CN118247640B - 基于人脸识别设备的端侧算力协同控制方法及装置 - Google Patents
基于人脸识别设备的端侧算力协同控制方法及装置 Download PDFInfo
- Publication number
- CN118247640B CN118247640B CN202410642162.9A CN202410642162A CN118247640B CN 118247640 B CN118247640 B CN 118247640B CN 202410642162 A CN202410642162 A CN 202410642162A CN 118247640 B CN118247640 B CN 118247640B
- Authority
- CN
- China
- Prior art keywords
- face recognition
- computing
- model
- recognition device
- cooperative
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000005457 optimization Methods 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 37
- 238000013210 evaluation model Methods 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000013140 knowledge distillation Methods 0.000 claims description 7
- 238000000611 regression analysis Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 description 33
- 230000006870 function Effects 0.000 description 22
- 238000012545 processing Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000004821 distillation Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种基于人脸识别设备的端侧算力协同控制方法及装置，方法包括：根据获取到的硬件参数、网络参数以及设定能力评估模型确定各人脸识别设备的端侧计算能力；根据所述各人脸识别设备的端侧计算能力对预设人脸识别模型进行模型优化，并将经过所述模型优化后的人脸识别模型部署至对应的人脸识别设备；根据所述各人脸识别设备的端侧计算能力、所述人脸识别模型以及端侧当前任务确定对应的端侧可分配计算资源，根据所述端侧可分配计算资源确定与目标识别任务对应的协同人脸识别设备并执行协同计算；本申请能够在人脸识别终端设备之间实现算力的有效协同利用，提高整体系统的性能和效率。
Description
技术领域
本申请涉及图像识别领域，具体涉及一种基于人脸识别设备的端侧算力协同控制方法及装置。
背景技术
近年来,随着人工智能技术的快速发展,人脸识别技术在安防监控、智能门禁、人员管理等领域得到了广泛应用。人脸识别作为一种生物特征识别技术,利用人脸的独特特征进行个人身份的快速自动化识别,相比传统的密码、卡片等认证方式更加便捷可靠。
人脸识别技术的核心原理是通过图像采集设备捕获人脸图像,利用人工智能算法对人脸图像进行特征提取和模式识别,实现对被识别对象的身份认证。随着算法模型的不断优化和计算硬件性能的持续提升,人脸识别的识别准确率和识别速度都得到了显著提高。目前,人脸识别技术已广泛应用于各类安防监控、智能门禁、人员考勤、金融支付等场景。
当前，人脸识别技术得到了大规模的发展和应用，并且各个场景中都存在着大量的人脸识别设备，这些设备通常都具备一定的算力。然而，在一些场景中，仍然存在着许多非智能化的感知终端，如普通监控摄像头等。对于这些非智能化的感知终端，如果需要进行监控智能升级改造，传统的做法往往需要拆卸原有设备，然后安装智能化设备，这会带来较高的成本。因此，寻找一种能够利用端侧已安装人脸识别设备空余算力进行统一管理和调度，从而实现普通相机的无成本化智能化改造的方法显得尤为重要。
目前，尽管在各个场景中都存在着大量的人脸识别设备，但这些设备往往只用于特定的识别任务，其算力资源未能得到充分利用。另一方面，普通监控摄像头等非智能化感知终端通常缺乏人脸识别功能，但具备一定的网络连接能力。
目前业界已经有一些相关的技术方案尝试解决这一问题。例如,有些解决方案提出利用边缘计算技术,将部分人脸识别算法下沉至设备端,减轻了设备对云端计算资源的依赖,提高了系统的响应速度。但这种方案仍需要对原有设备进行一定程度的硬件改造,成本相对较高，并且，现有技术中的方案仅能通过边缘计算技术减轻设备对计算资源的依赖，无法解决设备本身计算资源利用率不高的问题，即设备处于空闲状态时其本申请的计算资源没有得到合理利用。
综上所述,现有的技术方案在解决人脸识别设备升级改造问题时,还存在一定的局限性和不足。极有必要提出一种新的技术方案,能够利用设备闲置的计算资源,实现无成本的智能化改造,提高人脸识别系统的整体管理效率。
发明内容
针对现有技术中的问题，本申请提供一种基于人脸识别设备的端侧算力协同控制方法及装置，能够在人脸识别终端设备之间实现算力的有效协同利用，提高整体系统的性能和效率。
为了解决上述问题中的至少一个，本申请提供以下技术方案：
第一方面，本申请提供一种基于人脸识别设备的端侧算力协同控制方法，包括：
获取系统中各人脸识别设备的硬件参数和网络参数，根据获取到的所述硬件参数、所述网络参数以及设定能力评估模型确定所述各人脸识别设备的端侧计算能力；
根据所述各人脸识别设备的端侧计算能力对预设人脸识别模型进行模型优化，并将经过所述模型优化后的人脸识别模型部署至对应的人脸识别设备；
根据所述各人脸识别设备的端侧计算能力、所述人脸识别模型以及端侧当前任务确定对应的端侧可分配计算资源，根据所述端侧可分配计算资源确定与目标识别任务对应的协同人脸识别设备并执行协同计算；
若所述协同计算的结果判定为图像异常时，触发生成一告警信号并发送至相应管理员端执行告警操作。
进一步地，在所述获取系统中各人脸识别设备的硬件参数和网络参数，根据获取到的所述硬件参数、所述网络参数以及设定能力评估模型确定所述各人脸识别设备的端侧计算能力之前，包括：
根据人脸识别设备的历史硬件参数、历史网络参数以及历史参数权重构建模型训练集；
将所述模型训练集输入预设回归分析模型并通过端侧计算能力影响程度的验证集进行模型训练，得到能力评估模型。
进一步地，所述获取系统中各人脸识别设备的硬件参数和网络参数，根据获取到的所述硬件参数、所述网络参数以及设定能力评估模型确定所述各人脸识别设备的端侧计算能力，包括：
获取系统中各人脸识别设备的计算核心参数和实时网络带宽，根据设定能力评估模型确定所述计算核心参数和所述实时网络带宽相应的参数权重；
