基于边缘计算的AI识别系统及方法技术方案

一种基于边缘计算的AI识别系统，包括：采集设备和服务器，采集设备包括边缘计算单元，服务器包括打标单元、训练单元和调度单元，采集设备用于采集环境信息，以生成视频流，并将视频流提供给服务器；打标单元用于接收视频流，将视频流处理成图像，对图像进行分类标注后，提供给训练单元；训练单元用于按需求选择预先存储的训练模型，将分类标注的图像运用训练模型进行训练，得到最终各量化模型，并将最终各量化模型上传至调度单元；调度单元用于调度最终各量化模型，按需求下发至边缘计算单元进行存储。本申请能够得到完善的最终量化模型，降低设备成本与运维成本。本申请还公开了一种基于边缘计算的AI识别方法。一种基于边缘计算的AI识别方法。一种基于边缘计算的AI识别方法。

【技术实现步骤摘要】
基于边缘计算的AI识别系统及方法


[0001]本申请涉及AI识别
，特别是涉及一种基于边缘计算的AI识别系统及方法。

技术介绍

[0002]随着社会经济的发展和人们生活水平的不断提高，人们对生活和工作环境的要求也不断提高，城市道路车流量越来越大，应用先进的监控技术建立交通监控管理系统，实现城市道路的现代化交通管理，已成为亟待解决的问题。目前，城市道路杆上都安装有交通违法监测抓拍设备即AI摄像头，对查处路口交通事故、治安刑事案件都是有益的。但是，对于不同使用位置、不同时间阶段、不同部门的摄像头，有着不同的AI算法，市场上不同品牌的AI摄像头，每一款AI摄像头受硬件与计算力的限制，只有一种或几种固定的AI算法，算法固定且不能更改，对于同一道路杆上使用几种不同类算法时，只能安装几个不同的AI摄像头，这样不但成本高，也无法满足复杂多变的业务场景，管理与维护也极其不方便。而且在道路杆上安装多个AI摄像头时，平台的运维需求整合多个设备的数据，拉长了数据链路，相应降低了响应速度，同时不利于问题的定位，对运维管理人员的技术要求也高，成本相应也增加了。
[0003]因此，为了解决上述问题，人们急需探索出一种基于边缘计算的AI识别系统及方法，以更优地实现道路监控，降低设备成本与运维成本。
[0004]前面的叙述在于提供一般的背景信息，并不一定构成现有技术。

