基于人工智能生成预警图片的方法、系统以及存储介质与流程

本发明涉及人工智能技术领域，尤其涉及一种基于人工智能生成预警图片的方法、系统以及存储介质。

背景技术：

现有的摄像头设备，只能单独对视频进行监控、报警、查看等简功能，现有的移动互联网，只有简单的局域网使用控制，并不能实现只能场景识别切换，现有的人工智能，只有单一的智能场景处理，移动互联网并没有与人工智能以及对象存储网络相结合，产生很大的局限，不能适用于多种不同的场景。

技术实现要素：

本发明提供一种基于人工智能生成预警图片的方法、系统以及存储介质，以解决移动互联网并没有与人工智能以及对象存储网络相结合，产生很大的局限，不能适用于多种不同的场景的问题。

一种基于人工智能生成预警图片的方法，包括：

人工智能服务器接收视频流；

所述人工智能服务器从对象存储网络中获取到所需的若干个人工智能运算推理模型；

所述人工智能服务器通过若干个所述人工智能运算推理模型从所述视频流中获取对应的预警图片；

所述人工智能服务器将所述预警图片上传至所述对象存储网络进存储，并将所述预警图片对应的图片信息发送至公有云端，以使所述公有云端根据图片存储路径从对象存储网络获取到所述预警图片，并将所述预警图片以及对应的图片信息发送至终端，其中，所述图片存储路径为所述对象存储网络根据预警图片的存储结果从所述对象存储网络获取。

一种基于人工智能生成预警图片的方法，包括：

公有云端从人工智能服务器中获取到预警图片对应的图片信息，其中所述预警图片是所述人工智能服务器从对象存储网络中获取到所需的若干个人工智能运算推理模型后，通过若干个所述人工智能运算推理模型从所述视频流中获取的；

所述公有云端从对象存储网络中获取到预警图片的图片存储路径；

所述公有云端根据所述图片存储路径从对象存储网络获取到预警图片，并将所述预警图片以及对应的图片信息发送至终端。

一种基于人工智能生成预警图片系统，包括：

所述人工智能服务器，用于接收视频流；

所述人工智能服务器，还用于从对象存储网络中获取到所需的若干个人工智能运算推理模型；

所述人工智能服务器，还用于通过所述若干个人工智能运算推理模型从所述视频流中获取对应的预警图片；

所述人工智能服务器，用于将所述预警图片上传至所述对象存储网络进行存储，并将所述预警图片对应的图片信息发送至公有云端；

所述对象存储网络，用于根据所述预警图片的存储结果将所述预警图片的图片存储路径发送至所述公有云端；

所述公有云端，用于根据所述图片存储路径从对象存储网络获取到所述预警图片，并将所述预警图片以及对应的图片信息发送至所述终端。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于人工智能生成预警图片的方法的步骤。

上述基于人工智能生成预警图片的方法、系统以及存储介质，所实现的其中一个方案中，人工智能服务器接收视频流，对象存储网络中存储有多种人工智能运算推理模型，人工智能服务器从对象存储网络中获取到所需的若干个人工智能运算推理模型，通过所述若干个人工智能运算推理模型从所述视频流中获取对应的预警图片，由此，人工智能服务器可以从对象存储网络中获取到不同的的人工智能运算推理模型，接着，人工智能服务器将所述预警图片上传至所述对象存储网络进行存储，并将所述预警图片对应的图片信息发送至公有云端，使所述公有云端根据图片存储路径从对象存储网络获取到所述预警图片，并将所述预警图片以及对应的图片信息发送至终端，以实现迅速切换不同的适用场景；人工智能服务器将所述预警图片上传至所述对象存储网络进行存储，并将所述预警图片对应的图片信息发送至公有云端，所述公有云端根据图片存储路径从对象存储网络获取到所述预警图片，并将所述预警图片以及对应的图片信息发送至终端，以通过所述终端向用户展示所述预警图片以及对应的图片信息，解决人工智能服务器与对象存储网络、公有云端以及公有云端与终端的互联需求，提高了人工智能、移动互联网与用户之间交互的便利性和可行性。

附图说明

为了更清楚地说明本发明的技术方案，下面将对本发明的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中基于人工智能生成预警图片的方法的一应用环境示意图；

