CN112468533A - 一种面向农产品种植的边缘学习模型在线分割方法和*** - Google Patents
一种面向农产品种植的边缘学习模型在线分割方法和*** Download PDFInfo
- Publication number
- CN112468533A CN112468533A CN202011121765.2A CN202011121765A CN112468533A CN 112468533 A CN112468533 A CN 112468533A CN 202011121765 A CN202011121765 A CN 202011121765A CN 112468533 A CN112468533 A CN 112468533A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- processing
- data
- model
- time
- 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
Images
Classifications
-
- 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
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- 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
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
- H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
-
- 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
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
- H04L67/1023—Server selection for load balancing based on a hash applied to IP addresses or costs
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种面向农产品种植的边缘学习模型在线分割方法,将训练好的模型部署在边缘服务器和云服务器中;数据采集终端接收各种农产品的原始数据;数据采集终端预测数据在数据采集终端、边缘服务器和云服务器的处理时间,以及数据传输时间,数据采集终端预测数据在数据采集终端、边缘服务器和云服务器中的处理能耗,以及传输能耗,基于处理时间、传输时间、处理能耗和传输能耗,获取所述模型的最优分割点,对边缘服务器和云服务器中的所述模型在最优分割点进行分割,所述模型在最优分割点前为第一分块,所述模型在最优分割点后为第二分块,在边缘服务器中,第一分块处理第一中间数据,在云服务器中,第二分块处理第二中间数据。
Description
技术领域
本发明属于农产品种植领域,特别涉及一种面向农产品种植的边缘学习模型在线分割方法和***。
背景技术
现在的农产品种植优化方法都是从各个层面获取到数据,运用云计算的方法进行计算,然后给出种植优化方法。模型运算数据需要经过多层计算。传统人工智能方法对数据进行逐层计算,都在一个服务器中,对采集、传输数据及数据类型有着较高要求,否则数据计算效率不高。现在边缘智能的方法做到了两层分割计算,即边缘服务层计算及云服务层计算,但是对在什么节点分割还没有解决。
发明内容
针对上述问题,本发明提出一种面向农产品种植的边缘学习模型在线分割方法,将训练好的模型部署在边缘服务器和云服务器中;
数据采集终端接收各种农产品的原始数据;
数据采集终端预测原始数据在数据采集终端的第一处理时间,数据采集终端的第一中间数据在边缘服务器中的第二处理时间,边缘服务器中的第二中间数据在云服务器中的第三处理时间,数据采集终端的第一中间数据传输至边缘服务器所需的第一传输时间,边缘服务器中的第二中间数据传输至云服务器所需的第二传输时间;
数据采集终端预测原始数据在数据采集终端的第一处理能耗,数据采集终端的第一中间数据在边缘服务器中的第二处理能耗,边缘服务器中的第二中间数据在云服务器中的第三处理能耗,数据采集终端的第一中间数据传输至边缘服务器所需的第一传输能耗,边缘服务器中的第二中间数据传输至云服务器所需的第二传输能耗;
基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗,获取所述模型的最优分割点,对边缘服务器和云服务器中的所述模型在最优分割点进行分割,所述模型在最优分割点前为第一分块,所述模型在最优分割点后为第二分块,在边缘服务器中,第一分块处理第一中间数据,在云服务器中,第二分块处理第二中间数据。
