缘计算策略,所述边缘计算策略包括环境监控和设备控制;所述边缘计算策略根据实时数据和预设规则自动调整设备行为,并与所述智能识别分析模块协作,优化边缘策略,所述预设规则为预先定义好的逻辑条件语句,用于控制设备的特定数据输入或环境变化;
算法部署模块,所述算法部署模块配备有软件框架和所述算法库,用于部署和执行机器学习和深度学习算法;所述算法部署模块根据所述边缘策略联动模块的反馈自动更新和优化运行中的算法;
综合接口,所述综合接口受所述边缘计算模块化接口管理模块控制,所述综合接口包括RS485接口、RS232接口、USB接口、以太网网口、POE网口、光纤接口、音频接口、数字量输入输出接口、HDMI接口、输入输出电源接口,实现模块间的高效数据交换和指令传递;
通信模块,所述通信模块与所述边缘计算模块化接口管理模块通信连接,所述通信模块包括Wi-Fi通信模块和/或5G通信模块,用于连接外部网络,实现数据远程传输和云端协同;
物理控制面板,所述物理控制面板供用户界面的监控和控制一体机运行状态,所述物理控制面板包括触摸屏和预设控制模块,所述预设控制模块包括语音控制或手势识别,所述物理控制面板允许用户根据需要调整边缘计算策略和设备设置,实现实时反馈和控制。
2.根据权利要求1所述边缘融合一体机,其特征在于,所述处理运算模块和特征提取分析加速模块还配备有可灵活扩展的增强计算单元接口和可扩展存储单元接口,以提升整体的计算能力和存储容量。
3.根据权利要求1或2所述边缘融合一体机,其特征在于,所述边缘计算模块化接口管理模块还包括无线传感器网络接口,以便更广泛地连接各类无线传感器,实现更灵活的设备管理和配置。
4.根据权利要求3所述边缘融合一体机,其特征在于,所述边缘策略联动模块还包括一个离线工作单元,所述离线工作单元可在网络连接不可用或不稳定时激活,以便维持边缘计算策略和设备控制的连续性。
5.根据权利要求4所述边缘融合一体机,其特征在于,所述算法部署模块设置有远程部署更新单元,所述远程部署更新单元允许用户通过云端服务上传新的算法或对现有算法进行调整和优化。
6.根据权利要求5所述边缘融合一体机,其特征在于,所述边缘计算模块化接口管理模块还包括一个配置管理单元,所述配置管理单元允许用户根据特定需求或应用场景自定义设备间的交互和数据处理流程。
7.根据权利要求6所述边缘融合一体机,其特征在于,所述智能识别分析模块还包括一个视频流处理单元,所述视频流处理单元独立设置有高速图像数据处理能力和优化的视频分析算法。
8.一种基于实施权利要求1至7任意一项边缘融合一体机的识别方法,其特征在于,包括以下步骤:
数据采集步骤:利用一体机内置或外部连接的传感器收集实时数据,所述数据包括图像、视频、声音和环境数据;
预处理步骤:将收集到的所述数据送入智能识别分析模块进行预处理,包括图像去噪、标准化、分割以及声音信号转换为特征向量,旨在减少数据冗余,提高处理效率;
特征提取与分析:将预处理后的所述数据送至特征提取分析加速模块,提取关键特征以进行图像识别、声音识别或预设特征识别;
实时决策和响应:将识别到的所述关键特征送至边缘策略联动模块,根据预设规则和算法进行即时决策,通过边缘计算模块化接口管理模块发送指令指挥设备响应,所述设备响应包括调整监控摄像头角度、发送安全警报、控制自动化设备,所述预设规则为预先定义好的逻辑条件语句,用于控制设备的特定数据输入或环境变化,所述算法包括深度学习算法和图像处理算法;
学习与优化:算法部署模块收集执行结果和反馈,根据实际应用场景迭代优化算法,提升识别准确性和响应效率;
远程协同与控制:通过通信模块支持与云端的数据交换和远程控制,提高识别准确率和系统整体性能。
9.根据权利要求8所述识别方法,其特征在于,所述实时决策和响应步骤进一步包括使用边缘策略联动模块的规则引擎对识别出的所述关键特征进行综合评估,所述边缘策略联动模块依据预设的环境监控和设备控制策略,对不同场景下的数据进行智能分析;并结合实时数据和预设规则,自动调整设备行为。
10.根据权利要求8或9所述方法,其特征在于,所述学习与优化步骤还包括采用反馈学习机制,根据识别结果和实际应用反馈对算法进行调整和优化,包括神经网络参数调整、模型结构优化和学习率调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410123284.7A CN117649594A (zh) | 2024-01-30 | 2024-01-30 | 一种基于边缘计算的边缘融合一体机及其识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410123284.7A CN117649594A (zh) | 2024-01-30 | 2024-01-30 | 一种基于边缘计算的边缘融合一体机及其识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117649594A true CN117649594A (zh) | 2024-03-05 |
Family
ID=90049998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410123284.7A Pending CN117649594A (zh) | 2024-01-30 | 2024-01-30 | 一种基于边缘计算的边缘融合一体机及其识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117649594A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096361A (zh) * | 2019-04-19 | 2019-08-06 | 浙江德塔森特数据技术有限公司 | 基于分布式架构的边缘计算一体机及设计方法 |
CN213906954U (zh) * | 2020-12-29 | 2021-08-06 | 常州森普信息科技有限公司 | 一种边缘计算物联网网关 |
