CN117743910A - 一种基于边缘计算网关的社区一体化监管平台及方法 - Google Patents
一种基于边缘计算网关的社区一体化监管平台及方法 Download PDFInfo
- Publication number
- CN117743910A CN117743910A CN202311595367.8A CN202311595367A CN117743910A CN 117743910 A CN117743910 A CN 117743910A CN 202311595367 A CN202311595367 A CN 202311595367A CN 117743910 A CN117743910 A CN 117743910A
- Authority
- CN
- China
- Prior art keywords
- community
- data type
- community data
- identification
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 80
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000010845 search algorithm Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims 6
- 238000009825 accumulation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于边缘计算网关的社区一体化监管平台及方法,该方法包括采集用于训练的不同社区服务信息，使用卷积神经网络自动标注不同社区服务信息中的所有社区数据种类得到用于训练的社区服务数据集；基于社区数据种类识别领域使用卷积神经网络进行特征学习；通过基于边缘计算的用户设置界面设置算法参数及社区数据种类识别区；将社区监控采集到的每一帧社区监控图像送入社区数据种类识别模型，得到社区数据种类的识别结果；将社区数据种类的识别结果送入广度优先搜索算法，对识别到的社区数据种类进行追踪；识别并判断追踪的社区数据种类是否有遗漏，本发明用于准确高效地识别出社区数据种类信息。
Description
技术领域
本发明涉及社区监管领域,尤其涉及一种基于边缘计算网关的社区一体化监管平台及方法。
背景技术
随着社区数据种类识别技术的发展,由于其具有数据准确、安全系数高，使用方便等诸多特点,社区数据种类识别技术被广泛地应用于各行各样当中,比如无人零售机、考勤机以及门禁平台等设备。
目前设置在各种设备上的社区数据种类识别装置主要通过两种方式进行社区数据种类识别：
1.云识别:设置在设备上的社区数据种类识别装置将识别得到的特征码发由云端,云端存储有大数据，云端将特征码和大数据进行比对,以得到识别结果反馈给设备,达到社区数据种类识别的作用。然而识别过程必须要联网，即必须完成将特征码发送给云端的动作,并且需要保证特征码在传输的过程中的数据稳定性和安全性；另外,云识别的识别效率受到传输网络和云端服务器的影响,一旦云端被破坏,将带来连带的恶性反应。
2、库识别:设置在设备上的社区数据种类识别装置识别得到的特征码直接在本机设备上进行数据比对,本机设备上存储有一定容量的数据库。这种方式可避免其上云识别存在的问题，然而,本机设备的存储容量是有限的,即库识别的存储库是极其宝贵的,不适用于大用户量的情况使用。
现有技术中存在很多需要多个独立的社区数据种类识别装置进行联通的情况，大多情况是采用云识别的方式进行处理,然而云识别方式存在以上提及的问题:另外,如何快速高效地处理多台社区数据种类识别装置彼此之间的数据关系以及如何有效管理多台社区数据种类识别装置的数据，也是目前行业内亟需解决的一大问题。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种基于边缘计算网关的社区一体化监管平台及方法。
