【技术实现步骤摘要】
本专利技术提出了一种用于机器视觉的边缘计算方法、装置及存储介质，属于机器视觉以及边缘计算。
技术介绍
1、机器视觉是一门涉及人工智能、计算机科学和工程领域的学科，旨在研究如何使用机器模拟人的视觉功能。机器视觉系统可以通过图像采集、图像处理和图像解释来实现对现实世界的感知、识别和理解。
2、边缘计算是一种在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务的计算模式。应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间，或处于物理实体的顶端。而云端计算，仍然可以访问边缘计算的历史数据。
技术实现思路
1、本专利技术提供了一种用于机器视觉的边缘计算方法、装置及存储介质，用以解决传统的机器视觉任务处理依赖云平台，造成处理效率低下，并且增加云平台的负载以及网络带宽消耗的问题：
2、本专利技术提出的一种用于机器视觉的边缘计算方法，所述方法包括：
3、s1：通过视觉设备对视觉数据进行采集，并将采集到的视觉数据通过网络传输至边缘设备；
4、s2：边缘设备对接收到的所述视觉数据进行预处理并分析机器视觉任务，根据机器视觉任务的特点，将所述机器视觉任务分解为多个子任务，并对子任务进行特征提取；
5、s3：通过边缘设备上的机器视觉模型，对进行特征提取后的子任务进行实时分析以及处理，并根据实时分析以及处理结果生成相
6、s4：边缘设备将生成相应的决策、控制指令以及事件触发信号发送到云平台，云平台对接收到的信息进行处理和分析，并生成相应的反馈信息；
7、s5：云平台将反馈信息传输回边缘设备，边缘设备根据反馈信息采取相应的操作或行为，并传递给执行设备或系统。
8、进一步的，所述视觉设备包括摄像头以及传感器；所述视觉数据包括图像数据以及视频数据。
9、进一步的，所述边缘设备对接收到的所述视觉数据进行预处理并分析机器视觉任务，根据机器视觉任务的特点，将所述机器视觉任务分解为多个子任务，并对子任务进行特征提取；所述子任务包括：目标检测任务、图像分类任务、人脸识别任务以及图像分割任务；所述对子任务进行特征提取包括：
10、所述目标检测任务通过使用边界框确定图像中物体的位置，并对检测到的物体进行分类，确定物体的类别，并跟踪物体在连续帧中的位置和运动轨迹；
11、所述图像分类任务通过卷积神经网络从图像中提取有的特征，设计并训练分类器模型，将提取的特征与预定义的类别进行匹配，获得图像分类结果；
12、所述人脸识别任务通过检测图像或视频中的人脸，确定人脸的位置，并对检测到的人脸进行对齐操作；并通过深度学习算法提取人脸图像中的特征向量；将提取到的特征向量与数据库中的人脸特征进行匹配，确定身份或进行验证/辨识；
13、所述图像分割任务通过将图像中的每个像素分配到不同的语义类别，并在像素级别上同时对不同物体进行分割和标注，获得对图像中多个物体的准确分割结果。
14、进一步的，通过并行处理方法对子任务进行特征提取，所述方法包括：
15、将机器视觉任务分解为多个子任务；
16、根据任务划分，视觉数据分解为多个数据块，并根据可用并行计算资源和任务复杂性确定数据块的大小和数量；
17、通过使用任务调度算法根据计算单元的性能和任务复杂性将数据块平均分配给并行计算单元；
18、所述并行计算单元通过卷积神经网络对分配的数据块进行处理并进行特征提取；
19、当所有所述并行计算单元完成特征提取后，通过特征融合算法，将生成的特征合并为整体特征；
20、并根据具体任务需求，对整体特征进行进下一步处理，所述下一步处理包括降维、归一化以及校准。
21、进一步的，所述通过边缘设备上的机器视觉模型，对进行特征提取后的子任务进行实时分析以及处理，并根据实时分析以及处理结果生成相应的决策、控制指令以及事件触发信号；包括：
22、s31：将进行特征提取的子任务输入到相应的子任务模型中通过机器学习算法对特征提取的子任务进行实时分析和处理；
23、s32：边缘设备可以根据预先定义的规则或策略生成相应的决策；
24、s33：根据生成的决策，边缘设备生成相应的控制指令，所述控制指令用于控制相关设备或执行具体的操作；
25、s34：基于特定事件发生或检测到特定目标，边缘设备生成相应的事件触发信号。
26、进一步的，所述边缘设备将生成相应的决策、控制指令以及事件触发信号发送到云平台，云平台对接收到的信息进行处理和分析，并生成相应的反馈信息；包括：
27、s41：云平台接收来自边缘设备的决策、控制指令和事件触发信号，并将其存储在数据结构中；
28、s42：云平台对接收到的数据进行解析，根据预定的格式和协议提取相关信息；根据不同的数据类型，通过机器学习算法对决策结果进行分析和预测；