优选地,数据采集终端预测第一中间数据在边缘服务器的第一等待时间,第二中间数据在云服务器中的第二等待时间;
基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、第一等待时间、第二等待时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗,获取所述模型的最优分割点,对边缘服务器和云服务器中的所述模型在最优分割点进行分割,所述模型在最优分割点前为第一分块,所述模型在最优分割点后为第二分块,在边缘服务器中,第一分块处理第一中间数据,在云服务器中,第二分块处理第二中间数据。
优选地,数据采集终端预测第一中间数据在边缘服务器中处理结果的第一精度,第二中间数据在云服务器中处理结果的第二精度;
基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗、第一精度和第二精度,获取所述模型的最优分割点,对边缘服务器和云服务器中的所述模型在最优分割点进行分割,所述模型在最优分割点前为第一分块,所述模型在最优分割点后为第二分块,在边缘服务器中,第一分块处理第一中间数据,在云服务器中,第二分块处理第二中间数据。
优选地,所述获取所述模型的最优分割点之前还包括:
基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗,选择最佳的边缘服务器处理第一中间数据。
优选地,判断基于原始数据获得结果是否需要立即反馈,若需要,边缘服务器反馈处理结果至数据采集终端。
优选地,基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、边缘服务器反馈处理结果至数据采集终端的反馈时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗,获取所述模型的最优分割点,对边缘服务器和云服务器中的所述模型在最优分割点进行分割,所述模型在最优分割点前为第一分块,所述模型在最优分割点后为第二分块,在边缘服务器中,第一分块处理第一中间数据,在云服务器中,第二分块处理第二中间数据。
优选地,判断基于原始数据获得结果能否直接利用,若能,边缘服务器反馈处理结果至数据采集终端。
优选地,基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、边缘服务器反馈处理结果至数据采集终端的反馈时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗,获取所述模型的最优分割点,对边缘服务器和云服务器中的所述模型在最优分割点进行分割,所述模型在最优分割点前为第一分块,所述模型在最优分割点后为第二分块,在边缘服务器中,第一分块处理第一中间数据,在云服务器中,第二分块处理第二中间数据。
优选地,所述原始数据包括:
种植数据:种植时间、品种、种子特性、生长周期;
收获数据:收获数量、成品率、着虫率;
环境数据:温度、湿度、光照、土壤成分;
储藏数据:储藏周期、储藏条件、腐坏时间、腐坏程度;
营养数据:营养成分、营养价值、营养成分含量。
本发明还提出一种面向农产品种植的边缘学习模型在线分割***,包括:
数据采集终端,用于接收各种农产品的原始数据,预测原始数据在数据采集终端的第一处理时间,数据采集终端的第一中间数据在边缘服务器中的第二处理时间,边缘服务器中的第二中间数据在云服务器中的第三处理时间,数据采集终端的第一中间数据传输至边缘服务器所需的第一传输时间,边缘服务器中的第二中间数据传输至云服务器所需的第二传输时间,预测原始数据在数据采集终端的第一处理能耗,数据采集终端的第一中间数据在边缘服务器中的第二处理能耗,边缘服务器中的第二中间数据在云服务器中的第三处理能耗,数据采集终端的第一中间数据传输至边缘服务器所需的第一传输能耗,边缘服务器中的第二中间数据传输至云服务器所需的第二传输能耗,基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗,获取所述模型的最优分割点,对边缘服务器和云服务器中的所述模型在最优分割点进行分割,所述模型在最优分割点前为第一分块,所述模型在最优分割点后为第二分块;
边缘服务器,用于接收训练好的模型,基于第一分块处理第一中间数据;
云服务器,用于接收训练好的模型,基于第二分块处理第二中间数据。
本发明的面向农产品种植的边缘学习模型在线分割方法和***,通过预测数据在边缘服务器和云服务器中的处理时间和处理能耗,获取模型的最优分割点,将数据在边缘服务器和云服务中分别处理,得到最佳的处理效果。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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示出了本发明实施例的面向农产品种植的边缘学习模型在线分割方法的流程图;