根据所述计算核心参数、所述实时网络带宽以及所述参数权重计算得到所述各人脸识别设备的端侧计算能力。
进一步地， 所述根据所述各人脸识别设备的端侧计算能力对预设人脸识别模型进行模型优化，并将经过所述模型优化后的人脸识别模型部署至对应的人脸识别设备，包括：
判断所述各人脸识别设备的端侧计算能力是否超过上限阈值，若是，则将预设人脸识别模型去除冗余参数和层级后部署至对应的人脸识别设备；
否则，通过知识蒸馏算法将预设人脸识别模型的知识迁移至预设小模型，并将该小模型部署至对应的人脸识别设备。
进一步地，所述根据所述各人脸识别设备的端侧计算能力、所述人脸识别模型以及端侧当前任务确定对应的端侧可分配计算资源，包括：
根据端侧当前任务的任务复杂度和所述人脸识别模型的模型特性确定对应的计算资源需求；
根据所述计算资源需求和所述端侧计算能力确定对应的端侧可分配计算资源。
进一步地，所述根据所述端侧可分配计算资源确定与目标识别任务对应的协同人脸识别设备并执行协同计算，包括：
根据目标识别任务的任务复杂度和所述各人脸识别设备的端侧可分配计算资源匹配对应的至少一个协同人脸识别设备；
将所述目标识别任务分解为多个子任务并将各所述子任务分配至所述协同人脸识别设备处进行协同计算。
进一步地，所述若所述协同计算的结果判定为图像异常时，触发生成一告警信号并发送至相应管理员端执行告警操作，包括：
若所述协同计算的结果判定为图像异常，根据所述图像异常的异常类型触发生成对应的告警信号；
将所述告警信号发送至相应管理员端并执行相应的告警操作。
第二方面，本申请提供一种基于人脸识别设备的端侧算力协同控制装置，包括：
端侧计算能力确定模块，用于获取系统中各人脸识别设备的硬件参数和网络参数，根据获取到的所述硬件参数、所述网络参数以及设定能力评估模型确定所述各人脸识别设备的端侧计算能力；
模型优化部署模块，用于根据所述各人脸识别设备的端侧计算能力对预设人脸识别模型进行模型优化，并将经过所述模型优化后的人脸识别模型部署至对应的人脸识别设备；
协同计算模块，用于根据所述各人脸识别设备的端侧计算能力、所述人脸识别模型以及端侧当前任务确定对应的端侧可分配计算资源，根据所述端侧可分配计算资源确定与目标识别任务对应的协同人脸识别设备并执行协同计算；
联机告警模块，用于若所述协同计算的结果判定为图像异常时，触发生成一告警信号并发送至相应管理员端执行告警操作。
第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器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所述的基于人脸识别设备的端侧算力协同控制方法的步骤。
第四方面，本申请提供一种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所述的基于人脸识别设备的端侧算力协同控制方法的步骤。
第五方面，本申请提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述的基于人脸识别设备的端侧算力协同控制方法的步骤。
由上述技术方案可知，本申请提供一种基于人脸识别设备的端侧算力协同控制方法及装置，通过获取到的硬件参数、网络参数以及设定能力评估模型确定各人脸识别设备的端侧计算能力；根据所述各人脸识别设备的端侧计算能力对预设人脸识别模型进行模型优化，并将经过所述模型优化后的人脸识别模型部署至对应的人脸识别设备；根据所述各人脸识别设备的端侧计算能力、所述人脸识别模型以及端侧当前任务确定对应的端侧可分配计算资源，根据所述端侧可分配计算资源确定与目标识别任务对应的协同人脸识别设备并执行协同计算，由此能够在人脸识别终端设备之间实现算力的有效协同利用，提高整体系统的性能和效率。
附图说明
为了更清楚地说明本申请实施例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简单地介绍，显而易见地，下面描述中的附图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为本申请实施例中的基于人脸识别设备的端侧算力协同控制方法的流程示意图之一；
图2为本申请实施例中的基于人脸识别设备的端侧算力协同控制方法的流程示意图之二；
图3为本申请实施例中的基于人脸识别设备的端侧算力协同控制方法的流程示意图之三；
图4为本申请实施例中的基于人脸识别设备的端侧算力协同控制方法的流程示意图之四；
图5为本申请实施例中的基于人脸识别设备的端侧算力协同控制方法的流程示意图之五；
图6为本申请实施例中的基于人脸识别设备的端侧算力协同控制方法的流程示意图之六；
图7为本申请实施例中的基于人脸识别设备的端侧算力协同控制方法的流程示意图之七；
图8为本申请实施例中的基于人脸识别设备的端侧算力协同控制装置的结构图；
图9为本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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，都属于本申请保护的范围。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
考虑到现有技术中往往依赖于集中式的算力管理和分配，而无法充分利用终端设备的分布式特点和端侧资源的问题，本申请提供一种基于人脸识别设备的端侧算力协同控制方法及装置，通过获取到的硬件参数、网络参数以及设定能力评估模型确定各人脸识别设备的端侧计算能力；根据所述各人脸识别设备的端侧计算能力对预设人脸识别模型进行模型优化，并将经过所述模型优化后的人脸识别模型部署至对应的人脸识别设备；根据所述各人脸识别设备的端侧计算能力、所述人脸识别模型以及端侧当前任务确定对应的端侧可分配计算资源，根据所述端侧可分配计算资源确定与目标识别任务对应的协同人脸识别设备并执行协同计算，由此能够在人脸识别终端设备之间实现算力的有效协同利用，提高整体系统的性能和效率。
为了能够在人脸识别终端设备之间实现算力的有效协同利用，提高整体系统的性能和效率，本申请提供一种基于人脸识别设备的端侧算力协同控制方法的实施例，参见图1，所述基于人脸识别设备的端侧算力协同控制方法具体包含有如下内容：
步骤S101：获取系统中各人脸识别设备的硬件参数和网络参数，根据获取到的所述硬件参数、所述网络参数以及设定能力评估模型确定所述各人脸识别设备的端侧计算能力；
可选的，本实施例中的人脸识别系统中，端侧计算能力是至关重要的，它决定了设备在本地处理人脸识别任务时的效率和性能。因此，在步骤S101中，我们首先需要获取系统中各人脸识别设备的硬件参数和网络参数，然后利用这些信息确定每个设备的端侧计算能力。
为了准确评估每个设备的端侧计算能力，本实施例可以收集并分析其硬件参数和网络参数。硬件参数包括设备的CPU、GPU、TPU（张量处理单元）等计算组件的型号和性能指标，以及内存和存储资源的容量和速度。网络参数则涉及设备的网络稳定性、带宽和延迟等方面的指标。