本发明所采用的技术方案是，本发明提供的一种基于边缘计算网关的社区一体化监管平台及方法，包括以下步骤：
步骤S1，采集用于训练的不同社区服务信息，使用卷积神经网络自动标注所述不同社区服务信息中的所有社区数据种类以得到用于训练的社区服务数据集；
步骤S2，利用所述社区服务数据集对基于社区数据种类识别领域使用卷积神经网络进行特征学习；
步骤S3，通过基于边缘计算的用户设置界面设置算法参数及社区数据种类识别区；
步骤S4，获取社区监控图像及视频数据，将社区监控采集到的每一帧社区监控图像送入所述社区数据种类识别模型，得到社区数据种类识别结果；
步骤S5，将所述社区数据种类识别结果送入广度优先搜索算法，对识别到的社区数据种类进行追踪；
步骤S6，识别并判断追踪的社区数据种类是否位于所述社区数据种类识别区并判断所述社区数据种类是否有遗漏。
所述社区数据种类识别模型，表示式为：
其中，βq表示社区数据种类识别函数，Tq表示社区不同数据的特征，ΔK表示社区数据分类系数矩阵，W表示社区不同数据在单位时间内的总量。
优选地，对基于社区数据种类识别领域使用卷积神经网络进行特征学习后，同时对卷积神经网络算法的参数进行动态更新。
优选地，判断社区数据种类是否处于社区数据种类识别区包含以下步骤：
步骤Q1，获取当前社区监控图像帧中某一个社区数据种类识别区的对角线和边区中点及识别区中心点坐标；
步骤Q2，若社区数据种类识别区对角线与边区中点均在社区数据种类识别区内，判断社区数据种类有遗漏；
步骤Q3，若社区数据种类识别区只有一侧点位于社区数据种类识别区内，则进行步骤Q4；
步骤Q4，判断社区数据种类中心点是否位于社区数据种类识别区内，若社区数据种类中心点位于社区数据种类识别区内则判断社区数据种类有遗漏，否则进行下一步；
步骤Q5，继续获取当前社区监控图像帧中的其他识别社区数据种类并进社区数据种类是否有遗漏判断的操作。
本申请还包含一种判断社区数据种类位于社区数据种类识别区内是否异常数据的方法，包括以下步骤：
步骤T1，计算前一帧社区监控图像中社区数据种类的中心坐标与当前帧社区监控图像中所述社区数据种类的中心坐标的像素距离，若所述像素距离超过极限值，则判定为社区数据种类异常；
步骤T2，若判断社区数据种类处于异常状态，则将社区数据种类信息中的有遗漏时长清零并处理其他社区数据种类社区监控图像；
步骤T3，若社区数据种类未在动，则获取当前时间并计算社区数据种类停止累计时间，将所述社区数据种类停止累计时间与设定的有遗漏时长极限值进行比较，若所述社区数据种类停止累计时间超过有遗漏时长极限值，则判断为社区数据种类有遗漏，若所述社区数据种类停止累计时间未超过有遗漏时长，则当前社区数据种类处理结束，继续处理其他识别社区监控图像。
优选地，所述极限值采用Q/P的动态形式极限值来判断社区数据种类异常数据，其中，式中字母Q表示识别区的对角线距离，字母P为极限值比例因子。
优选地，若追踪信息中上一帧社区监控图像追踪到某一社区数据种类，而当前帧中未追踪到所述社区数据种类时，则平台设置一个最大消失帧数，在未达到最大消失帧数之前，并不判断所述社区数据种类丢失，之后利用广度优先搜索算法中的无迹卡尔曼滤波基于上一帧中的所述社区数据种类区位置对当前帧的所述社区数据种类区进行预测，预测的结果作为当前帧社区数据种类区；
若下一帧社区监控图像识别到所述社区数据种类区位置与所述当前帧社区数据种类区匹配，则判断为识别算法错误导致的社区数据种类消失；
若达到最大消失帧数后，直接视为所述社区数据种类消失，平台删除此社区数据种类追踪信息；
若未达到最大消失帧数的时间段中所述社区数据种类重新出现，则判断为所述社区数据种类被短时间遗漏。
优选地，采集所述社区监控图像的时间为根据监控需求进行时间长短设定，每秒采集30-80帧社区监控图像。
本申请的平台包含社区数据种类模型识别模块，算法社区监控图像计算单元及遗漏判断单元，其中：