图2示出了本发明实施例中边缘服务器和云服务器的结构示意图;
图3示出了本发明实施例中边缘服务器和云服务器计算和传输过程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有的农场品种植优化方法有以下三种方案:
1.农产品定制化种植与全程溯源平台方法
预定服务—制定种植及管理—视频直播监控种植过程
2.基于大数据的农业种植方法
销量/价格—选择种类—土壤/生长规律—选择土壤—配套灌溉方案
3.基于农业物联网和大数据分析的种植计划优化***和方法
销售数据、土地数据、气象数据+知识库—种植优化模型—优化***
上述三种方案所参考的因素较少,无法得到最佳的种植效果。
参照图1,本发明的实施例提出一种面向农产品种植的边缘学习模型在线分割方法,应用在农产品种植领域,基于在线分割方法给出当前农产品的最佳种植优化方法,得到最佳的种植效果。
本实施例采集多方面农产品数据,这里统称为原始数据,利用这些原始数据获取最佳的在线分割方法,本实施例中原始数据具体包括:
种植数据:种植时间、品种、种子特性、生长周期;
收获数据:收获数量、成品率、着虫率;
环境数据:温度、湿度、光照、土壤成分;
储藏数据:储藏周期、储藏条件、腐坏时间、腐坏程度;
营养数据:营养成分、营养价值、营养成分含量;
销售数据:销售额、销售价格、销售区域。
在另外的实施方式,采集的原始数据不限于本实施例所列举的,还可以增加相关的数据,也可以删除本实施例中所列举的部分数据。
根据需要采集的数据,设置相应的数据采集终端,数据采集终端具有一定的计算能力。可以布置相应的具有计算能力传感器,通过传感器获取原始数据,例如环境数据,可以安装温度传感器、湿度传感器等来获取种植区域的环境数据,也可以不安装传感器,通过与当地的天气预报***连接,数据采集终端从天气预报***中获取环境数据,部分数据还可以人为提供的,例如销售数据可以人为输入至数据采集终端。部署云服务器和多个边缘服务器,边缘服务器的数量根据数据量的大小、数据的复杂程度设定,一个数据采集终端连接多个边缘服务器,所有边缘服务器与云服务器连接。
根据原始数据的类型获取不同的模型,例如种植模型、收获模型、环境模型、储藏模型、营养模型和需求模型。对历史数据打标签,利用打了标签的数据多个模型进行训练,得到训练好的模型。将训练好的模型部署在云服务器和多个边缘服务器中,数据采集终端和边缘服务器的结构如图2所示。数据采集终端、边缘服务器和云服务器对数据进行处理,处理过程如图3所示,原始数据先由数据采集终端进行计算,得到模型的最佳分割点和选取最佳的边缘服务器,数据采集终端将原始数据进行处理,得到第一中间数据,再将第一中间数据发送至最佳的边缘服务器,最佳的边缘服务器处理得到第二中间数据,边缘服务器再将第二中间数据发送至云服务器,云服务器处理得到最终结果。现在要解决的问题是每一类原始数据应当在那个边缘服务器中处理,数据的哪些处理过程是在边缘服务器中进行的,哪些处理过程是在云服务器中进行。
多个数据采集终端同时获取一次原始数据,每次获取到原始数据后,将原始数据分类分层次,即是将采集到的数据划分为营养数据、环境数据、收获数据等等。数据采集终端分别预测原始数据在数据采集终端处理所需的第一处理时间、在各个边缘服务器中第一中间数据处理所需的第二处理时间,在云服务器中第二中间数据处理所需的第三处理时间,数据采集终端的第一中间数据传输至边缘服务器所需的第一传输时间,边缘服务器中的第二中间数据传输至云服务器所需的第二传输时间。分别数据采集终端的第一处理能耗,数据采集终端的第一中间数据在边缘服务器中的第二处理能耗,边缘服务器中的第二中间数据在云服务器中的第三处理能耗,数据采集终端的第一中间数据传输至边缘服务器所需的第一传输能耗,边缘服务器中的第二中间数据传输至云服务器所需的第二传输能耗。基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗,运用运筹学方法动态规划,给每一类原始数据分配最佳的边缘服务器进行处理。通过上述方法,解决了每一类第一中间数据应当在那个边缘服务器中处理的问题。
基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗,获取模型的最优分割点,对边缘服务器和云服务器中的所述模型在最优分割点进行分割,所述模型在最优分割点前为第一分块,所述模型在最优分割点后为第二分块,在边缘服务器中,第一分块处理第一中间数据,在云服务器中,第二分块处理第二中间数据。