在收集到硬件参数后，本实施例可以对每个设备的计算能力进行评估。针对CPU、GPU、TPU等计算组件，本实施例可以分析其性能指标，如处理速度、并行计算能力等，以确定设备在进行人脸识别任务时的计算效率。同时，我们也会考虑设备的内存和存储资源，以确保足够的资源供应。
除了硬件参数外，本实施例可以评估设备的网络条件。稳定的网络连接对于实时人脸识别任务至关重要，因此我们会检查设备的网络稳定性，并评估其带宽和延迟情况。这些参数将影响设备与云端的数据同步和协作效率。
最后，我们将利用设定好的能力评估模型，综合考虑硬件参数和网络参数，来确定每个人脸识别设备的端侧计算能力。这个评估模型可能会根据不同参数的重要性和权重，对设备的计算能力进行量化评分，以便后续任务的分配和优化。
通过步骤S101的执行，本实施例可以全面了解系统中各人脸识别设备的硬件和网络情况，并基于这些信息确定它们的端侧计算能力。这有助于我们更好地规划和优化人脸识别系统的部署和运行，提高系统的整体性能和效率。
步骤S102：根据所述各人脸识别设备的端侧计算能力对预设人脸识别模型进行模型优化，并将经过所述模型优化后的人脸识别模型部署至对应的人脸识别设备；
可选的，本实施例中，本实施例可以着重优化人脸识别系统，以确保其在各种端侧设备上的高效性和准确性。这一步骤对于整个系统的性能提升至关重要，下面将详细介绍我们采取的优化措施。
首先，本实施例可以了解每个人脸识别设备的端侧计算能力。例如包括设备的处理器（CPU）、图形处理器（GPU）、张量处理单元（TPU）等硬件组件的性能指标，以及设备的内存和存储资源情况。通过收集这些硬件参数，我们可以更好地了解每个设备的计算能力。
基于收集到的硬件参数，我们使用了多种模型优化技术来对预设的人脸识别模型进行优化。这些技术主要包括模型压缩、量化和模型蒸馏。
具体的，模型压缩是一种有效的优化技术，通过减少模型的参数数量来降低其复杂度，并加速推断速度。本实施例可以使用剪枝技术来删除冗余的连接和参数，或者使用量化技术将模型的浮点数参数转换为低精度的定点数或整数，从而减少模型的计算资源消耗。
另外，本实施例可以采用模型蒸馏技术来提高模型的准确性。通过训练一个小模型来模仿大模型的输出，我们可以将大模型中的知识和特征迁移给小模型，从而提高小模型在资源受限的设备上的识别效果。
经过以上优化措施的应用，我们得到了经过精简、加速并提高准确性的人脸识别模型。接下来，本实施例可以将这些优化后的模型部署到各自的人脸识别设备上。这样，我们就可以实现更快速、更准确的人脸识别功能，从而提升整个系统的性能和用户体验。
综上所述，在步骤S102中，我们通过对人脸识别模型的优化，充分利用了各个端侧设备的计算资源，提高了系统的性能和效率，从而为用户提供了更好的人脸识别体验。
步骤S103：根据所述各人脸识别设备的端侧计算能力、所述人脸识别模型以及端侧当前任务确定对应的端侧可分配计算资源，根据所述端侧可分配计算资源确定与目标识别任务对应的协同人脸识别设备并执行协同计算；
可选的，本实施例中，在步骤S103中，我们根据各人脸识别设备的端侧计算能力、人脸识别模型以及当前任务的复杂性，确定对应的端侧可分配计算资源，并执行协同计算。这一步骤旨在实现动态资源分配和调度，以提高系统的效率和性能。
本实施例可以设计一个智能调度系统，该系统监控当前设备的处理能力和任务量。根据当前任务的复杂度，系统动态地分配计算资源，优先保证本身通行/核验任务的优先级。在空闲时段，系统还可以通过ONVIF协议、RTSP协议对监控视频进行陌生人预警分析、安全帽检测、人数清单、离岗检测、疲劳驾驶等功能。
在执行协同计算时，本实施例可以采用多设备协同、跨设备协同和异构协同处理方式，具体包括：
多设备协同： 不同的人脸识别设备在不同的地点，可以互相协作完成计算任务。例如，当一个人脸识别设备的算力受限时，可以将一些计算密集型的任务分配给附近的人脸识别设备。这样就能更有效地利用设备的计算资源，提高任务处理的效率。
跨设备协同： 不同的人脸识别设备可以对同一个任务进行拆解，然后分摊计算任务。例如，一个实时数据分析任务可以在一个设备上进行预处理，然后在另一个设备上进行深度分析、比对、存储和控制。通过这种方式，可以更有效地完成复杂的任务，提高系统的整体性能。
异构协同： 我们充分利用不同类型的人脸识别硬件资源，如CPU、GPU、FPGA、TPU等，将适合在特定硬件上运行的任务分配给相应的设备执行。这样可以优化系统的性能，并提高任务处理的效率。
通过以上协同计算方式的应用，我们可以更加灵活地利用各个人脸识别设备的计算资源，提高系统的整体效率和性能。这有助于实现更快速、更准确的人脸识别功能，为用户提供更好的体验。
步骤S104：若所述协同计算的结果判定为图像异常时，触发生成一告警信号并发送至相应管理员端执行告警操作。
可选的，本实施例中，我们实现了报警联动功能，即当协同计算的结果判定为图像异常时，将触发生成一告警信号并发送至相应管理员端执行告警操作。这一功能是为了及时响应异常情况，并采取相应的应对措施，保障系统的安全性和稳定性。
本实施例可以采用报警联动技术来实现这一功能。当协同计算的结果判定为图像异常时，系统会自动触发一系列预设的响应措施，以确保及时发现和处理异常情况。这些响应措施包括启动或关闭设备、激活声光报警、发送通知给相关人员或控制操作权限等。
举例来说，在塔式起重机安全监测设备和系统中，本实施例可以使用融合结构光与偏振特性的多模态三维成像技术的人脸识别设备。通过这一设备，我们可以对塔机上的人脸图像进行识别，并判断当前塔机作业人员是否为当天值班人员本人。如果判断结果为否，说明存在异常情况，塔机无法启动，并将异常情况反馈至管理端，触发相应的告警操作。如果判断结果为是，则放开塔机启动权限。
同时，塔机驾驶舱的人脸识别设备支持算力协同，可以拍摄当前塔机作业人员的人脸图像，接入驾驶舱其他监控视频并生成监测数据，包括人脸图像、作业视频和行为分析等。通过监测数据的分析，系统可以及时发现异常情况，并触发报警信号发送至相应管理员端，执行相应的告警操作，以确保系统的安全性和稳定性。
综上所述，在步骤S104中，我们实现了报警联动功能，通过自动化的响应措施及时处理异常情况，保障了系统的安全性和可靠性。
从上述描述可知，本申请实施例提供的基于人脸识别设备的端侧算力协同控制方法，能够通过获取到的硬件参数、网络参数以及设定能力评估模型确定各人脸识别设备的端侧计算能力；根据所述各人脸识别设备的端侧计算能力对预设人脸识别模型进行模型优化，并将经过所述模型优化后的人脸识别模型部署至对应的人脸识别设备；根据所述各人脸识别设备的端侧计算能力、所述人脸识别模型以及端侧当前任务确定对应的端侧可分配计算资源，根据所述端侧可分配计算资源确定与目标识别任务对应的协同人脸识别设备并执行协同计算，由此能够在人脸识别终端设备之间实现算力的有效协同利用，提高整体系统的性能和效率。
在本申请的基于人脸识别设备的端侧算力协同控制方法的一实施例中，参见图2，还可以具体包含如下内容：
步骤S201：根据人脸识别设备的历史硬件参数、历史网络参数以及历史参数权重构建模型训练集；