29、s43：基于数据解析和处理的结果，云平台可以生成相应的反馈信息。
30、进一步的，所述反馈信息包括状态更新、控制指令确认、事件触发信号确认、决策结果反馈以及数据分析报道。
31、进一步的，云平台接收来自边缘设备的决策、控制指令和事件触发信号，并将其存储在数据结构中；包括：
32、s411：确定要将数据分段存储的时间段，并从接收到的决策、控制指令和事件触发信号中获取数据的时间戳；
33、s412：为每个时间段创建一个存储结构，所述存储结构包括数据库表格、文件夹以及文件；
34、s413：通过对时间戳与时间段的起始时间和结束时间进行比较，将接收到的数据根据其时间戳分配到对应的时间段中；
35、s414：将归类到相应时间段的数据存储到对应的存储结构中。
36、本专利技术提出的一种用于机器视觉的边缘计算装置，所述装置包括：
37、数据采集模块：通过视觉设备对视觉数据进行采集，并将采集到的视觉数据通过网络传输至边缘设备；
38、特征提取模块：边缘设备对接收到的所述视觉数据进行预处理并分析机器视觉任务，根据机器视觉任务的特点，将所述机器视觉任务分解为多个子任务，并对子任务进行特征提取；
39、分析处理模块：通过边缘设备上的机器视觉模型，对进行特征提取后的子任务进行实时分析以及处理，并根据实时分析以及处理结果生成相应的决策、控制指令以及事件触发信号；
40、信息生成模块：边缘设备将生成相应的决策、控制指令以及事件触发信号发送到云平台，云平台对接收到的信息进行处理和分析，并生成相应的反馈信息；
41、指令传递模块：云平台将反馈信息传输回边缘设备，边缘设备根据反馈信息采取相应的操作或行为，并传递给执行设备或系本文档来自技高网...
【技术保护点】
1.一种用于机器视觉的边缘计算方法，其特征在于，所述方法包括：
2.根据权利要求1所述一种用于机器视觉的边缘计算方法，其特征在于，所述视觉设备包括摄像头以及传感器；所述视觉数据包括图像数据以及视频数据。
3.根据权利要求1所述一种用于机器视觉的边缘计算方法，其特征在于，所述边缘设备对接收到的所述视觉数据进行预处理并分析机器视觉任务，根据机器视觉任务的特点，将所述机器视觉任务分解为多个子任务，并对子任务进行特征提取；所述子任务包括：目标检测任务、图像分类任务、人脸识别任务以及图像分割任务；所述对子任务进行特征提取包括：
4.根据权利要求3所述一种用于机器视觉的边缘计算方法，其特征在于，通过并行处理方法对子任务进行特征提取，所述方法包括：
5.根据权利要求1所述一种用于机器视觉的边缘计算方法，其特征在于，所述通过边缘设备上的机器视觉模型，对进行特征提取后的子任务进行实时分析以及处理，并根据实时分析以及处理结果生成相应的决策、控制指令以及事件触发信号；包括：
6.根据权利要求1所述一种用于机器视觉的边缘计算方法，其特征在于，所
7.根据权利要求6所述一种用于机器视觉的边缘计算方法，其特征在于，所述反馈信息包括状态更新、控制指令确认、事件触发信号确认、决策结果反馈以及数据分析报道。
8.根据权利要求6所述一种用于机器视觉的边缘计算方法，其特征在于，云平台接收来自边缘设备的决策、控制指令和事件触发信号，并将其存储在数据结构中；包括：
9.一种用于机器视觉的边缘计算装置，其特征在于，所述装置包括：
10.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以实现如权利要求1-8中任一所述的用于机器视觉的边缘计算方法。
...【技术特征摘要】
1.一种用于机器视觉的边缘计算方法，其特征在于，所述方法包括：
2.根据权利要求1所述一种用于机器视觉的边缘计算方法，其特征在于，所述视觉设备包括摄像头以及传感器；所述视觉数据包括图像数据以及视频数据。
3.根据权利要求1所述一种用于机器视觉的边缘计算方法，其特征在于，所述边缘设备对接收到的所述视觉数据进行预处理并分析机器视觉任务，根据机器视觉任务的特点，将所述机器视觉任务分解为多个子任务，并对子任务进行特征提取；所述子任务包括：目标检测任务、图像分类任务、人脸识别任务以及图像分割任务；所述对子任务进行特征提取包括：
4.根据权利要求3所述一种用于机器视觉的边缘计算方法，其特征在于，通过并行处理方法对子任务进行特征提取，所述方法包括：
5.根据权利要求1所述一种用于机器视觉的边缘计算方法，其特征在于，所述通过边缘设备上的机器视觉模型，对进行特征提取后的子任务进行实时分析以及处理，并根...
【专利技术属性】
技术研发人员：陈铭，林剑，雷国明，李汉瑞，
申请(专利权)人：深圳市天鹤科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。