示例性的,以环境数据为例,传感器采集到的原始数据,设有三个边缘服务器,三个边缘服务器的编号分别为①、②和③,传感器预测原始数据在数据采集终端的第一处理时间,三个边缘服务器处理第一中间数据所需的第二处理时间,在云服务器中第二中间数据处理所需的第三处理时间,数据采集终端的第一中间数据传输至边缘服务器所需的第一传输时间,边缘服务器中的第二中间数据传输至云服务器所需的第二传输时间。传感器预测原始数据在数据采集终端处理所需的第一处理能耗,数据采集终端的第一中间数据在边缘服务器中的第二处理能耗,边缘服务器中的第二中间数据在云服务器中的第三处理能耗,数据采集终端的第一中间数据传输至边缘服务器所需的第一传输能耗,边缘服务器中的第二中间数据传输至云服务器所需的第二传输能耗。基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗,运用运筹学方法动态规划,得出③号边缘服务器为处理环境数据最佳的边缘服务器。
传感器对环境数据进行处理得到第一中间数据,第一中间数据到达③号边缘服务器后,基于之前预测的原始数据在③号边缘服务器中的第二处理时间,③号边缘服务器中的第二中间数据在云服务器中的第三处理时间,传感器中的第一中间数据发送至边缘服务器所需的第一传输时间,③号边缘服务器中的第二中间数据传输至云服务器所需的第二传输时间;以及环境数据在数据采集终端处理所需的第一处理能耗,第一中间数据在③号边缘服务器中处理所需的第二处理能耗,③号边缘服务器中的第二中间数据在云服务器中处理所需的第三处理能耗,数据采集终端的第一中间数据传输至边缘服务器所需的第一传输能耗,③号边缘服务器中的第二中间数据传输至云服务器所需的第二传输能耗。基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗,获取环境模型的最优分割点,对③号边缘服务器和云服务器中的环境模型在最优分割点进行分割,环境模型在最优分割点前为第一分块,环境模型在最优分割点后为第二分块,在③号边缘服务器中,第一分块处理第一中间数据,在云服务器中,第二分块处理第二中间数据。云服务器处理完成后,云服务器给出当前最佳种植优化方法。
其他的种植数据、收获数据、环境数据、储藏数据、营养数据、销售数据的处理流程同上述。每一类数据都经数据采集终端、边缘服务器和云服务器处理后都可以给出当前最佳的种植优化方法,不同类的数据可以相互结合给出最佳的种植优化方法。
数据采集终端定时采集数据,经处理后给出当前最佳种植优化方法,例如可以每隔一天采集一次数据,每天给出一个最佳种植优化方法。
上述在线分割方法具有以下几点优势:
数据采集终端和边缘服务器为企业所有,算力强大的云服务器为提供商所有,将数据经边缘服务器处理后再上传至云服务器可有效保护企业数据隐私。
将模型分割成两部分,一部分在算力弱的边缘服务器上执行,另一部分在算力强的云服务器上执行,能有效减少整个计算延迟,能提高很好的实时性。原因是模型某些层的中间数据是小于原始数据的,因此可以减少网络负载。
另外当原始数据量或中间数据量较大较复杂时,边缘服务器或云服务器不能及时处理,存在数据的等待时间,这部分时间也会影响数据处理的总时间,因此也需要将等待时间算在内。数据采集终端预测第一中间数据在边缘服务器的第一等待时间,第二中间数据在云服务器中的第二等待时间。基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、第一等待时间、第二等待时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗,获知最佳边缘服务器,又基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、第一等待时间、第二等待时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗,获取所述模型的最优分割点,对边缘服务器和云服务器中的所述模型在最优分割点进行分割,所述模型在最优分割点前为第一分块,所述模型在最优分割点后为第二分块,在边缘服务器中,第一分块处理所述第一中间数据,在云服务器中,第二分块处理第二中间数据。
另外还可以考虑数据在边缘服务器和云服务器中的处理精度,数据采集终端预测第一中间数据在边缘服务器中处理结果的第一精度,第二中间数据在云服务器中处理结果的第二精度。基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗、第一精度和第二精度,获知最佳边缘服务器,又基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗、第一精度和第二精度,获取所述模型的最优分割点,对边缘服务器和云服务器中的所述模型在最优分割点进行分割,所述模型在最优分割点前为第一分块,所述模型在最优分割点后为第二分块,在边缘服务器中,第一分块处理第一中间数据,在云服务器中,第二分块处理第二中间数据。
部分原始数据被边缘服务器处理后的第一中间数据可以直接拿来利用,因此当边缘服务器处理得到第一中间数据后,判断第一中间数据能否被直接利用,如果能直接利用,边缘服务器同时将第一中间数据发送至数据采集终端,,用户根据数据采集终端显示的第一中间数据即可得出种植优化方法。