步骤S202：将所述模型训练集输入预设回归分析模型并通过端侧计算能力影响程度的验证集进行模型训练，得到能力评估模型。
可选的，本实施例中，步骤S201的目标是根据人脸识别设备的历史数据构建模型训练集。这个过程是一个关键的步骤，它为我们提供了理解设备性能特征和变化趋势的重要信息。为了构建模型训练集，我们需要收集和整理设备的历史硬件参数、网络参数以及参数权重的数据。硬件参数可能包括设备的处理器类型、处理器频率、内存大小、存储容量等。网络参数可能包括设备的带宽、延迟、网络拓扑结构等。参数权重则是指不同参数对设备性能的影响程度，这一部分数据的收集可能需要依赖领域专家的经验知识或者实验测试。
在数据收集阶段，我们需要确保数据的准确性和完整性。这意味着我们需要仔细选择数据源，并对数据进行有效的清洗和预处理，以消除可能存在的噪声和异常值。另外，我们还需要考虑数据的时效性，确保所使用的历史数据能够准确地反映设备性能的当前状态和趋势。
一旦数据收集和整理工作完成，我们就可以开始构建模型训练集。这个过程通常涉及到数据的特征工程和标注。特征工程是指根据已有数据构建新的特征或者对现有特征进行转换，以提高模型的性能和泛化能力。在这个步骤中，我们可能会根据硬件参数和网络参数构建一系列特征，例如处理器频率与内存大小的比值、网络带宽与延迟的乘积等。标注则是指为训练集中的样本赋予标签或者类别，以便模型能够从中学习。在这个步骤中，我们可能会根据参数权重的信息为每个样本赋予相应的标签，标明其对应的端侧计算能力等级或者得分。
在步骤S202中，我们将使用构建好的模型训练集进行模型训练。这个过程涉及到选择合适的回归分析模型，并使用训练集中的数据对模型进行参数估计。在模型训练过程中，我们需要注意模型的拟合程度和泛化能力。为了评估模型的性能，我们通常会将数据集分成训练集和验证集，使用训练集进行模型训练，然后使用验证集对模型进行验证和调整。在验证集上的表现可以帮助我们评估模型的准确性和稳健性，从而确定最终的模型参数。
整个步骤S201和S202的目标是建立一个能够准确预测人脸识别设备端侧计算能力的评估模型。这个模型将为后续的设备能力评估提供可靠的依据和参考，从而帮助我们更好地理解设备的性能特征和优化方向。
在本申请的基于人脸识别设备的端侧算力协同控制方法的一实施例中，参见图3，还可以具体包含如下内容：
步骤S301：获取系统中各人脸识别设备的计算核心参数和实时网络带宽，根据设定能力评估模型确定所述计算核心参数和所述实时网络带宽相应的参数权重；
步骤S302：根据所述计算核心参数、所述实时网络带宽以及所述参数权重计算得到所述各人脸识别设备的端侧计算能力。
可选的，本实施例中，在步骤S301中，我们将获取系统中各人脸识别设备的计算核心参数和实时网络带宽，并根据设定的能力评估模型确定计算核心参数和实时网络带宽的相应参数权重。这一步骤的目标是建立一个综合考量计算核心性能和网络带宽情况的评估模型，以便后续计算各人脸识别设备的端侧计算能力。
在数据获取方面，我们将针对每个人脸识别设备，收集其计算核心参数和实时网络带宽的数据。计算核心参数可能包括设备的CPU型号、核心数、主频等信息，以及可能存在的GPU、TPU等加速器的相关参数。实时网络带宽则是指设备当前的网络带宽情况，包括带宽的稳定性、峰值带宽等。这些数据的获取可以通过设备自身的监测功能或者网络监控工具来实现。
一旦获取了数据，我们将根据设定的能力评估模型来确定计算核心参数和实时网络带宽的参数权重。参数权重反映了各项指标对于端侧计算能力的重要程度，通常是通过专家经验或者实验测试来确定。例如，对于计算核心参数，我们可能会认为CPU的型号和核心数对于计算能力的影响更大，因此给予较高的权重；而对于实时网络带宽，我们可能会认为稳定性和峰值带宽对于设备的端侧计算能力也有重要影响，因此也会给予相应的权重。
在步骤S302中，我们将利用所获取的计算核心参数、实时网络带宽以及参数权重来计算各人脸识别设备的端侧计算能力。这一过程可以通过将计算核心参数和实时网络带宽与其对应的参数权重进行加权求和来实现。具体计算方法可以根据设定的能力评估模型来确定，通常是一个多项式或者线性加权求和的形式。最终得到的结果将是一个反映设备端侧计算能力的评估指标，用于后续的设备能力评估和调整。
在本申请的基于人脸识别设备的端侧算力协同控制方法的一实施例中，参见图4，还可以具体包含如下内容：
步骤S401：判断所述各人脸识别设备的端侧计算能力是否超过上限阈值，若是，则将预设人脸识别模型去除冗余参数和层级后部署至对应的人脸识别设备；
步骤S402：否则，通过知识蒸馏算法将预设人脸识别模型的知识迁移至预设小模型，并将该小模型部署至对应的人脸识别设备。
可选的，本实施例中，我们将对各个人脸识别设备的端侧计算能力进行评估，并判断是否超过了预先设定的上限阈值。如果某个设备的端侧计算能力超过了阈值，说明该设备具备足够的计算资源来运行完整的预设人脸识别模型。在这种情况下，我们将对预设模型进行优化，去除冗余的参数和层级，以适应设备的计算能力，并将优化后的模型部署至对应的人脸识别设备。这样可以充分利用设备的计算资源，提高模型的运行效率和性能。
在步骤S402中，如果某个设备的端侧计算能力未达到上限阈值，即无法完整运行预设的人脸识别模型，我们将采用知识蒸馏算法进行模型优化。知识蒸馏算法是一种将大型复杂模型的知识迁移至小型简化模型的技术，通过在训练过程中结合大模型的预测结果和小模型的训练目标来提高小模型的性能。在这一步骤中，我们将使用知识蒸馏算法将预设人脸识别模型的知识迁移至预设的小模型，并将优化后的小模型部署至对应的人脸识别设备。这样可以在保证模型准确性的同时，减少模型的计算和存储资源需求，从而适应设备的端侧计算能力限制。
综合而言，步骤S401和S402分别针对设备端侧计算能力的情况进行了不同的处理策略。通过对预设人脸识别模型进行优化和适配，我们可以充分利用设备的计算资源，提高模型的运行效率和性能，从而实现更好的人脸识别体验。
在本申请的基于人脸识别设备的端侧算力协同控制方法的一实施例中，参见图5，还可以具体包含如下内容：
步骤S501：根据端侧当前任务的任务复杂度和所述人脸识别模型的模型特性确定对应的计算资源需求；
步骤S502：根据所述计算资源需求和所述端侧计算能力确定对应的端侧可分配计算资源。
可选的，本实施例中，在塔吊场景中，我们需要根据当前任务的复杂度以及人脸识别模型的特性来确定所需的计算资源。任务的复杂度可能受到塔吊监控区域的大小、监控对象的数量以及图像分辨率的影响。例如，在一个拥有多个监控摄像头、监控区域广阔的工地场景中，任务的复杂度可能较高，需要更多的计算资源来处理大量的监控图像数据。而人脸识别模型的特性，如模型的深度、参数数量和计算密集度，也会影响到所需的计算资源。因此，我们需要综合考虑任务的复杂度和模型的特性，来确定当前任务对计算资源的需求情况。