所述社区数据种类模型识别模块用于对所述算法社区监控图像计算单元采集到的社区监控图像及视频数据进行社区数据种类识别并得到社区数据种类的识别区及识别区信息；
所述算法社区监控图像计算单元用于采集社区监控图像及视频数据、设置监管区位置及对所述社区数据种类模型识别模块得到的社区数据种类识别区及识别区信息匹配特定识别码后传入至所述遗漏判断单元；
所述遗漏判断单元接收到匹配好特定识别码的社区数据种类识别区及识别区信息后输出追踪器信息，查找每一个所述追踪器信息，根据所述监管区位置判断此社区数据种类是否位于监管区内，并再次更新追踪器信息，根据更新后的所述追踪器信息判断社区数据种类是否应该被发出报警。
优选地，所述追踪器信息包括：社区数据种类识别码、社区数据种类识别区、社区数据种类是否进入社区数据种类识别区、社区数据种类进入社区数据种类识别区时间、社区数据种类是否已被发出报警。
优选地，所述社区服务数据集可采用实时更新的方式增加训练数据量。
本发明将于卷积神经网络的社区数据种类识别技术用于社区数据种类识别，该方法能从社区监控图像中准确地识别社区数据种类，并对社区数据种类进行追踪，然后通过一系列社区数据种类有遗漏的逻辑判断，准确高效地识别出社区数据种类并产生发出报警，从而实现社区数据种类有遗漏的智能化监管。从而大幅度地提高了工作人员的效率，同时也节约大量的人力物力；
社区数据种类模型识别模块：本发明利用社区服务数据集对基于社区数据种类识别领域使用卷积神经网络进行特征学习，保证社区数据种类识别准确率。本发明同时对卷积神经网络算法的参数进行动态更新，以保证在有限预算下的性能最优化；
算法社区监控图像计算单元：本发明对识别到的社区数据种类进行基于追踪算法的追踪，并维护其个体结构体，用于对社区数据种类状态进行判断，并且设置追踪失效极限值避免被遗漏后产生误报；
遗漏判断单元：本发明首先对追踪到的社区数据种类进行是否在监管区内进行判断，并提出多种对社区数据种类异常数据的判断方式，通过对社区数据种类进行异常数据判断，从而避免了传统方法中异常数据社区数据种类误报问题；
本发明可方便地从边缘计算页面对有遗漏识别算法进行设置，发出报警消息也可实时地显示在边缘计算页面中供工作人员查看，与核心识别算法共同组成了一个社区数据种类有遗漏智能识别平台。
附图说明
图1为本发明方法第一流程图；
图2为本发明方法第二流程图；
图3为本发明方法第三流程图；
图4为本发明平台功能结构图。
具体实施方式
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,下面结合附图和有具体实施例对本申请作进一步详细说明。
如图1所示,一种基于边缘计算网关的社区一体化监管方法，包括以下步骤：
步骤S1，采集用于训练的不同社区服务信息，使用卷积神经网络自动标注所述不同社区服务信息中的所有社区数据种类以得到用于训练的社区服务数据集；
步骤S2，利用所述社区服务数据集对基于社区数据种类识别领域使用卷积神经网络进行特征学习；
步骤S3，通过基于边缘计算的用户设置界面设置算法参数及社区数据种类识别区；
步骤S4，获取社区监控图像及视频数据，将社区监控采集到的每一帧社区监控图像送入所述社区数据种类识别模型，得到社区数据种类识别结果；
步骤S5，将所述社区数据种类识别结果送入广度优先搜索算法，对识别到的社区数据种类进行追踪；
步骤S6，识别并判断追踪的社区数据种类是否位于所述社区数据种类识别区并判断所述社区数据种类是否有遗漏。
社区数据种类识别模型，表示式为：
其中，βq表示社区数据种类识别函数，Tq表示社区不同数据的特征，ΔK表示社区数据分类系数矩阵，W表示社区不同数据在单位时间内的总量。
对基于社区数据种类识别领域使用卷积神经网络进行特征学习后，同时对卷积神经网络算法的参数进行动态更新。
如图2所示,判断社区数据种类是否处于社区数据种类识别区包含以下步骤：