部分原始数据被边缘服务器处理后的第一中间数据可能需要立即反馈,因此当边缘服务器处理得到第一中间数据后,判断第一中间数据是否需要立即反馈,如果需要立即反馈,边缘服务器同时将第一中间数据发送至数据采集终端被用户利用。
边缘服务器将第一中间数据反馈至数据采集终端的时间称为反馈时间,基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、反馈时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗,获取最佳边缘服务器,同时获取所述模型的最优分割点,对边缘服务器和云服务器中的所述模型在最优分割点进行分割,所述模型在最优分割点前为第一分块,所述模型在最优分割点后为第二分块,在边缘服务器中,第一分块处理第一中间数据,在云服务器中,第二分块处理第二中间数据。
定义Ci[j]表达当前的最小时间取值。
考查在第一个时间片(i=1)的第一个数据采集终端(j=1)上产生的任务,此时因为没有其他任务竞争,按照最优方式选取分割点和边缘服务器即可。
考查在第一个时间片(i=1)的第二个数据采集终端(j=2)上产生的任务,此时再分配任务时需考虑第一个任务的分配情况,进而选取合适的分割点或服务器。可以求得其中右边符号的含义表示在满足第一个分配C1[1]前提下找到的最小
继续第二轮。第二个时间片(i=2)的第一个终端(j=1)的计算公式为第二个终端(j=2)的计算公式为按照这种方法分配计算下去,得到最终的Cn[m]。最终所有任务消耗的时间是经过以上步骤,这将是一个较优的取值。
本发明的实施例还提出一种面向农产品种植的边缘学习模型在线分割***,包括:
数据采集终端,用于接收各种农产品的原始数据,预测原始数据在边缘服务器中的第一处理时间,边缘服务器中的中间数据在云服务器中的第二处理时间,边缘服务器中的中间数据传输至云服务器所需的传输时间,预测原始数据在边缘服务器中的第一处理能耗,边缘服务器中的中间数据在云服务器中的第二处理能耗,边缘服务器中的中间数据传输至云服务器所需的传输能耗,基于第一处理时间、第二处理时间、传输时间、第一处理能耗、第二处理能耗和传输能耗,获取所述模型的最优分割点,对边缘服务器和云服务器中的所述模型在最优分割点进行分割,所述模型在最优分割点前为第一分块,所述模型在最优分割点后为第二分块;
边缘服务器,用于接收训练好的模型,基于第一分块处理所述原始数据;
云服务器,用于接收训练好的模型,基于第二分块处理所述中间数据。
尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种面向农产品种植的边缘学习模型在线分割方法,其特征在于,
将训练好的模型部署在边缘服务器和云服务器中;
数据采集终端接收各种农产品的原始数据;
数据采集终端预测原始数据在数据采集终端的第一处理时间,数据采集终端的第一中间数据在边缘服务器中的第二处理时间,边缘服务器中的第二中间数据在云服务器中的第三处理时间,数据采集终端的第一中间数据传输至边缘服务器所需的第一传输时间,边缘服务器中的第二中间数据传输至云服务器所需的第二传输时间;
数据采集终端预测原始数据在数据采集终端的第一处理能耗,数据采集终端的第一中间数据在边缘服务器中的第二处理能耗,边缘服务器中的第二中间数据在云服务器中的第三处理能耗,数据采集终端的第一中间数据传输至边缘服务器所需的第一传输能耗,边缘服务器中的第二中间数据传输至云服务器所需的第二传输能耗;
基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗,获取所述模型的最优分割点,对边缘服务器和云服务器中的所述模型在最优分割点进行分割,所述模型在最优分割点前为第一分块,所述模型在最优分割点后为第二分块,在边缘服务器中,第一分块处理第一中间数据,在云服务器中,第二分块处理第二中间数据。
2.根据权利要求1所述的面向农产品种植的边缘学习模型在线分割方法,其特征在于,
数据采集终端预测第一中间数据在边缘服务器的第一等待时间,第二中间数据在云服务器中的第二等待时间;
基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、第一等待时间、第二等待时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗,获取所述模型的最优分割点,对边缘服务器和云服务器中的所述模型在最优分割点进行分割,所述模型在最优分割点前为第一分块,所述模型在最优分割点后为第二分块,在边缘服务器中,第一分块处理第一中间数据,在云服务器中,第二分块处理第二中间数据。
3.根据权利要求1所述的面向农产品种植的边缘学习模型在线分割方法,其特征在于,
数据采集终端预测第一中间数据在边缘服务器中处理结果的第一精度,第二中间数据在云服务器中处理结果的第二精度;