根据计算资源的需求和塔吊监控设备的端侧计算能力，我们将确定相应的端侧可分配计算资源。这一过程旨在将任务的计算需求与设备的计算能力进行匹配，以保证任务能够在设备上高效地执行。如果任务的计算需求超过了设备的计算能力，可能需要通过分配多个设备或者使用其他策略来满足任务的需求；反之，如果任务的计算需求较小，可以灵活地分配计算资源，以最大程度地利用设备的计算能力。在塔吊场景中，我们需要特别关注设备的计算资源是否足够处理监控图像数据，并且根据需要对计算资源进行合理的分配，以确保人脸识别任务能够顺利进行，并及时准确地识别出目标对象。
在本申请的基于人脸识别设备的端侧算力协同控制方法的一实施例中，参见图6，还可以具体包含如下内容：
步骤S601：根据目标识别任务的任务复杂度和所述各人脸识别设备的端侧可分配计算资源匹配对应的至少一个协同人脸识别设备；
步骤S602：将所述目标识别任务分解为多个子任务并将各所述子任务分配至所述协同人脸识别设备处进行协同计算。
可选的，本实施例中，至少一个协同人脸识别设备。在塔吊场景中，任务的复杂度可能取决于监控区域的大小、监控对象的数量以及所需的识别精度等因素。如果某个任务需要处理大量的监控图像数据，并且对识别的准确性要求较高，则其任务复杂度可能较高。而各人脸识别设备的端侧可分配计算资源将决定其能够处理的任务量和任务复杂度。因此，我们需要根据任务的要求和设备的能力，选择合适的协同人脸识别设备，以确保任务能够在设备上顺利执行。
在步骤S602中，我们将目标识别任务分解为多个子任务，并将这些子任务分配至所选的协同人脸识别设备处进行协同计算。这样可以充分利用多个设备的计算资源，提高任务的执行效率和准确性。在塔吊场景中，可能需要对监控图像进行多方位的分析和处理，例如对监控区域的不同部位进行识别、检测异常行为等。因此，将任务分解为多个子任务，并利用协同计算的方式进行处理，可以更好地满足监控场景下的实时识别需求。
在本申请的基于人脸识别设备的端侧算力协同控制方法的一实施例中，参见图7，还可以具体包含如下内容：
步骤S701：若所述协同计算的结果判定为图像异常，根据所述图像异常的异常类型触发生成对应的告警信号；
步骤S702：将所述告警信号发送至相应管理员端并执行相应的告警操作。
可选的，本实施例中，我们将对协同计算的结果进行判定，如果判定为图像异常，则根据异常类型触发生成对应的告警信号。在塔吊场景中，图像异常可能包括但不限于监测到的人员异常行为、物体异常、区域异常等情况。例如，如果监控图像中出现了未经许可的人员进入危险区域，或者监控到物体掉落、异常移动等情况，都属于图像异常。根据具体的异常类型，系统将触发相应的告警信号。
在步骤S702中，生成的告警信号将被发送至相应的管理员端，并执行相应的告警操作。管理员端可能是监控中心或者相关管理人员的手机端应用程序。一旦管理员收到告警信号，他们可以立即采取相应的措施，例如通知工地现场人员进行应急处理、联络相关部门进行调查处理、或者进行进一步的监控和确认。通过及时发送告警信号和执行相应的告警操作，可以有效地提高塔吊场景下的安全管理水平，保障工地和人员的安全。
以塔吊为具体的应用场景进行举例：
在一个典型的建筑工地中，多个塔吊设备分布在不同的位置，每个塔吊设备配备了人脸识别设备用于识别驾驶员身份。当驾驶员进入塔吊驾驶室时，人脸识别设备会立即对驾驶员进行识别。如果驾驶员的身份被成功识别，并且身份信息与登记信息相符，则塔吊设备将正常启动并开始工作。如果识别失败或者识别结果异常，则系统将立即触发告警信号，通知现场管理员进行处理。
在塔吊驾驶室安装人脸识别设备，包括摄像头、计算设备和网络连接设备。通过获取设备的硬件参数和网络参数，我们能够评估设备的计算能力和网络带宽，以便后续的模型优化和部署。
根据驾驶员人脸识别任务的需求和设备的计算能力，对预设的人脸识别模型进行优化。优化包括模型裁剪、参数量化和模型蒸馏等技术，以适应塔吊驾驶室设备的端侧计算能力。经过优化后的模型将部署至各驾驶室的人脸识别设备上，用于实时识别驾驶员的身份。
针对塔吊驾驶室的人脸识别任务，我们评估任务的复杂度和模型的特性，确定所需的计算资源。考虑到塔吊工地环境的复杂性和监控要求，我们需要充分的计算资源来处理实时的监控图像数据。根据设备的计算能力和任务需求，我们分配适当的计算资源，以确保识别任务的顺利执行。
通过协同计算实时监测驾驶员的身份，如果发现异常情况，例如驾驶员未经许可的替换或其他异常情况，系统将立即触发告警信号。告警信号将发送至管理员端，管理员可以及时采取相应的措施，例如通知现场人员进行核实或者中止塔吊操作，以确保工地的安全运行。
本实施例展示了如何利用人脸识别技术在塔吊驾驶室中实现驾驶员的身份识别和监测。通过对人脸识别设备的优化和部署，以及协同计算和告警联动机制的应用，我们可以有效地提高工地的安全性和工作效率，为建筑工程的顺利进行提供可靠保障。
在本申请的另一实施例中，我们还可以以办公楼监控场景为例：
在办公楼监控场景（高晚高峰电梯使用）中，我们可以利用类似吊塔监控系统的技术方案来设计智能监控系统，以提高电梯的安全性和运行效率。以下是该方案的详细描述：
首先，接收电梯控制系统发送的实时数据，包括电梯的运行状态、当前楼层位置、载客量等信息，并对数据进行预处理和解析，以便后续分析和处理。
然后，通过预设的智能监控算法对接收到的电梯数据进行实时监测和分析。算法可以识别电梯运行过程中的异常情况，如电梯卡顿、超载等，以及电梯运行速度异常等问题，并生成相应的警报信号。
接着，根据历史数据和电梯使用日志，对电梯的运行情况进行分析和预测。系统可以预测高峰期电梯的使用情况，如人流量峰值、电梯等待时间等，并根据预测结果进行智能调度和优化。
最后，实施智能调度策略，优化电梯的运行效率。根据实时监测到的电梯使用情况和预测结果，系统可以动态调整电梯的运行路线和停靠楼层，以减少乘客的等待时间和电梯的运行时间。
同时，为了提高监控设备的资源利用率，本实施例中还可以在电梯监控设备的主业务不繁忙时提供自身计算资源以供其他监控设备或系统进行协同任务处理。
具体的，在一座高楼办公大厦的高峰期，监控系统实时监测到某一部电梯在某一楼层出现拥挤情况，乘客等待时间明显延长。系统立即发出警报，并自动调整该电梯的运行模式，增加运行频次，以缓解拥挤情况，保障乘客安全快速地到达目的地。
通过以上技术方案，办公楼监控系统可以实现对高峰期电梯使用情况的实时监测和智能调度，提高了电梯运行效率，保障了办公楼的安全和顺畅运行。
为了能够在人脸识别终端设备之间实现算力的有效协同利用，提高整体系统的性能和效率，本申请提供一种用于实现所述基于人脸识别设备的端侧算力协同控制方法的全部或部分内容的基于人脸识别设备的端侧算力协同控制装置的实施例，参见图8，所述基于人脸识别设备的端侧算力协同控制装置具体包含有如下内容：
端侧计算能力确定模块10，用于获取系统中各人脸识别设备的硬件参数和网络参数，根据获取到的所述硬件参数、所述网络参数以及设定能力评估模型确定所述各人脸识别设备的端侧计算能力；
模型优化部署模块20，用于根据所述各人脸识别设备的端侧计算能力对预设人脸识别模型进行模型优化，并将经过所述模型优化后的人脸识别模型部署至对应的人脸识别设备；
协同计算模块30，用于根据所述各人脸识别设备的端侧计算能力、所述人脸识别模型以及端侧当前任务确定对应的端侧可分配计算资源，根据所述端侧可分配计算资源确定与目标识别任务对应的协同人脸识别设备并执行协同计算；