步骤Q1，获取当前社区监控图像帧中某一个社区数据种类识别区的对角线和边区中点及识别区中心点坐标；
步骤Q2，若社区数据种类识别区对角线与边区中点均在社区数据种类识别区内，判断社区数据种类有遗漏；
步骤Q3，若社区数据种类识别区只有一侧点位于社区数据种类识别区内，则进行步骤Q4；
步骤Q4，判断社区数据种类中心点是否位于社区数据种类识别区内，若社区数据种类中心点位于社区数据种类识别区内则判断社区数据种类有遗漏，否则进行下一步；
步骤Q5，继续获取当前社区监控图像帧中的其他识别社区数据种类并进社区数据种类是否有遗漏判断的操作。
如图3所示,本申请还包含一种判断社区数据种类位于社区数据种类识别区内是否异常数据的方法，包括以下步骤：
步骤T1，计算前一帧社区监控图像中社区数据种类的中心坐标与当前帧社区监控图像中所述社区数据种类的中心坐标的像素距离，若所述像素距离超过极限值，则判定为社区数据种类异常；
步骤T2，若判断社区数据种类处于异常状态，则将社区数据种类信息中的有遗漏时长清零并处理其他社区数据种类社区监控图像；
步骤T3，若社区数据种类未在动，则获取当前时间并计算社区数据种类停止累计时间，将所述社区数据种类停止累计时间与设定的有遗漏时长极限值进行比较，若所述社区数据种类停止累计时间超过有遗漏时长极限值，则判断为社区数据种类有遗漏，若所述社区数据种类停止累计时间未超过有遗漏时长，则当前社区数据种类处理结束，继续处理其他识别社区监控图像。
极限值采用Q/P的动态形式极限值来判断社区数据种类异常数据，其中，式中字母Q表示识别区的对角线距离，字母P为极限值比例因子。
若追踪信息中上一帧社区监控图像追踪到某一社区数据种类，而当前帧中未追踪到所述社区数据种类时，则平台设置一个最大消失帧数，在未达到最大消失帧数之前，并不判断所述社区数据种类丢失，之后利用广度优先搜索算法中的无迹卡尔曼滤波基于上一帧中的所述社区数据种类区位置对当前帧的所述社区数据种类区进行预测，预测的结果作为当前帧社区数据种类区；
若下一帧社区监控图像识别到所述社区数据种类区位置与所述当前帧社区数据种类区匹配，则判断为识别算法错误导致的社区数据种类消失；
若达到最大消失帧数后，直接视为所述社区数据种类消失，平台删除此社区数据种类追踪信息；
若未达到最大消失帧数的时间段中所述社区数据种类重新出现，则判断为所述社区数据种类被短时间遗漏。
采集所述社区监控图像的时间为根据监控需求进行时间长短设定，每秒采集30-80帧社区监控图像。
如图4所示,本申请的一种基于边缘计算网关的社区一体化监管平台包括：
社区数据种类模型识别模块，首先基于实际场景采集用于训练的数据，得到数据之后，经过使用卷积神经网络自动标注不同社区服务信息中的所有社区数据种类，得到用于训练的社区服务数据集。
为更好的保证训练效果，本发明可通过对训练社区服务数据集采用平移、翻转、缩放等数据增强的方式使得训练数据量大大增加。
然后通过训练社区服务数据集对基于社区数据种类识别领域使用卷积神经网络进行特征学习，以确保模型的准确性。
得到训练好的模型之后，传统方法一般直接将训练好的原始模型结合业务程序直接进行部署利用，这种方式不仅推理速度慢而且极其占用硬件资源。
为保证业务中社区数据种类识别的实时性，本发明中原始模型利用粒子群算法对模型进行速度更新、位置更新、权重量化等优化模型推理吞吐量的操作，进行前向推理，使得推理加速。
算法社区监控图像计算单元，首先，本发明的智能识别平台通过基于边缘计算的用户设置界面设置算法参数，边缘计算页面实时显示要设置社区监控的画面，用户可通过鼠标在画面中绘制社区数据种类识别区，当用户绘制完毕后，算法的设置将通过网络发送至算法服务器。
算法接收到设置之后，会根据指定的视频流地址拉取设置社区监控的实时数据，将得到的每一帧社区监控图像送入训练好的社区数据种类识别模型，得到社区数据种类的社区数据种类识别结果。
然后将社区数据种类识别结果送入广度优先搜索算法，对识别到的社区数据种类进行追踪。