技术实现思路

[0005]有鉴于此，本申请的目的在于提供一种基于边缘计算的AI识别系统及方法，能够得到完善的最终量化模型，降低设备成本与运维成本。
[0006]为达到上述目的，本申请的技术方案是这样实现的：
[0007]第一方面，本申请实施例提供了一种基于边缘计算的AI识别系统，包括：采集设备和服务器，所述采集设备包括边缘计算单元，所述服务器包括打标单元、训练单元和调度单元，其中；
[0008]所述采集设备用于采集环境信息，以生成视频流，并将视频流提供给所述服务器；
[0009]所述打标单元用于接收视频流，将视频流处理成图像，对图像进行分类标注后，提供给所述训练单元；
[0010]所述训练单元用于按需求选择预先存储的训练模型，将分类标注的图像运用训练模型进行训练，得到最终各量化模型，并将最终各量化模型上传至所述调度单元；
[0011]所述调度单元用于调度最终各量化模型，按需求下发至所述边缘计算单元进行存储。
[0012]在一实施例中，所述采集设备为普通摄像头或AI摄像头，所述摄像头设置在道路杆上。
[0013]在一实施例中，所述边缘计算单元设置在采集设备内。
[0014]在一实施例中，所述打标单元还用于将视频流进行解码、编译处理后形成图像。
[0015]在一实施例中，所述训练模型包括机动车识别算法训练模型、非机动车识别算法训练模型、行人识别算法训练模型、物品移动算法训练模型或区域闯入识别算法训练模型。
[0016]在一实施例中，所述训练单元还用于将分类标注的图像运用训练模型进行训练，得到量化模型，对得到的量化模型进行评价，如果评价结果符合要求，则将得到的量化模型作为最终量化模型，如果量化模型评价结果不符合要求，则通过图像和训练模型进行重复训练，直至得到最终量化模型。
[0017]在一实施例中，所述调度单元还用于获取采集设备提供的视频流，并将视频流处理成图像，调用边缘计算单元中的量化模型，对图像进行识别，以得到识别结果。
[0018]第二方面，本申请实施例提供了一种车内照明方法，包括：
[0019]采集设备采集环境信息，以生成视频流；
[0020]打标单元接收视频流，将视频流处理成图像，对图像进行分类标注后，提供给训练单元；
[0021]训练单元按需求选择预先存储的训练模型，将分类标注的图像运用训练模型进行训练，得到最终各量化模型，并将最终各量化模型上传至调度单元；
[0022]调度单元调度最终各量化模型，按需求下发至所述边缘计算单元进行存储。
[0023]本申请实施例提供的技术方案带来的有益效果是：
[0024]本申请实施例提供的基于边缘计算的AI识别系统及方法，通过采集设备采集环境信息，以生成视频流；打标单元接收视频流，将视频流处理成图像，对图像进行分类标注后，提供给训练单元；训练单元按需求选择预先存储的训练模型，将分类标注的图像运用训练模型进行训练，得到最终各量化模型，并将最终各量化模型上传至调度单元；调度单元调度最终各量化模型，按需求下发至所述边缘计算单元进行存储，从而能够得到完善的最终量化模型，降低设备成本与运维成本，应用场景广。
附图说明
[0025]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0026]图1为本申请实施例提供的基于边缘计算的AI识别系统的框图；
[0027]图2为本申请实施例提供的基于边缘计算的AI识别方法的流程示意图；
[0028]图3为本申请另一实施例提供的基于边缘计算的AI识别方法的流程示意图。
具体实施方式
[0029]下面将结合附图，对本申请的特定实施例进行详细描述。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例。基于本申请的描述，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。
[0030]在本申请的描述中，除非另有明确的规定和限定，术语“设置”、“安装”、“连接”等
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。对于本领域的普通技术人员而言，可以具体情况理解上述术语的具体含义。
[0031]术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
[0032]术语“第一”、“第二”、“第三”等仅仅是为了区别属性类似的元件，而不是指示或暗示相对的重要性或者特定的顺序。
[0033]术语“包括”、“包含”或者其任何其他变体，意在涵盖非排他性的包含，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。
[0034]图1为本申请实施例提供的基于边缘计算的AI识别系统的框图。所述基于边缘计算的AI识别系统能够得到完善的最终量化模型，降低设备成本与运维成本。请参考图1，本实施例的基于边缘计算的AI识别系统包括：采集设备11和服务器12，采集设备11可以包括边缘本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘计算的AI识别系统，其特征在于，包括：采集设备和服务器，所述采集设备包括边缘计算单元，所述服务器包括打标单元、训练单元和调度单元，其中；所述采集设备用于采集环境信息，以生成视频流，并将视频流提供给所述服务器；所述打标单元用于接收视频流，将视频流处理成图像，对图像进行分类标注后，提供给所述训练单元；所述训练单元用于按需求选择预先存储的训练模型，将分类标注的图像运用训练模型进行训练，得到最终各量化模型，并将最终各量化模型上传至所述调度单元；所述调度单元用于调度最终各量化模型，按需求下发至所述边缘计算单元进行存储。2.如权利要求1所述的基于边缘计算的AI识别系统，其特征在于，所述采集设备为普通摄像头或AI摄像头，所述摄像头设置在道路杆上。3.如权利要求1所述的基于边缘计算的AI识别系统，其特征在于，所述边缘计算单元设置在采集设备内。4.如权利要求1所述的基于边缘计算的AI识别系统，其特征在于，所述打标单元还用于将视频流进行解码、编译处理后形成图像。5.如权利要求1所述的基于边缘计算的AI识别系统，其特征在于，所述训练模型包括机动车识别算法训练模型、非机动车识别算法训练模型、行人识别算法训练模型、物品移动算法训练模型或区域闯入识别算法训练模型。6.如权利要求1所述的基于边缘计算的AI识别系统，其特征在于，所述训练单元还用于将分类标注的图像运用训练模型进行训练，得到量化模型，对得到的量化模型进行评价，如果评价结果符合要求，则将得到的量化模型作为最...

【专利技术属性】
技术研发人员：丘玉广，彭宏飞，李立赛，
申请(专利权)人：深圳奇迹智慧网络有限公司，
类型：发明
国别省市：