联机告警模块40，用于若所述协同计算的结果判定为图像异常时，触发生成一告警信号并发送至相应管理员端执行告警操作。
从上述描述可知，本申请实施例提供的基于人脸识别设备的端侧算力协同控制装置，能够通过获取到的硬件参数、网络参数以及设定能力评估模型确定各人脸识别设备的端侧计算能力；根据所述各人脸识别设备的端侧计算能力对预设人脸识别模型进行模型优化，并将经过所述模型优化后的人脸识别模型部署至对应的人脸识别设备；根据所述各人脸识别设备的端侧计算能力、所述人脸识别模型以及端侧当前任务确定对应的端侧可分配计算资源，根据所述端侧可分配计算资源确定与目标识别任务对应的协同人脸识别设备并执行协同计算，由此能够在人脸识别终端设备之间实现算力的有效协同利用，提高整体系统的性能和效率。
从硬件层面来说，为了能够在人脸识别终端设备之间实现算力的有效协同利用，提高整体系统的性能和效率，本申请提供一种用于实现所述基于人脸识别设备的端侧算力协同控制方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
处理器(processor) 、存储器(memory) 、通信接口(CommunicationsInterface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现基于人脸识别设备的端侧算力协同控制装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输；该逻辑控制器可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该逻辑控制器可以参照实施例中的基于人脸识别设备的端侧算力协同控制方法的实施例，以及基于人脸识别设备的端侧算力协同控制装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
可以理解的是，所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中，基于人脸识别设备的端侧算力协同控制方法的部分可以在如上述内容所述的电子设备侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通信模块（即通信单元），可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
图9为本申请实施例的电子设备9600的系统构成的示意框图。如图9所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图9是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，基于人脸识别设备的端侧算力协同控制方法功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：
步骤S101：获取系统中各人脸识别设备的硬件参数和网络参数，根据获取到的所述硬件参数、所述网络参数以及设定能力评估模型确定所述各人脸识别设备的端侧计算能力；
步骤S102：根据所述各人脸识别设备的端侧计算能力对预设人脸识别模型进行模型优化，并将经过所述模型优化后的人脸识别模型部署至对应的人脸识别设备；
步骤S103：根据所述各人脸识别设备的端侧计算能力、所述人脸识别模型以及端侧当前任务确定对应的端侧可分配计算资源，根据所述端侧可分配计算资源确定与目标识别任务对应的协同人脸识别设备并执行协同计算；
步骤S104：若所述协同计算的结果判定为图像异常时，触发生成一告警信号并发送至相应管理员端执行告警操作。
从上述描述可知，本申请实施例提供的电子设备，通过获取到的硬件参数、网络参数以及设定能力评估模型确定各人脸识别设备的端侧计算能力；根据所述各人脸识别设备的端侧计算能力对预设人脸识别模型进行模型优化，并将经过所述模型优化后的人脸识别模型部署至对应的人脸识别设备；根据所述各人脸识别设备的端侧计算能力、所述人脸识别模型以及端侧当前任务确定对应的端侧可分配计算资源，根据所述端侧可分配计算资源确定与目标识别任务对应的协同人脸识别设备并执行协同计算，由此能够在人脸识别终端设备之间实现算力的有效协同利用，提高整体系统的性能和效率。
在另一个实施方式中，基于人脸识别设备的端侧算力协同控制装置可以与中央处理器9100分开配置，例如可以将基于人脸识别设备的端侧算力协同控制装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现基于人脸识别设备的端侧算力协同控制方法功能。
如图9所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图9中所示的所有部件；此外，电子设备9600还可以包括图9中没有示出的部件，可以参考现有技术。
如图9所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器9140可以是固态存储器，例如，只读存储器（ROM）、随机存取存储器（RAM）、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141（有时被称为缓冲器）。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能（如消息传送应用、通讯录应用等）的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块（发送机/接收机）9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块（发送机/接收机）9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的基于人脸识别设备的端侧算力协同控制方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的基于人脸识别设备的端侧算力协同控制方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤S101：获取系统中各人脸识别设备的硬件参数和网络参数，根据获取到的所述硬件参数、所述网络参数以及设定能力评估模型确定所述各人脸识别设备的端侧计算能力；
步骤S102：根据所述各人脸识别设备的端侧计算能力对预设人脸识别模型进行模型优化，并将经过所述模型优化后的人脸识别模型部署至对应的人脸识别设备；
步骤S103：根据所述各人脸识别设备的端侧计算能力、所述人脸识别模型以及端侧当前任务确定对应的端侧可分配计算资源，根据所述端侧可分配计算资源确定与目标识别任务对应的协同人脸识别设备并执行协同计算；
步骤S104：若所述协同计算的结果判定为图像异常时，触发生成一告警信号并发送至相应管理员端执行告警操作。