追踪的好处是将时间序列上的同一社区数据种类进行匹配并赋予同一识别码，避免了连续识别到同一辆车连续报警的问题。
遗漏判断单元，根据算法社区监控图像计算单元的追踪器追踪信息，遍历所有追踪到的社区数据种类，若为新追踪到的社区数据种类，则对其信息进行初始化；
若之前平台已追踪到此社区数据种类，当前帧又追踪到此社区数据种类，则首先判断其是否位于社区数据种类识别区内，采用社区数据种类识别区对角线和边区中点和识别区中心点坐标判断社区数据种类是否处于社区数据种类识别区。
具体方法为：首先获取识别区的对角线和边区中点和识别区中心点坐标；
若对角线与边区中点均在社区数据种类识别区内，判断社区数据种类有遗漏；
若只有一侧点位于社区数据种类识别区内，则判断社区数据种类中心点是否位于社区数据种类识别区内，若位于，则判断社区数据种类有遗漏；其余均视为不存在有遗漏。
若社区数据种类未位于社区数据种类识别区内，则当前社区数据种类处理结束，继续处理其他识别社区监控图像，当所有社区数据种类遍历完成之后，则当前帧处理结束，继续获取下一帧。
若社区数据种类位于社区数据种类识别区内，本发明采用一种判断社区数据种类是否异常数据的方法，来避免社区数据种类在很大的一片社区数据种类识别区内由于堵车或其他原因缓慢行驶的过程中一直处于社区数据种类识别区内而被误认为有遗漏而报警的问题。
具体方法为：
(1)计算前一帧社区监控图像中此社区数据种类的中心坐标与当前帧的社区数据种类中心坐标计算像素距离，若此距离超过一定极限值，则判定为社区数据种类异常；
(2)由于社区数据种类距离社区监控距离不同从而在社区监控图像中距离社区监控远近不同的社区数据种类识别出的Pox大小会存在很大差异；例如，远处的10个像素距离与近处的10个像素距离所对应的实际路面距离是不一样的。
因此，若步骤(1)中的方法利用单一的极限值作为判定条件，会造成对不同远近社区数据种类判断异常数据标准不同的情况。
本发明提出利用动态极限值＝Q/P形式来判断社区数据种类是否异常数据；
式中Q为识别区的对角线距离，P为极限值比例因子；
在判断过程中P为固定值，可由算法人员调节。
设立动态极限值的效果为，当识别区较大时，对应的距离极限值越大，当识别区较小时，对应的距离极限值越小，从而使得在距离社区监控不同远近的社区数据种类进行异常判断时更精确。
若社区数据种类在异常，则将社区数据种类信息中的有遗漏时长清零，继续处理其他识别社区监控图像；
若社区数据种类未在异常，则获取当前时间并计算社区数据种类停止累计时间，将社区数据种类停止累计时间与有遗漏时长极限值进行比较，若超过有遗漏时长极限值，则判断为社区数据种类有遗漏，通过网络将社区数据种类信息发送至边缘计算端，边缘计算端接收到发出报警消息后，在页面会显示发出报警信息；若没有超过有遗漏时长，则当前社区数据种类处理结束，继续处理其他识别社区监控图像。
若追踪信息中上一帧追踪到某一辆车，当前帧中未追踪到，此时会出现以下3种情况：
1、识别算法错误未检到社区数据种类；
2、社区数据种类超出画面范围；
3、存在遗漏，其他物体将社区数据种类遗漏导致识别算法无法识别到社区数据种类。
针对上述情况，本发明处理的具体方法为：结合以上三种可能出现的情况，设置一个最大消失帧数，在未达到最大消失帧数之前，并不判断此社区数据种类丢失。利用广度优先搜索算法中的无迹卡尔曼滤波基于上一帧的社区数据种类区位置对其当前帧的社区数据种类区进行预测，预测的结果作为当前帧社区数据种类区，但追踪状态依然为未追踪到。
针对第一种情况，若为识别算法错误未检到社区数据种类，则当下一帧识别到社区数据种类区时，追踪算法得到的社区数据种类区会与当前帧社区数据种类区匹配，避免了由于识别算法不稳定而导致的重复报警问题；
针对第二种情况，当达到最大消失帧数后，算法视为当前社区数据种类消失，删除此社区数据种类追踪信息；
针对第三种情况，若为短时间遗漏，在社区数据种类重新出现后追踪算法依然能基于之前的社区数据种类区与遗漏后的社区数据种类区匹配，识别为同一社区数据种类，避免了重复报警的问题。
最大消失帧数建议设置为采集社区监控图像的时间根据监控需求进行时间长短设定，每秒采集30-80帧社区监控图像，
具体的社区数据种类模型识别模块、算法社区监控图像计算单元及遗漏判断单元之间通过以下内容通信：
社区数据种类模型识别模块经过训练、加速之后生成一个模型文件；
算法社区监控图像计算单元首先通过网络通信获取边缘计算设置；其中边缘计算设置具体包括：社区监控rtsP流地址、监管区位置；
设置完成后算法社区监控图像计算单元加载社区数据种类模型识别模块的模型文件对社区监控图像及视频数据进行社区数据种类识别并得到社区数据种类的识别区及识别区信息；
再将识别区送入广度优先搜索算法，为每个识别区匹配特定识别码后传入遗漏判断单元得到追踪器信息，其中，追踪器信息包括社区数据种类识别码、社区数据种类识别区、社区数据种类是否进入社区数据种类识别区、社区数据种类进入社区数据种类识别区时间、社区数据种类是否已被发出报警；
遗漏判断单元遍历每一个追踪器信息，根据监管区位置判断此社区数据种类是否位于监管区内，并更新追踪器信息，并根据追踪器信息判断社区数据种类是否应该发出报警。
在本发明描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”、“固定”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。
Claims (10)
1.一种基于边缘计算网关的社区一体化监管方法，其特征在于：包括以下步骤：
步骤S1，采集用于训练的不同社区服务信息，使用卷积神经网络自动标注所述不同社区服务信息中的所有社区数据种类以得到用于训练的社区服务数据集；
步骤S2，利用所述社区服务数据集对基于社区数据种类识别领域使用卷积神经网络进行特征学习；
步骤S3，通过基于边缘计算的用户设置界面设置算法参数及社区数据种类识别区；
步骤S4，获取社区监控图像及视频数据，将社区监控采集到的每一帧社区监控图像送入所述社区数据种类识别模型，得到社区数据种类识别结果；
步骤S5，将所述社区数据种类识别结果送入广度优先搜索算法，对识别到的社区数据种类进行追踪；
步骤S6，识别并判断追踪的所述社区数据种类是否位于所述社区数据种类识别区并判断所述社区数据种类是否有遗漏；
所述社区数据种类识别模型，表示式为：
其中，βq表示社区数据种类识别函数，Tq表示社区不同数据的特征，ΔK表示社区数据分类系数矩阵，W表示社区不同数据在单位时间内的总量。
2.根据权利要求1所述的一种基于边缘计算网关的社区一体化监管方法，其特征在于：对基于社区数据种类识别领域使用卷积神经网络进行特征学习后，同时对卷积神经网络算法的参数进行动态更新。
3.根据权利要求1所述的一种基于边缘计算网关的社区一体化监管方法，其特征在于：判断社区数据种类是否处于社区数据种类识别区包含以下步骤：
步骤Q1，获取当前社区监控图像帧中某一个社区数据种类识别区的对角线和边区中点及识别区中心点坐标；
步骤Q2，若社区数据种类识别区对角线与边区中点均在社区数据种类识别区内，判断社区数据种类有遗漏；
步骤Q3，若社区数据种类识别区只有一侧点位于社区数据种类识别区内，则进行步骤Q4；
步骤Q4，判断社区数据种类中心点是否位于社区数据种类识别区内，若社区数据种类中心点位于社区数据种类识别区内则判断社区数据种类有遗漏，否则进行下一步；
步骤Q5，继续获取当前社区监控图像帧中的其他识别社区数据种类并进社区数据种类是否有遗漏判断的操作。
4.根据权利要求3所述的一种基于边缘计算网关的社区一体化监管方法，其特征在于：还包含一种判断社区数据种类位于社区数据种类识别区内是否异常数据的方法，包括以下步骤：
步骤T1，计算前一帧社区监控图像中社区数据种类的中心坐标与当前帧社区监控图像中所述社区数据种类的中心坐标的像素距离，若所述像素距离超过极限值，则判定为社区数据种类异常；