基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗、第一精度和第二精度,获取所述模型的最优分割点,对边缘服务器和云服务器中的所述模型在最优分割点进行分割,所述模型在最优分割点前为第一分块,所述模型在最优分割点后为第二分块,在边缘服务器中,第一分块处理第一中间数据,在云服务器中,第二分块处理第二中间数据。
4.根据权利要求1-3中任一项所述的面向农产品种植的边缘学习模型在线分割方法,其特征在于,所述获取所述模型的最优分割点之前还包括:
基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗,选择最佳的边缘服务器处理第一中间数据。
5.根据权利要求1-3中任一项所述的面向农产品种植的边缘学习模型在线分割方法,其特征在于,判断基于原始数据获得结果是否需要立即反馈,若需要,边缘服务器反馈处理结果至数据采集终端。
6.根据权利要求5所述的面向农产品种植的边缘学习模型在线分割方法,其特征在于,基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、边缘服务器反馈处理结果至数据采集终端的反馈时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗,获取所述模型的最优分割点,对边缘服务器和云服务器中的所述模型在最优分割点进行分割,所述模型在最优分割点前为第一分块,所述模型在最优分割点后为第二分块,在边缘服务器中,第一分块处理第一中间数据,在云服务器中,第二分块处理第二中间数据。
7.根据权利要求1-3中任一项所述的面向农产品种植的边缘学习模型在线分割方法,其特征在于,判断基于原始数据获得结果能否直接利用,若能,边缘服务器反馈处理结果至数据采集终端。
8.根据权利要求7所述的面向农产品种植的边缘学习模型在线分割方法,其特征在于,基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、边缘服务器反馈处理结果至数据采集终端的反馈时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗,获取所述模型的最优分割点,对边缘服务器和云服务器中的所述模型在最优分割点进行分割,所述模型在最优分割点前为第一分块,所述模型在最优分割点后为第二分块,在边缘服务器中,第一分块处理第一中间数据,在云服务器中,第二分块处理第二中间数据。
9.根据权利要求1-3中任一项所述的面向农产品种植的边缘学习模型在线分割方法,其特征在于,所述原始数据包括:
种植数据:种植时间、品种、种子特性、生长周期;
收获数据:收获数量、成品率、着虫率;
环境数据:温度、湿度、光照、土壤成分;
储藏数据:储藏周期、储藏条件、腐坏时间、腐坏程度;
营养数据:营养成分、营养价值、营养成分含量。
10.一种面向农产品种植的边缘学习模型在线分割***,其特征在于,包括:
数据采集终端,用于接收各种农产品的原始数据,预测原始数据在数据采集终端的第一处理时间,数据采集终端的第一中间数据在边缘服务器中的第二处理时间,边缘服务器中的第二中间数据在云服务器中的第三处理时间,数据采集终端的第一中间数据传输至边缘服务器所需的第一传输时间,边缘服务器中的第二中间数据传输至云服务器所需的第二传输时间,预测原始数据在数据采集终端的第一处理能耗,数据采集终端的第一中间数据在边缘服务器中的第二处理能耗,边缘服务器中的第二中间数据在云服务器中的第三处理能耗,数据采集终端的第一中间数据传输至边缘服务器所需的第一传输能耗,边缘服务器中的第二中间数据传输至云服务器所需的第二传输能耗,基于第一处理时间、第二处理时间、第三处理时间、第一传输时间、第二传输时间、第一处理能耗、第二处理能耗、第三处理能耗、第一传输能耗和第二传输能耗,获取所述模型的最优分割点,对边缘服务器和云服务器中的所述模型在最优分割点进行分割,所述模型在最优分割点前为第一分块,所述模型在最优分割点后为第二分块;
边缘服务器,用于接收训练好的模型,基于第一分块处理第一中间数据;
云服务器,用于接收训练好的模型,基于第二分块处理第二中间数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011121765.2A CN112468533B (zh) | 2020-10-20 | 2020-10-20 | 一种面向农产品种植的边缘学习模型在线分割方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011121765.2A CN112468533B (zh) | 2020-10-20 | 2020-10-20 | 一种面向农产品种植的边缘学习模型在线分割方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112468533A true CN112468533A (zh) | 2021-03-09 |
CN112468533B CN112468533B (zh) | 2023-01-10 |
Family
ID=74833428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011121765.2A Active CN112468533B (zh) | 2020-10-20 | 2020-10-20 | 一种面向农产品种植的边缘学习模型在线分割方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112468533B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011015336A (ja) * | 2009-07-06 | 2011-01-20 | Nippon Telegr & Teleph Corp <Ntt> | 無線通信システムおよびスケジュール方法 |
US20140295866A1 (en) * | 2013-03-28 | 2014-10-02 | Electronics And Telecommunications Research Institute | Method and apparatus for dynamically allocating resource |
CN108845659A (zh) * | 2018-01-30 | 2018-11-20 | 武汉大学 | 一种功耗优先的嵌入式处理器实时任务分配方法 |
CN109472361A (zh) * | 2018-11-13 | 2019-03-15 | 钟祥博谦信息科技有限公司 | 神经网络优化方法 |
CN109669768A (zh) * | 2018-12-11 | 2019-04-23 | 北京工业大学 | 一种面向边云结合架构的资源分配和任务调度方法 |
CN111245950A (zh) * | 2020-01-20 | 2020-06-05 | 南京邮电大学 | 基于深度学习的工业物联网边缘资源智能调度***及方法 |
CN111522666A (zh) * | 2020-04-27 | 2020-08-11 | 西安工业大学 | 一种云机器人边缘计算卸载模型及其卸载方法 |
CN111694664A (zh) * | 2020-06-04 | 2020-09-22 | 海南大学 | 一种边缘服务器的计算卸载分配方法 |
-
2020
- 2020-10-20 CN CN202011121765.2A patent/CN112468533B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011015336A (ja) * | 2009-07-06 | 2011-01-20 | Nippon Telegr & Teleph Corp <Ntt> | 無線通信システムおよびスケジュール方法 |
US20140295866A1 (en) * | 2013-03-28 | 2014-10-02 | Electronics And Telecommunications Research Institute | Method and apparatus for dynamically allocating resource |
CN108845659A (zh) * | 2018-01-30 | 2018-11-20 | 武汉大学 | 一种功耗优先的嵌入式处理器实时任务分配方法 |
CN109472361A (zh) * | 2018-11-13 | 2019-03-15 | 钟祥博谦信息科技有限公司 | 神经网络优化方法 |
CN109669768A (zh) * | 2018-12-11 | 2019-04-23 | 北京工业大学 | 一种面向边云结合架构的资源分配和任务调度方法 |
CN111245950A (zh) * | 2020-01-20 | 2020-06-05 | 南京邮电大学 | 基于深度学习的工业物联网边缘资源智能调度***及方法 |
CN111522666A (zh) * | 2020-04-27 | 2020-08-11 | 西安工业大学 | 一种云机器人边缘计算卸载模型及其卸载方法 |
CN111694664A (zh) * | 2020-06-04 | 2020-09-22 | 海南大学 | 一种边缘服务器的计算卸载分配方法 |
Non-Patent Citations (3)
Title |
---|
CHE-WEI HSU: "Energy-Efficient Edge Offloading in Heterogeneous Industrial IoT Networks for Factory of Future", 《IEEE ACCESS》 * |
孙立: "面向边缘智能产业的工业大数据服务研究", 《信息与电脑(理论版)》 * |