从上述描述可知，本申请实施例提供的计算机可读存储介质，通过获取到的硬件参数、网络参数以及设定能力评估模型确定各人脸识别设备的端侧计算能力；根据所述各人脸识别设备的端侧计算能力对预设人脸识别模型进行模型优化，并将经过所述模型优化后的人脸识别模型部署至对应的人脸识别设备；根据所述各人脸识别设备的端侧计算能力、所述人脸识别模型以及端侧当前任务确定对应的端侧可分配计算资源，根据所述端侧可分配计算资源确定与目标识别任务对应的协同人脸识别设备并执行协同计算，由此能够在人脸识别终端设备之间实现算力的有效协同利用，提高整体系统的性能和效率。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的基于人脸识别设备的端侧算力协同控制方法中全部步骤的一种计算机程序产品，该计算机程序/指令被处理器执行时实现所述的基于人脸识别设备的端侧算力协同控制方法的步骤，例如，所述计算机程序/指令实现下述步骤：
步骤S101：获取系统中各人脸识别设备的硬件参数和网络参数，根据获取到的所述硬件参数、所述网络参数以及设定能力评估模型确定所述各人脸识别设备的端侧计算能力；
步骤S102：根据所述各人脸识别设备的端侧计算能力对预设人脸识别模型进行模型优化，并将经过所述模型优化后的人脸识别模型部署至对应的人脸识别设备；
步骤S103：根据所述各人脸识别设备的端侧计算能力、所述人脸识别模型以及端侧当前任务确定对应的端侧可分配计算资源，根据所述端侧可分配计算资源确定与目标识别任务对应的协同人脸识别设备并执行协同计算；
步骤S104：若所述协同计算的结果判定为图像异常时，触发生成一告警信号并发送至相应管理员端执行告警操作。
从上述描述可知，本申请实施例提供的计算机程序产品，通过获取到的硬件参数、网络参数以及设定能力评估模型确定各人脸识别设备的端侧计算能力；根据所述各人脸识别设备的端侧计算能力对预设人脸识别模型进行模型优化，并将经过所述模型优化后的人脸识别模型部署至对应的人脸识别设备；根据所述各人脸识别设备的端侧计算能力、所述人脸识别模型以及端侧当前任务确定对应的端侧可分配计算资源，根据所述端侧可分配计算资源确定与目标识别任务对应的协同人脸识别设备并执行协同计算，由此能够在人脸识别终端设备之间实现算力的有效协同利用，提高整体系统的性能和效率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（装置）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种基于人脸识别设备的端侧算力协同控制方法，其特征在于，所述方法包括：
根据人脸识别设备的历史硬件参数、历史网络参数以及历史参数权重构建模型训练集；将所述模型训练集输入预设回归分析模型并通过端侧计算能力影响程度的验证集进行模型训练，得到能力评估模型；获取系统中各人脸识别设备的计算核心参数和实时网络带宽，根据设定能力评估模型确定所述计算核心参数和所述实时网络带宽相应的参数权重；根据所述计算核心参数、所述实时网络带宽以及所述参数权重计算得到所述各人脸识别设备的端侧计算能力；
判断所述各人脸识别设备的端侧计算能力是否超过上限阈值，若是，则将预设人脸识别模型去除冗余参数和层级后部署至对应的人脸识别设备；否则，通过知识蒸馏算法将预设人脸识别模型的知识迁移至预设小模型，并将该小模型部署至对应的人脸识别设备；
根据所述各人脸识别设备的端侧计算能力、所述人脸识别模型以及端侧当前任务确定对应的端侧可分配计算资源，根据所述端侧可分配计算资源确定与目标识别任务对应的协同人脸识别设备并执行协同计算；
若所述协同计算的结果判定为图像异常时，触发生成一告警信号并发送至相应管理员端执行告警操作。
2.根据权利要求1所述的基于人脸识别设备的端侧算力协同控制方法，其特征在于，所述根据所述各人脸识别设备的端侧计算能力、所述人脸识别模型以及端侧当前任务确定对应的端侧可分配计算资源，包括：
根据端侧当前任务的任务复杂度和所述人脸识别模型的模型特性确定对应的计算资源需求；
根据所述计算资源需求和所述端侧计算能力确定对应的端侧可分配计算资源。
3.根据权利要求1所述的基于人脸识别设备的端侧算力协同控制方法，其特征在于，所述根据所述端侧可分配计算资源确定与目标识别任务对应的协同人脸识别设备并执行协同计算，包括：
根据目标识别任务的任务复杂度和所述各人脸识别设备的端侧可分配计算资源匹配对应的至少一个协同人脸识别设备；
将所述目标识别任务分解为多个子任务并将各所述子任务分配至所述协同人脸识别设备处进行协同计算。
4.根据权利要求1所述的基于人脸识别设备的端侧算力协同控制方法，其特征在于，所述若所述协同计算的结果判定为图像异常时，触发生成一告警信号并发送至相应管理员端执行告警操作，包括：
若所述协同计算的结果判定为图像异常，根据所述图像异常的异常类型触发生成对应的告警信号；
将所述告警信号发送至相应管理员端并执行相应的告警操作。
5.一种基于人脸识别设备的端侧算力协同控制装置，其特征在于，所述装置包括：
端侧计算能力确定模块，用于根据人脸识别设备的历史硬件参数、历史网络参数以及历史参数权重构建模型训练集；将所述模型训练集输入预设回归分析模型并通过端侧计算能力影响程度的验证集进行模型训练，得到能力评估模型；获取系统中各人脸识别设备的计算核心参数和实时网络带宽，根据设定能力评估模型确定所述计算核心参数和所述实时网络带宽相应的参数权重；根据所述计算核心参数、所述实时网络带宽以及所述参数权重计算得到所述各人脸识别设备的端侧计算能力；
模型优化部署模块，用于判断所述各人脸识别设备的端侧计算能力是否超过上限阈值，若是，则将预设人脸识别模型去除冗余参数和层级后部署至对应的人脸识别设备；否则，通过知识蒸馏算法将预设人脸识别模型的知识迁移至预设小模型，并将该小模型部署至对应的人脸识别设备；
协同计算模块，用于根据所述各人脸识别设备的端侧计算能力、所述人脸识别模型以及端侧当前任务确定对应的端侧可分配计算资源，根据所述端侧可分配计算资源确定与目标识别任务对应的协同人脸识别设备并执行协同计算；
联机告警模块，用于若所述协同计算的结果判定为图像异常时，触发生成一告警信号并发送至相应管理员端执行告警操作。
6.一种电子设备，包括存储器、处理器及存储在存储器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4任一项所述的基于人脸识别设备的端侧算力协同控制方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至4任一项所述的基于人脸识别设备的端侧算力协同控制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410642162.9A CN118247640B (zh) | 2024-05-23 | 2024-05-23 | 基于人脸识别设备的端侧算力协同控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410642162.9A CN118247640B (zh) | 2024-05-23 | 2024-05-23 | 基于人脸识别设备的端侧算力协同控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118247640A CN118247640A (zh) | 2024-06-25 |