步骤T2，若判断社区数据种类处于异常状态，则将社区数据种类信息中的有遗漏时长清零并处理其他社区数据种类社区监控图像；
步骤T3，若社区数据种类未在动，则获取当前时间并计算社区数据种类停止累计时间，将所述社区数据种类停止累计时间与设定的有遗漏时长极限值进行比较，若所述社区数据种类停止累计时间超过有遗漏时长极限值，则判断为社区数据种类有遗漏，若所述社区数据种类停止累计时间未超过有遗漏时长，则当前社区数据种类处理结束，继续处理其他识别社区监控图像。
5.根据权利要求4所述的一种基于边缘计算网关的社区一体化监管方法，其特征在于：所述极限值采用Q/P的动态形式极限值来判断社区数据种类异常数据，其中，式中字母Q表示识别区的对角线距离，字母P为极限值比例因子。
6.根据权利要求4所述的一种基于边缘计算网关的社区一体化监管方法，其特征在于：若追踪信息中上一帧社区监控图像追踪到某一社区数据种类，而当前帧中未追踪到所述社区数据种类时，则平台设置一个最大消失帧数，在未达到最大消失帧数之前，并不判断所述社区数据种类丢失，之后利用广度优先搜索算法中的无迹卡尔曼滤波基于上一帧中的所述社区数据种类区位置对当前帧的所述社区数据种类区进行预测，预测的结果作为当前帧社区数据种类区；若下一帧社区监控图像识别到所述社区数据种类区位置与所述当前帧社区数据种类区匹配，则判断为识别算法错误导致的社区数据种类消失；若达到最大消失帧数后，直接视为所述社区数据种类消失，平台删除此社区数据种类追踪信息；若未达到最大消失帧数的时间段中所述社区数据种类重新出现，则判断为所述社区数据种类被短时间遗漏。
7.根据权利要求6所述的一种基于边缘计算网关的社区一体化监管方法，其特征在于：采集所述社区监控图像的时间为根据监控需求进行时间长短设定，每秒采集30-80帧社区监控图像。
8.根据权利要求1所述的一种基于边缘计算网关的社区一体化监管平台，其特征在于：该平台包含社区数据种类模型识别模块，算法社区监控图像计算单元及遗漏判断单元，
所述社区数据种类模型识别模块用于对所述算法社区监控图像计算单元采集到的社区监控图像及视频数据进行社区数据种类识别并得到社区数据种类的识别区及识别区信息；
所述算法社区监控图像计算单元用于采集社区监控图像及视频数据、设置监管区位置及对所述社区数据种类模型识别模块得到的社区数据种类识别区及识别区信息匹配特定识别码后传入至所述遗漏判断单元；
所述遗漏判断单元用于接收到匹配好特定识别码的社区数据种类识别区及识别区信息后输出追踪器信息，查找每一个所述追踪器信息，根据所述监管区位置判断此社区数据种类是否位于监管区内，并再次更新追踪器信息，根据更新后的所述追踪器信息判断社区数据种类是否应该被发出报警。
9.根据权利要求8所述的一种基于边缘计算网关的社区一体化监管平台，其特征在于：所述追踪器信息包括：社区数据种类识别码、社区数据种类识别区、社区数据种类是否进入社区数据种类识别区、社区数据种类进入社区数据种类识别区时间、社区数据种类是否已被发出报警。
10.根据权利要求1所述的一种基于边缘计算网关的社区一体化监管平台，其特征在于：所述社区服务数据集可采用实时更新的方式增加训练数据量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311595367.8A CN117743910A (zh) | 2023-11-28 | 2023-11-28 | 一种基于边缘计算网关的社区一体化监管平台及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311595367.8A CN117743910A (zh) | 2023-11-28 | 2023-11-28 | 一种基于边缘计算网关的社区一体化监管平台及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117743910A true CN117743910A (zh) | 2024-03-22 |