郭煜: "移动边缘计算中带有缓存机制的任务卸载策略", 《计算机应用与软件》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112468533B (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Manogaran et al. | ISOF: information scheduling and optimization framework for improving the performance of agriculture systems aided by industry 4.0 | |
Fedorov et al. | Process of digital transformation of agrarian economy | |
CN111045828A (zh) | 基于配电网台区终端的分布式边缘计算方法和相关装置 | |
De Toro et al. | Cereal harvesting–strategies and costs under variable weather conditions | |
CN115511194B (zh) | 一种农业数据处理方法、***、装置及介质 | |
CN104123595A (zh) | 一种配电网负荷预测方法及*** | |
Chaterji et al. | Lattice: A vision for machine learning, data engineering, and policy considerations for digital agriculture at scale | |
CN113298537A (zh) | 基于物联网的稻米全链条质量信息智能检测***及方法 | |
JP2020024702A (ja) | 生産流通管理システム、管理方法、及びプログラム | |
Kedlaya et al. | An efficient algorithm for predicting crop using historical data and pattern matching technique | |
CA3139212A1 (en) | Agricultural or industrial supply chain distributed network using multi-input decision algorithm | |
Bujang et al. | Agriculture 4.0: Data-Driven Approach to Galvanize Malaysia's Agro-Food Sector Development | |
CN112468533B (zh) | 一种面向农产品种植的边缘学习模型在线分割方法和*** | |
Xiaoshuan et al. | A forecasting support system for aquatic products price in China | |
CN116703083A (zh) | 一种基于人工智能的可控农业栽培管理***及方法 | |
CN106878671B (zh) | 一种养殖场多目标视频分析方法及其*** | |
Zhuang et al. | Intelligent decision method of multi-agricultural commodity model based on machine learning | |
CN116016591A (zh) | 一种用于数字孪生的数据采集方法及*** | |
CN111582408B (zh) | 数据处理方法、数据处理装置、存储介质和电子设备 | |
Wu et al. | Using long short-term memory for building outdoor agricultural machinery | |
Baghel et al. | AI, IoT and Cloud Computing Based Smart Agriculture | |
CN110673483B (zh) | 一种基于移动物联网技术的畜禽智能养殖***及方法 | |
Borodin et al. | A decision support system for efficient crop production supply chain management | |
Jaimahaprabhu et al. | Cloud analytics based farming with predictive analytics using artificial intelligence | |
CN111062554B (zh) | 农作物产期产量管理分析*** |
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 |