| CN118247640B true CN118247640B (zh) | 2024-07-26 |
Family
ID=91555024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410642162.9A Active CN118247640B (zh) | 2024-05-23 | 2024-05-23 | 基于人脸识别设备的端侧算力协同控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118247640B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114026834A (zh) * | 2019-04-30 | 2022-02-08 | 英特尔公司 | 边缘计算部署中的多实体资源、安全性和服务管理 |
| CN114596612A (zh) * | 2022-02-22 | 2022-06-07 | 平安科技（深圳）有限公司 | 人脸识别模型的配置方法、识别系统、计算机设备及介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11616839B2 (en) * | 2019-04-09 | 2023-03-28 | Johnson Controls Tyco IP Holdings LLP | Intelligent edge computing platform with machine learning capability |
| CN114915629B (zh) * | 2021-02-10 | 2023-08-15 | 中国移动通信有限公司研究院 | 信息处理方法、装置、系统、电子设备及存储介质 |
| CN114912605B (zh) * | 2022-04-02 | 2024-07-05 | 西安电子科技大学 | 基于自适应分割联邦学习的模型训练方法和人脸识别方法 |
| CN115240262A (zh) * | 2022-08-02 | 2022-10-25 | 深圳市捷顺科技实业股份有限公司 | 基于端侧协同人脸识别方法、系统、计算机设备及介质 |
| CN116643877A (zh) * | 2023-04-28 | 2023-08-25 | 支付宝(杭州)信息技术有限公司 | 算力资源调度方法、算力资源调度模型的训练方法和系统 |
| CN117290090A (zh) * | 2023-09-01 | 2023-12-26 | 中国移动通信集团江苏有限公司 | 节点协同资源分配方法、装置、设备及存储介质 |
-
2024
- 2024-05-23 CN CN202410642162.9A patent/CN118247640B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114026834A (zh) * | 2019-04-30 | 2022-02-08 | 英特尔公司 | 边缘计算部署中的多实体资源、安全性和服务管理 |
| CN114596612A (zh) * | 2022-02-22 | 2022-06-07 | 平安科技（深圳）有限公司 | 人脸识别模型的配置方法、识别系统、计算机设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118247640A (zh) | 2024-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112631725A (zh) | 一种基于云边端协同的智慧城市的管理系统及方法 | |
| EP3769550A1 (en) | Situational awareness systems and methods | |
| CN111611129B (zh) | PaaS云平台的性能监控方法及装置 | |
| WO2021186857A1 (ja) | 優先度判定システム、優先度判定方法及びプログラム | |
| US11310125B2 (en) | AI-enabled adaptive TCA thresholding for SLA assurance | |
| CN117715088B (zh) | 基于边缘计算的网络切片管理方法、装置、设备及介质 | |
| CN118247640B (zh) | 基于人脸识别设备的端侧算力协同控制方法及装置 | |
| CN111104289B (zh) | 一种gpu集群的效率检查系统及方法 | |
| CN117829313A (zh) | 模型训练方法、系统、计算机设备和存储介质 | |
| CN115827232A (zh) | 一种为业务模型确定配置的方法、装置、系统及设备 | |
| CN113051747B (zh) | 一种飞机可靠性数据资产模型构建方法及装置 | |
| CN111199328A (zh) | 一种宽带业务处理系统、方法和装置 | |
| CN112055010B (zh) | 二维码图片拦截方法、装置、电子设备及存储介质 | |
| CN113128831A (zh) | 基于边缘计算的人流引导方法、装置、计算机设备和存储介质 | |
| CN114338536B (zh) | 基于区块链的调度方法、装置、设备和介质 | |
| CN105843671B (zh) | 基于云平台的虚拟机资源安全监控及风险预处理系统 | |
| CN117389937B (zh) | 一种车辆避障数据的计算方法、计算机及可读存储介质 | |
| KR20240125788A (ko) | 드론을 이용한 라이다 기반 자율형 선박 블록 공정 관리 장치, 방법 및 시스템 | |
| CN118155417B (zh) | 多功能指挥车的智能控制方法、装置、指挥车及存储介质 | |
| CN118467374A (zh) | 一种线程池扩缩容方法及装置 | |
| CN118524022A (zh) | 一种基于异构算力的接入管理系统和方法 | |
| CN117635206A (zh) | 一种用电行为预测方法及装置、设备、存储介质 | |
| CN117093396A (zh) | 基于自然语义分析和智能语音外呼的告警方法及装置 | |
| CN117938623A (zh) | 通信设备的故障预警方法、装置、电子设备及存储介质 | |
| CN116564112A (zh) | 一种携带有交通信号灯的飞行器调度方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |