CN110471988A - 一种基于模块化的三段五层式人工智能*** - Google Patents
一种基于模块化的三段五层式人工智能*** Download PDFInfo
- Publication number
- CN110471988A CN110471988A CN201910734557.0A CN201910734557A CN110471988A CN 110471988 A CN110471988 A CN 110471988A CN 201910734557 A CN201910734557 A CN 201910734557A CN 110471988 A CN110471988 A CN 110471988A
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- decision
- end equipment
- laminar
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于模块化的三段五层式人工智能***,基于模块化设计思想来完成的软硬结合智能应用***。三段式主要代表本***的硬件设计架构,包括边缘端、中间端及云端的相关硬件设备,三段设备分别有不同的分工及定义,依运算处理能力的强弱依次排布。五层式则主要描述软件***的结构设计,分别是感知采集层、传输汇集层、数据交换层、决策判断层、应用服务层。五层结构以金字塔形式分布,由底层到高层数据交换量逐步减小,信息处理复杂度逐步增强,经信息感知、传输、交换及运算决策,最终针对应用需求得到相应的深层语义大数据。
Description
技术领域
本发明属于人工智能技术领域,尤其涉及一种基于模块化的三段五层式人工智能***。
背景技术
现有的人工智能应用***多以解决某项具体应用或任务为导向而搭建,某种产品及相关***具备相当程度的封闭性,同类产品间软硬件彼此不兼容、会产生较多重复开发、信息互通程度差、信息安全难以保证等问题,造成了较多的资源浪费;同时,多数基于人工智能算法的物联网应用***需要云端的计算支持,终端只承担信息采集传输的任务,所有的传感数据需要在云端进行加工处理,这对一批时效性要求较高的业务将产生不利影响,同时在传输的过程中的不稳定及数据的安全也有隐患。今后在基于人工智能的物联网应用中,时效性和安全性将是不可忽略的重点。
发明内容
针对现有技术存在的问题,本发明提供了一种基于模块化的三段五层式人工智能***,能够提高数据处理的时效性和安全性。
本发明所采用的技术方案如下:
一种基于模块化的三段五层式人工智能***,包括:
硬件部分和软件部分;
所述硬件部分包括云端设备、中间端设备和边缘端设备;
所述边缘端设备所述边缘端设备包括终端采集设备和初级处理设备;终端采集设备用于采集终端数据,初级处理设备用于对采集到得终端数据进行初步处理。
所述中间端设备用于对边缘端设备处理后的数据进行进一步分析处理;
所述云端设备用于对处理超出中间端设备处理能力以外的数据,并将处理结果返回中间端设备,再通过中间端设备对边缘端设备进行控制;
在边缘端设备将数据传送到中间端设备前以及中间端设备将数据传送到云端设备前均对数据进行运算编码与体积压缩,这样不仅保证了数据在传输过程中的安全性,也减小了对带宽的占用,减少了对网络资源的消耗。
所述软件部分由下至上依次分为感知采集层、传输汇集层、数据交换层、决策判断层以及应用服务层;
所述感知采集层用于采集终端数据并对终端数据进行边缘计算;
所述传输汇集层用于将经过边缘计算处理的数据透传到数据交换层;
所述数据交换层用于对接收到的传输汇集层的数据提取更高层次特征数据并对数据添加流向标签;
所述决策判断层接收来自数据交换层的数据分析处理,根据处理结果做出决策判断;
所述应用服务层根据决策判断层做出的决策判断结果为用户提供应用服务。
进一步的,所述云端设备、中间端设备以及边缘端设备均采用模块化设计,所述模块化设计为边缘端设备、中间端设备以及云端设备之间通讯均采用统一的标准化接口和协议,这样一旦应用有所变换只需要更换相应的模块就可以,不需要整体重新设计。
进一步的,通过卷积神经网络对对接收到的传输汇集层的数据提取更高层次特征数据。
进一步的,决策判断层包括分析器和决策器,来自数据交换层的数据根据流向标签被分配到相应的分析器和决策器,在数据交换层分析处理完成的数据直接进入决策器进行决策,未分析完成的数据在分析器中分析处理完成后被送入决策器决策。
进一步的,通过感知采集层采集到的数据在数据交换层中进行分类,通过流向标签使之按照分类流向决策判断层中不同的决策器,通过决策器对已归类的数据统一识别判断。
有益效果:
1、云端设备、中间端设备以及边缘端设备均采用模块化设计,接口和协议均采用标准化。拓展和部署便捷,可降低开发成本、减少部署时间。
2、五层式设计可对终端采集到的庞大数据进行了层级化过滤和处理,提取出高度结构化的数据,从而提高了数据的有效性,并且减小了数据在传输过程中的压力。
3、通过边缘端采集初步处理、中间端进一步处理、云端最终处理反馈的流程,所有在边缘端采集到的信息,先做出初步处理之后,再向中间端传输,中间端进一步处理之后再向云端发送。依据CNN(卷积型神经元网络)的原理,可保证每通过一次处理,获得的输出结果体积越小。经过边缘端和中间端一层一层的数据处理,在每次的数据向下一级传输时,上传的只是一组压缩编码数据。即便被不法人员获取也无法从中获利。同理由于处理过的数据包不会很大,在传输的过程中对带宽的要求没有直接的图像传输那么高,所以传输过程中的稳定性也更容易得到保障。
4、由于三个端的设备都具备数据处理能力,可以直接得出部分结果,***的可靠性也有所提高,不会因为某一端设备掉线而导致整套***无法工作的情况。
5、通过三段(边缘端、中间端、云端)硬件架构、五层软件架构,以及模块化设计的配合,使得本***工作效率更高,部署方便,***的稳定性和安全性都有很好的保障。
6、在现有的技术中对单一种类的物体或是类别识别较为简单,且运算量相对较小。但是在多种物体和不同场景下,如对人、物、车、建筑、运动、静止等不同的物体和状态混合在一起的情况下,一般的方法识别比较困难,且对运算量的要求比较高。在本发明中,通过将不同的信息在感知采集层中提取,在数据交换层中进行分配,使之流向决策判断层中不同的决策器,在具体类别的决策器中对已归类,具有对应属性的数据进行统一地识别和判断。使得本***充分利用设备资源、提高工作效率、降低硬件成本。
综上几点,本发明的三段五层式人工智能***结构功能清晰,降低了以往***中的产品复杂性,在应该用中通过灵活的硬件架构,合理的软件分层、数据路由定义、精准的应用服务设计完成不同的差异性配置,降低了研发成本和研发风险。
附图说明
图1是本发明的结构示意图。
具体实施方式
下面结合说明书附图,对本发明作进一步的说明。
本发明基于模块化的三段五层式人工智能***,主要包括以下部分:
硬件部分:
边缘端设备,需要具有体积小、功耗低、节能和方便布置等特点,包括分散布置的终端采集设备和基于分布架构的初级处理设备(例如一些性能相对较低的计算机集群)。边缘端所承担的任务除了采集数据以外,还包含对所采集到的数据进行初级处理,例如对数据进行初步筛选,去掉一些无效信息,对数据进行预处理等,处理过后将数据向中间端发送。
中间端设备,作为边缘端和云端设备的连接点,可以承担一定程度的计算任务,同时保持边缘端设备和云端设备之间稳定的数据交换,其作用在于承上启下,即可以协助边缘端设备进行及时的数据处理,又可以减轻云端的数据处理压力。对于来自边缘端设备的数据,中间端设备进行进一步的分析处理,对于请求处理的数据,如果中间端设备的处理能力足够,则在中间端就对数据进行完全处理,并将处理结果返回到边缘端设备,同时也可能根据处理结果对边缘端设备进行一些控制。这样不仅减小云端设备的压力,同时也减少了数据在传输过程中所浪费的时间和带宽。如果中间端设备的处理能力不足,则对于复杂度不高的数据直接进行计算处理,无需向云端发送,对于复杂度高的数据则直接打包上传到云端,也可以对一些复杂度比较中等的数据进行辅助计算,再将辅助计算后的数据发送到云端设备进行进一步的处理。
云端设备(服务器端),接收来自中间端设备的数据进行进一步处理,并可以对边缘端设备进行控制,采用适用于人工智能***的高性能服务器,可以进行深层次的计算模型优化与图像处理,其运算能力在整个***里处于最强位置。所有底层数据都在这里汇聚进行集中式处理。在云端进行的处理包括:对数字信息进行多源数据融合与整体相关性分析,对图像信息进行基于检测结果的应用设计,对得到的整体数据通过机器学习算法模型进行优化,形成相应的数据分析模型。
实践中,边缘端设备和中间端设备一般部署在现场,云端设备部署在远端机房,也有可能根据实际情况将三种设备分别部署在不同的地方。
软件部分:
采用五层式应用模型
五层式应用模型面对外界数量巨大且繁杂的数据,通过层级化的过滤和处理,将融合后的信息归类处理,最终提取出高度结构化的数据(此处结构化是指经过层层处理后让数据形成标准格式和具有标准的描述方式),并依据这些决策后的数据通过应用api(Application Programming Interface,应用程序编程接口)提供给客户。五层式应用模型不一定按照三段的结构依次对应,可以是相互交叉的关系,或贯穿式的存在。硬件三段中的一端可执行五层中的一层任务或是多层任务,具体依不同的应用场景而定。五层由下而上具体如下:
感知采集层:主要是通过低成本的智能终端和各类传感器组建分布式传感网络,通过可穿戴智能终端、智能家电、各类传感器、智能监控等设备采集社区各类信息。并将外部的原始信息以及采集到的模拟信号转化为计算机可以识别的数字信号。除了采集,该层还需要对数据进行初步处理。面对采集到的庞大的外界采集数据,在这一层对获取的信息进行滤波,去掉误差较大的数据,压缩体积较大的数据(例如从图片中提取一些面部特征),统一收集处理后向后面一层提供加工后的可用信息。边缘计算就是在该层实现,在最近端对数据进行实时处理。
传输汇集层:这一层主要是为数据提供高可靠的传输通路。通过建立及保障设备端对端的连接,数据可从多端向一端传输,也可从一端向多端传输。协议有:TCP、UDP等。通过蜂窝网络、局域网、bluetooth、WiFi、卫星通信等至少一种或以上的接入组网技术搭建,将感知采集层获取的庞大的并经过感知采集层处理的采集数据及时的向数据交换层透传。
数据交换层:在这一层对来自于传输汇集层的数据进行更进一步的分析处理以获得更高层次的特征数据,相较于之前的数据提取更加精确,去掉无用信息,较之前数据具有更高可用性。在处理的过程中,通过CNN(卷积神经网络),可以保证数据在处理的过程中体积越来越小,可以有效的降低数据在后续传输过程中的传输量。并且经过筛选后待发送的数据在该层均加上相应的流向标签,流向标签用以对数据做出更加明确和细致的分类,如人、物、车、建筑、运动、静止等不同的物体和状态,这样数据的指向性更加明确,通过事先设置好的对应的分类使之在下一级的传输过程中流向明确的目标传送地,根据不同的服务类别,数据流向不同的目标传送地。在这一层通过数据路由将信息做出更明确的分类,为下一层的运算减轻压力。
决策判断层
经过前几层处理的数据最终都流向决策判断层,并进行分析和存储,这一层由不同的分析器和决策器组成,在数据交换层处理过的数据根据不同的流向标签将发送到不同的分析器和决策器中。在数据交换层分析处理完成的数据直接进入决策器进行决策,未分析完成的数据在分析器中分析处理完成后被送入决策器决策,这些决策器基于深度学习模型进行分析判断,直接进行决策给出结果,或者是给出辅助决策供人参考。
应用服务层
通过之前几层的处理和分析刨除了人工智能***中的繁琐的架构和运算过程,在这一层给使用者呈现最直观和最直接的数据和结果。利用这些数据和结果配合相应的软件可以为客户提供直接的应用服务。同时在这一层还包含对三段五层式人工智能***中所有软件、硬件和整个***进行监控,维护和管理。可以从这一层开始逐层的下发指令,来控制和调整之前几层的设备。例如调整现场的摄像头角度、根据不同的需求更换决策机器的决策模型、监视这些设备的异常状态,做到及时的更换和维护。整合型管理机制通过一体化管理,针对***内不同层和不同端的软硬件所适用的所有标准和接口,进行整合优化以及相互的补充完善,给***管理带来了积极成效,提高了管理效率。
具体实践如下:
实施例一:
智能广告通过边缘端对一个区域内所有的人群进行分类识别,对不同人群有针对性的投放广告。通过三段式的结构,配合五层式应用模型来实现。
感知采集层:布设传感终端设备(属于边缘端设备中的采集设备)进行图像等原始数据采集处理。传输汇集层:通过数据路由汇集二级数据于边缘服务器,即中间端。数据交换层:边缘服务器的信息处理与分发往决策层。决策判断层:主要指云端的深层次数据处理。应用服务层:汇集深层语义信息,设计算法,提供服务
具体在在三段硬件的工作顺序为,边缘端首先进行原始数据采集,即行人图像的获取,在边缘端执行一些较为简单的数据预处理(如人脸定位、PCA(主成分分析等)),将处理后的结果(如人脸框,特征数组等)发送至中间端,中间端进行进一步的深度分析,如利用不同架构的CNN(卷积神经网络(如YOLO、R-CNN、FCN等))模型逐步提取高层次特征,如中间端可以满足计算需求,则直接可在中间端完成数据处理,并将结构化结果(如行人性别、年龄、运动趋势等)上报云端,由云端分配给各种具体应用;如中间端不能完全满足计算需求,则可在中间端进行一部分的处理工作,(依据CNN的原理,可保证处理过程中获得的输出结果体积越来越小),并将处理后的更少量数据发送至云端,进行最终部分的复杂运算,这种做法增加了信息处理***的灵活性、安全性、数据传输量更小也保证了通信稳定性与低成本。
在本例中边缘端和中间端计算的数据和图片本地处理不保存,不向公司后台服务器传输具体的图像和个人信息,只传输压缩处理后的数据。这样即可以减轻传输的压力,又可以有效保护个人的隐私。同时当检测到现场无人、或是行人稀少时屏幕直接关闭,以节约电能。
实施例二:
完整的三段五层式人工智能***可以应用于自动驾驶领域。
该***中的边缘端安装在车内,可以辅助驾驶员进行车辆的驾驶,依靠边缘计算当场做出决策。该部分可以实时监测车内人员的状态,在必要时进行线路提示和驾驶员提醒。这些监测车内人员的数据不上传,只在本地(车内设备)处理,可以有效的保护车内人员的个人隐私。在这部分中,感知采集层:布设传感终端设备进行图像等原始数据采集处理。传输汇集层:通过数据路由汇集二级数据于边缘服务器,即中间端(主要指通信手段)。
中间端建在各主要区域内,类似基站分布的设备。并对应数据交换层和决策判断层。主要指深层次数据处理中间端通过5G网络(未来可能是更新的无线技术)与边缘端相连接,可以协助处理边缘端处理不了的运算。还可以根据后台反馈的数据,区域道路的实时路况、拥堵信息等,给驾驶员更合理的驾驶建议,提高路上的效率。并且通过对每个个体效率的提升从而提升一个区域整体的交通通勤效率。
云端,平时云端与中间端通过光纤网络(即一般有线网络)与分布在各处的中间端相连接。这里对应的是应用服务层,通过汇集深层语义信息,设计算法,提供服务。在平时给中间端提供辅助运算处理,以及实时数据反馈等。并且云端通过大量实时且持续累积的训练数据来训练自动驾驶汽车在公共道路上导航。再通过机器学习模型和深度神经网络分析云中的这些数据,改进训练模型。用户可以在闲时同通过网络自动下载这些数据和模型,进一步提升自动驾驶的***。
实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (8)
1.一种基于模块化的三段五层式人工智能***,其特征在于,包括:
硬件部分和软件部分;
所述硬件部分包括云端设备、中间端设备和边缘端设备;
所述边缘端设备用于采集终端数据并对数据进行初级处理;
所述中间端设备用于对边缘端设备处理后的数据进行进一步分析处理;
所述云端设备用于对处理超出中间端设备处理能力以外的数据,并将处理结果返回中间端设备,再通过中间端设备对边缘端设备进行控制;
所述软件部分由下至上依次分为感知采集层、传输汇集层、数据交换层、决策判断层以及应用服务层;
所述感知采集层用于采集终端数据并对终端数据进行边缘计算;
所述传输汇集层用于将经过边缘计算处理的数据透传到数据交换层;
所述数据交换层用于对接收到的传输汇集层的数据提取更高层次特征数据并对数据添加流向标签;
所述决策判断层接收来自数据交换层的数据分析处理,根据处理结果做出决策判断;
所述应用服务层根据决策判断层做出的决策判断结果为用户提供应用服务。
2.根据权利要求1所述的一种基于模块化的三段五层式人工智能***,其特征在于:所述云端设备、中间端设备以及边缘端设备均采用模块化设计。
3.根据权利要求2所述的一种基于模块化的三段五层式人工智能***,其特征在于:所述模块化设计为边缘端设备、中间端设备以及云端设备之间通讯均采用统一的标准化接口和协议。
4.根据权利要求1所述的一种基于模块化的三段五层式人工智能***,其特征在于,所述边缘端设备包括终端采集设备和初级处理设备;终端采集设备用于采集终端数据,初级处理设备用于对采集到得终端数据进行初步处理。
5.根据权利要求1所述的一种基于模块化的三段五层式人工智能***,其特征在于,通过卷积神经网络对对接收到的传输汇集层的数据提取更高层次特征数据。
6.根据权利要求1所述的一种基于模块化的三段五层式人工智能***,其特征在于,决策判断层包括分析器和决策器,来自数据交换层的数据根据流向标签被分配到相应的分析器和决策器,在数据交换层分析处理完成的数据直接进入决策器进行决策,未分析完成的数据在分析器中分析处理完成后被送入决策器决策。
7.根据权利要求1所述的一种基于模块化的三段五层式人工智能***,其特征在于,边缘端设备将数据传送到中间端设备前以及中间端设备将数据传送到云端设备前均对数据进行运算编码与体积压缩。
8.根据权利要求6所述的一种基于模块化的三段五层式人工智能***,其特征在于,通过感知采集层采集到的数据在数据交换层中进行分类,通过流向标签使之按照分类流向决策判断层中不同的决策器,通过决策器对已归类的数据统一识别判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910734557.0A CN110471988B (zh) | 2019-08-09 | 2019-08-09 | 一种基于模块化的三段五层式人工智能*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910734557.0A CN110471988B (zh) | 2019-08-09 | 2019-08-09 | 一种基于模块化的三段五层式人工智能*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110471988A true CN110471988A (zh) | 2019-11-19 |
CN110471988B CN110471988B (zh) | 2023-05-02 |
Family
ID=68511405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910734557.0A Active CN110471988B (zh) | 2019-08-09 | 2019-08-09 | 一种基于模块化的三段五层式人工智能*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110471988B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111131771A (zh) * | 2019-12-12 | 2020-05-08 | 中国科学院深圳先进技术研究院 | 一种视频监控*** |
CN113704167A (zh) * | 2021-07-19 | 2021-11-26 | 上海交通大学 | 物联网智能感知终端*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100228857A1 (en) * | 2002-10-15 | 2010-09-09 | Verance Corporation | Media monitoring, management and information system |
CN107590799A (zh) * | 2017-08-25 | 2018-01-16 | 山东师范大学 | 基于深度卷积神经网络的香蕉成熟期识别方法和装置 |
CN108427992A (zh) * | 2018-03-16 | 2018-08-21 | 济南飞象信息科技有限公司 | 一种基于边缘云计算的机器学习训练***及方法 |
CN109034622A (zh) * | 2018-07-27 | 2018-12-18 | 肇庆华锋电子铝箔股份有限公司 | 一种数据处理方法及*** |
CN109146190A (zh) * | 2018-08-31 | 2019-01-04 | 饶智彬 | 基于内通***并拓展的智能语音可视化实时态势感知*** |
US20190042870A1 (en) * | 2017-12-28 | 2019-02-07 | Yen-Kuang Chen | Multi-domain convolutional neural network |
CN109830271A (zh) * | 2019-01-15 | 2019-05-31 | 安徽理工大学 | 一种基于边缘计算和云计算的健康数据管理***及分析方法 |
CN109862087A (zh) * | 2019-01-23 | 2019-06-07 | 深圳市康拓普信息技术有限公司 | 基于边缘计算的工业物联网***及其数据处理方法 |
CN109995546A (zh) * | 2017-12-29 | 2019-07-09 | 中国科学院沈阳自动化研究所 | 边缘计算与云计算协同的智能工厂自动化***体系架构 |
-
2019
- 2019-08-09 CN CN201910734557.0A patent/CN110471988B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100228857A1 (en) * | 2002-10-15 | 2010-09-09 | Verance Corporation | Media monitoring, management and information system |
CN107590799A (zh) * | 2017-08-25 | 2018-01-16 | 山东师范大学 | 基于深度卷积神经网络的香蕉成熟期识别方法和装置 |
US20190042870A1 (en) * | 2017-12-28 | 2019-02-07 | Yen-Kuang Chen | Multi-domain convolutional neural network |
CN109995546A (zh) * | 2017-12-29 | 2019-07-09 | 中国科学院沈阳自动化研究所 | 边缘计算与云计算协同的智能工厂自动化***体系架构 |
CN108427992A (zh) * | 2018-03-16 | 2018-08-21 | 济南飞象信息科技有限公司 | 一种基于边缘云计算的机器学习训练***及方法 |
CN109034622A (zh) * | 2018-07-27 | 2018-12-18 | 肇庆华锋电子铝箔股份有限公司 | 一种数据处理方法及*** |
CN109146190A (zh) * | 2018-08-31 | 2019-01-04 | 饶智彬 | 基于内通***并拓展的智能语音可视化实时态势感知*** |
CN109830271A (zh) * | 2019-01-15 | 2019-05-31 | 安徽理工大学 | 一种基于边缘计算和云计算的健康数据管理***及分析方法 |
CN109862087A (zh) * | 2019-01-23 | 2019-06-07 | 深圳市康拓普信息技术有限公司 | 基于边缘计算的工业物联网***及其数据处理方法 |
Non-Patent Citations (3)
Title |
---|
LEI BAI 等: "Automatic Device Classification from Network Traffic Streams of Internet of Things" * |