CN113392760A (zh) * | 2021-06-15 | 2021-09-14 | 中国民航机场建设集团有限公司 | 一种基于视频的不停航施工不安全行为识别的系统及方法 |
CN113743326A (zh) * | 2021-09-07 | 2021-12-03 | 中国南方电网有限责任公司超高压输电公司大理局 | 安全带佩戴状态监测系统、方法、装置和计算机设备 |
US20220067381A1 (en) * | 2020-09-02 | 2022-03-03 | Hewlett Packard Enterprise Development Lp | Video annotation system for deep learning based video analytics |
-
2024
- 2024-01-30 CN CN202410123284.7A patent/CN117649594A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096361A (zh) * | 2019-04-19 | 2019-08-06 | 浙江德塔森特数据技术有限公司 | 基于分布式架构的边缘计算一体机及设计方法 |
US20220067381A1 (en) * | 2020-09-02 | 2022-03-03 | Hewlett Packard Enterprise Development Lp | Video annotation system for deep learning based video analytics |
CN213906954U (zh) * | 2020-12-29 | 2021-08-06 | 常州森普信息科技有限公司 | 一种边缘计算物联网网关 |
CN113392760A (zh) * | 2021-06-15 | 2021-09-14 | 中国民航机场建设集团有限公司 | 一种基于视频的不停航施工不安全行为识别的系统及方法 |
CN113743326A (zh) * | 2021-09-07 | 2021-12-03 | 中国南方电网有限责任公司超高压输电公司大理局 | 安全带佩戴状态监测系统、方法、装置和计算机设备 |
Non-Patent Citations (1)
Title |
---|
高洁 等: "基于区块链的边缘计算IIoT架构研究", 计算机应用研究, no. 7, 31 December 2020 (2020-12-31), pages 246 - 252 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022095616A1 (zh) | 一种变电站在线智能巡视系统及方法 | |
US20170300753A1 (en) | Analyzing video streams in an industrial environment to identify potential problems and select recipients for a display of video streams related to the potential problems | |
CN206132124U (zh) | 机房动力环境监控系统 | |
CN101572803B (zh) | 基于视频监控的可定制式自动跟踪系统 | |
CN116846987B (zh) | 一种工业互联网的交互界面生成方法及系统 | |
WO2021114866A1 (zh) | 遮挡图像检测方法、装置、电子设备及存储介质 | |
CN1835583B (zh) | 安防监控管理系统的工作方法 | |
CN111050114A (zh) | 一种低功耗摄像头、监控管理控制系统及其控制方法 | |
CN207408803U (zh) | 动力环境监控装置及系统 | |
CN106817562A (zh) | 一种具有视频监控图像智能分析功能的平台软件 | |
CN109451751A (zh) | 存储介质与家居设备智能控制装置、方法及系统 | |
CN108162347A (zh) | 一种用于远程控制的注塑设备 | |
CN117118781A (zh) | 一种智能化工业网关设计方法及装置 | |
CN109986756A (zh) | 一种基于远程控制的智能注塑生产系统 | |
KR102536763B1 (ko) | 인공 지능을 위한 프로그래밍가능 로직 제어기-기반 모듈식 가속 모듈 | |
CN117649594A (zh) | 一种基于边缘计算的边缘融合一体机及其识别方法 | |
CN114257785A (zh) | 一种基于边缘计算的视频处理方法 | |
CN104950778A (zh) | 数据中心的监控系统 | |
CN111638672B (zh) | 一种工业机台的自动控制系统 | |
RU2746652C1 (ru) | Модульный комплекс контроля производственной безопасности и технологических процессов | |
CN117041251A (zh) | 一种基于边缘计算的多数据虚拟化集群管理系统 | |
CN108422432A (zh) | 一种巡检机器人及具有该机器人的地下管廊信息管理系统 | |
KR20210147594A (ko) | 에너지 데이터 수집 및 관리에 최적화 기능을 제공하는 엣지 컴퓨팅 장치의 통신시스템 및 데이터베이스 운영방법 | |
CN112700772A (zh) | 基于硬件识别的智能语音系统及方法 | |
CN207612125U (zh) | 电气化铁路牵引供电智能辅助系统 |
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 |