Family
ID=90255314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311595367.8A Pending CN117743910A (zh) | 2023-11-28 | 2023-11-28 | 一种基于边缘计算网关的社区一体化监管平台及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117743910A (zh) |
-
2023
- 2023-11-28 CN CN202311595367.8A patent/CN117743910A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111079602A (zh) | 基于多尺度区域特征约束的车辆细粒度识别方法及装置 | |
| CN110567324B (zh) | 一种基于ds证据理论的多目标群威胁度预测装置及方法 | |
| CN114648748A (zh) | 一种基于深度学习的机动车违停智能识别方法及系统 | |
| CN113901911B (zh) | 图像识别、模型训练方法、装置、电子设备及存储介质 | |
| CN113255651A (zh) | 包裹安检方法、装置及系统和节点设备、存储装置 | |
| CN115100741A (zh) | 一种点云行人距离风险检测方法、系统、设备和介质 | |
| CN111126112B (zh) | 候选区域确定方法和装置 | |
| CN114022837A (zh) | 车站遗留物品检测方法、装置、电子设备及存储介质 | |
| CN113724293A (zh) | 一种基于视觉的智能网联公交场景下目标跟踪方法及系统 | |
| CN113591735A (zh) | 一种基于深度学习的行人检测方法及系统 | |
| CN109215059A (zh) | 一种航拍视频中运动车辆跟踪的局部数据关联方法 | |
| CN117132872A (zh) | 一种生产线上物料运输车辆智能碰撞识别系统 | |
| CN115994781A (zh) | 一种基于大数据的精准获客系统及方法 | |
| CN116959099A (zh) | 一种基于时空图卷积神经网络的异常行为识别方法 | |
| CN117743910A (zh) | 一种基于边缘计算网关的社区一体化监管平台及方法 | |
| CN115733584A (zh) | 一种基于帧数据串行传输的帧数据接收方法 | |
| CN110490170A (zh) | 一种人脸候选框提取方法 | |
| CN116229396A (zh) | 高速路面病害识别及告警方法 | |
| CN115696169A (zh) | 一种mes生产管理系统的数据获取方法 | |
| Sun et al. | Object Detection with Geometrical Context Feedback Loop. | |
| CN113888599A (zh) | 基于标签统计和结果后处理的目标检测系统运行时监测方法 | |
| CN114663972A (zh) | 基于动作差分的目标标记方法及装置 | |
| CN110312103A (zh) | 一种基于云计算平台的高速设备防盗监控视频处理方法 | |
| CN115864654A (zh) | 电力系统及其调峰调频方法 | |
| Qazzaz et al. | Car Detection and Features Identification Based on YOLOV5 |
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 |