SHAHBAZ REZAEI 等: "Deep Learning for Encrypted Traffic Classification: An Overview" * |
刘洋: "基于边缘计算的数据获取与处理***设计与实现" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111131771A (zh) * | 2019-12-12 | 2020-05-08 | 中国科学院深圳先进技术研究院 | 一种视频监控*** |
CN111131771B (zh) * | 2019-12-12 | 2021-08-13 | 中国科学院深圳先进技术研究院 | 一种视频监控*** |
CN113704167A (zh) * | 2021-07-19 | 2021-11-26 | 上海交通大学 | 物联网智能感知终端*** |
CN113704167B (zh) * | 2021-07-19 | 2024-03-19 | 上海交通大学 | 物联网智能感知终端*** |
Also Published As
Publication number | Publication date |
---|---|
CN110471988B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qiao et al. | A survey on 5G/6G, AI, and Robotics | |
CN112004197B (zh) | 一种基于车辆轨迹预测的异构车联网切换方法 | |
CN106448193A (zh) | 一种城市交通控制***及控制方法 | |
CN113408087B (zh) | 一种基于云边***和视频智能分析的变电站巡视方法 | |
CN109993968A (zh) | 基于车联网的交通控制*** | |
CN103177298A (zh) | 泛能网控制方法 | |
CN110471988A (zh) | 一种基于模块化的三段五层式人工智能*** | |
CN108334831A (zh) | 一种监测图像处理方法、监测终端及*** | |
CN105721609A (zh) | 一种无人机的服务过程控制方法及*** | |
CN112183771A (zh) | 一种轨道交通智能运维生态***及其运行方法 | |
CN105025099A (zh) | 智能摄像机网络***及摄像机网络动态任务分配方法 | |
CN115661965B (zh) | 一种融合自动机场的公路无人机智能巡检*** | |
CN107395757A (zh) | 基于acp方法和社会物理信息***的平行车联网*** | |
CN205670385U (zh) | 基于手机无线网的城市交通控制装置 | |
Ding et al. | Edge-to-cloud intelligent vehicle-infrastructure based on 5G time-sensitive network integration | |
CN116744261B (zh) | 一种毫米波通信网络与边缘计算融合方法 | |
CN109543588A (zh) | 交通事故责任判定的方法、装置、***、服务平台及介质 | |
Liu et al. | HPL-ViT: A unified perception framework for heterogeneous parallel LiDARs in V2V | |
CN115018205B (zh) | 一种基于物联网的智慧城市无人机管理方法与*** | |
Xiao et al. | Mobile-edge-platooning cloud: a lightweight cloud in vehicular networks | |
CN110135633A (zh) | 一种铁路业务呼叫故障预测方法和装置 | |
CN114900656A (zh) | 一种交通监控视频流处理方法、装置、***及存储介质 | |
CN107943096A (zh) | 一种多无人机智能重建地形的分布式计算框架 | |
Duan et al. | Research on architecture and technology application of smart Park Based on 5G cloud network | |
Lou et al. | Cyber-physical intelligent transport system based on digital-twin technology |
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 |