一种基于云边协同的深度学习算法迭代方法与流程

本发明涉及设备管理与物联网应用，特别是涉及一种基于云边协同的深度学习算法迭代方法。

背景技术：

1、基于深度学习的图像处理系统能够检测以不同形式出现的物体和特征，并可以更好的识别出变量环境中的物体，因此其在工业生产中得到了广泛应用。但是基于深度学习的系统在执行不同的检测任务时所使用的算法模型是各不相同的，若要根据不同的现场需求去人工部署调试算法十分耗费人力；同时在实际应用的工业现场还需要根据现场实际情况对算法模型实现更新迭代，基于深度学习的图像处理系统的算法迭代需要大量的现场数据支持，需要从工业现场采集数据进行标注，再由高性能服务器载入卷积神经网络进行训练，再由人工将迭代升级后的算法更新至对应的现场系统，整个算法迭代的过程的耗时较长，并且需要多名技术人员前往现场，低效且人力成本高。

技术实现思路

1、针对以上技术问题，本发明提供一种基于云边协同的深度学习算法迭代方法。

2、本发明解决其技术问题采用的技术方案是：

3、一种基于云边协同的深度学习算法迭代方法，方法包括以下步骤：

4、s100：将边缘计算设备部署至工业现场，与视觉传感器进行连接并与云端平台建立通信，获取视觉传感器所传输图像数据与现场的任务要求；云端平台定义有对于图像数据处理的方法，视觉传感器上定义对应图像数据处理方法的调用方法；根据视觉传感器所传输图像数据与现场的任务要求得到相应的图像处理算法配置请求，并发送至云端平台；

5、s200：云端平台接收到图像处理算法配置请求后，从算法仓库中获取对应图像处理算法包并下发至对应的边缘计算设备；其中，图像处理算法包中包括算法模型；

6、s300：边缘计算设备对图像数据进行预处理，得到预处理后的图像数据，并运行图像处理算法包后得到运行状况和处理结果，将运行状况、处理结果和预处理后的图像数据发送至云端平台；

7、s400：云端平台对运行状况及处理结果进行分析，判断对应边缘计算设备的处理结果是否满足预期要求，若是，则返回步骤s300处理下一图像数据，若否，则进入下一步；

8、s500：云端平台从预处理后的图像数据中取出运行结果未达预期要求的数据，完成在线数据标注与审核，根据新的标注审核数据和历史数据自动进行算法模型训练，生成新的算法模型并进行测试验证得到最优模型，更新图像处理算法包；

9、s600：云端平台将更新后的图像处理算法包下发至对应的边缘计算设备，边缘计算设备自动更新运行。

10、优选地，步骤s100中的边缘计算设备与云端平台建立通信包括可由单个边缘计算设备与云端平台进行通讯，也可由多个边缘计算设备建立边缘集群与云端平台进行通讯。

11、优选地，步骤s100中边缘计算设备与视觉传感器进行连接并与云端平台建立通信，包括：

12、边缘计算设备可通过rj-45以太网接口以及usb3.2gen1与视觉传感器建立数据连接；

13、边缘计算设备本身可通过wi-fi、以太网、4g中的任意一种与云端平台进行单独通信，上传运行状况、处理结果和预处理后的图像数据。

14、优选地，还包括：

15、同一现场的边缘计算设备可通过物联网网关，利用rs232或rs484串口建立边缘集群，由一台边缘计算设备与云端平台进行通信，上传边缘集群中边缘计算设备的数据。

16、优选地，边缘计算设备包括第一通信服务模块、算法配置与更新模块、算法运行模块和系统管理模块，第一通信服务模块连接算法配置与更新模块，算法配置与更新模块连接算法运行模块，算法运行模块连接系统管理模块，系统管理模块连接第一通信服务模块；

17、第一通信服务模块用于云端平台交互的数据收发以及与其他互联网实体的数据交互服务；

18、算法配置与更新模块用于根据现场使用要求从云端平台下载对应的图像处理算法包，并根据现场实际情况进行配置，配置完成后，自动更新云端平台迭代后的算法包；

19、算法运行模块用于根据算法包中的算法模型实时进行图像处理运行，并与终端设备进行交互；

20、系统管理模块用于负责运行状况及处理过程和结果的监控和管理，并根据预设需求有选择的将运行过程中产生的运行数据存储在本地，将处理过程中产生的全局数据加密存储并上传到云端平台。

21、优选地，图像处理算法包包括缺陷检测图像处理算法、尺寸测量图像处理算法、目标定位图像处理算法和ocr识别图像处理算法。

22、优选地，云端平台包括第二通信服务模块、均连接第二通信服务模块的设备管理模块、数据仓库模块、算法仓库模块、数据标注与审核模块和模型迭代与评估模块，数据仓库模块连接数据标注与审核模块，数据标注与审核模块连接模型迭代与评估模块，模型迭代与评估模块连接算法仓库模块；

23、设备管理模块用于根据边缘计算设备上传的运行数据对其进行分析，判断其图像处理结果是否达到预期的目标，并在仪表盘集中显示在线设备的运行状况；

24、数据仓库模块用于储存边缘计算设备上传的所有历史软件版本和运行日志，用以备份回溯，同时根据边缘计算设备运行图像处理算法包的不同，分类存储边缘计算设备上传的预处理后的图像数据；

25、算法仓库模块用于存储不同应用类型及其历史版本的算法包，算法包包含了运行对应应用的所有必要文件，当边缘计算设备发起图像处理算法配置请求后，根据图像处理算法配置请求提取对应的算法包发送至对应的边缘计算设备，同时每次训练迭代后的算法模型也会存储在算法仓库，由算法仓库进行迭代模型下发；

26、数据标注与审核功能模块用于提供一个在线数据标准平台，当处理结果未达到预期时，从数据仓库中取出运行结果不理想的数据，在数据标注与审核平台推送数据标注与审核任务，以供后端维护人员在线完成数据的标注与审核；

27、模型迭代与评估模块用于根据需要优化的图像处理算法任务，基于新的标注审核数据和历史数据，自动进行算法模型训练与评估，并将迭代后的算法模型提交至算法仓库；

28、第二通信服务模块负责边缘计算设备的数据收发以及与其他互联网实体的数据交互服务。

29、优选地，步骤s300中边缘计算设备对图像数据进行预处理操作为针对不同的图像处理任务预先设定的数据的预处理规则，其中，数据的预处理规则可通过云端平台进行远程更新。

30、优选地，预先设定的数据预处理规则包括图像预分割、图像数据去重和数据清洗，其中，图像预分割为预先对视觉传感器上传的图像数据进行分割处理，裁剪掉部分背景及不需要检测的区域，保留需要进行图像算法检测的区域；图像数据去重为自动屏蔽重复的图像数据，不对其进行上传处理；数据清洗为对边缘计算设备需要上传的数据中，重复的运行状况、未运行的图像处理方案、无效设备输出的处理结果以及无效的图像数据进行清洗。

31、优选地，步骤s300中边缘计算设备上传的运行状况与处理结果为实时上传的数据，而预处理后的图像数据则需要在图像检测系统未运行时进行上传；其中，图像检测系统为调用云端平台下发的算法包对图像进行处理的程序系统。

32、上述一种基于云边协同的深度学习算法迭代方法，利用云边协同的便捷性，可将不同的图像处理算法包快捷的部署到边缘计算设备，节省了大量人力物力，利用云端平台丰富的计算和存储资源，采用方便快捷的在线数据标注与审核模式，以增量稳定的图像算法迭代模型为基础实现深度学习算法模型的高效迭代升级。