图2是本发明一实施例中基于人工智能生成预警图片的方法的一流程图；

图3是本发明一实施例中基于人工智能生成预警图片的方法的另一流程图；

图4是本发明一实施例中基于人工智能生成预警图片的方法的另一流程图；

图5是本发明一实施例中基于人工智能生成预警图片的方法的另一流程图；

图6是本发明一实施例中基于人工智能生成预警图片的方法的另一流程图；

图7是本发明一实施例中计算机设备的一示意图；

具体实施方式

下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，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，都属于本发明保护的范围。

本发明实施例提供的基于人工智能生成预警图片的方法，该基于人工智能生成预警图片的方法可应用如图1所示的应用环境中。具体地，该基于人工智能生成预警图片的方法应用在页面渲染系统中，该页面渲染系统包括如图1所示的终端、静态资源服务器和接口服务器，终端与静态资源服务器以及接口服务器通过网络进行通信。其中，终端又称为用户端，是指与静态资源服务器以及接口服务器相对应，为客户提供本地服务的程序。终端可安装在但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备上。静态资源服务器以及接口服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一实施例中，如图2所示，提供一种基于人工智能生成预警图片的方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：

s10：人工智能服务器接收视频流；

其中，可以通过摄像头采集视频流，再将视频流发送至人工智能服务器，还可以通过其他方式获取视频流，具体本发明不做限定。作为一种扩展，摄像头采集到的视频流可以是路面监控的视频流、业务窗口监控的视频流、执法记录仪监控的视频流以及家用监控仪的视频流。

s20：所述人工智能服务器从对象存储网络中获取到所需的若干个人工智能运算推理模型；

可选地，人工智能运算推理模型可以包括有人脸识别模型、险情检测模型、交通事故检测模型、闯红灯识别模型等，具体本发明不做限定。

s30：通过所述若干个人工智能运算推理模型从所述视频流中获取对应的预警图片；

例如，人工智能服务器从对象存储网络中获取到人工智能运算推理模型“交通事故模型”以及“闯红灯识别模型”，首先，人工智能运算推理模型为“交通事故模型”时，通过人工智能运算推理模型“交通事故模型”从视频流中获取对应的车辆发生碰撞的预警图片，进一步地，将预警图片中的事故区域用红色的框图圈出，再将车辆发生碰撞的预警图片上传至对象存储网络存储中进行存储；其次，人工智能运算推理模型为“闯红灯识别模型”时，通过人工智能运算推理模型“闯红灯识别模型”从视频流中获取对应的行人闯红灯的预警图片，进一步地，将预警图片中闯红灯的行人用红色的框图圈出，再将行人闯红灯的预警图片上传至对象存储网络存储中进行存储。

可理解地，由于对象存储网络中存储有若干个人工智能运算推理模型，再通过不同的人工智能运算推理模型从视频流中获取不同的预警图片，由此，可以通过不同的人工智能运算推理模型以应用到到不同的适用场景，可快速切换到不同的场景。

在一实施例中，如图3所示，步骤s31中，也即所述人工智能服务器通过所述若干个人工智能运算推理模型从所述视频流中获取对应的预警图片，具体包括如下步骤：

s31：所述人工智能服务器将所述视频流进行备份，得到所述视频流对应的若干个视频流分流；

其中，人工智能服务器将所述视频流进行备份，备份后得到若干个视频流对应的若干个视频流分流，例如，备份后得到若干个视频流对应的若干个视频流分流：视频流分流a、视频流分流b以及视频流分流c等。

需要注意地，将所述视频流进行备份是为了能够方便后期处理，避免对视频流进行处理后不满意，需要重新处理时视频流已经丢失的情况。

s32：所述人工智能服务器将每一所述视频流分流解析成对应的待分析图片；

人工智能服务器基于opencv将每一所述视频流解析成对应的待分析图片，例如，将视频流分流a分解成与其对应的多个待分析图片、将视频流分流b分解成与其对应的多个待分析图片、将视频流分流c分解成与其对应的多个待分析图片；

可理解地，opencv是一个基于bsd许可(开源)发行的跨平台计算机视觉和机器学习软件库，可以运行在linux、windows、android和macos操作系统上，基于opencv将视频流转成图片输出，具体地，获取视频流的总帧数，然后逐帧保存为连续的图片；进一步地，由于一个视频流包含的帧数过多，经常我们并不是需要它的全部帧转成图片，由此，可设置每隔预设的帧数再转一次图片。

s33：所述人工智能服务器将所述待分析图片输入至对应的所述人工智能运算推理模型中进行预警图片的推理预测，预测得到所述预警图片和非预警图片，并从中选出所述预警图片。

在一实施例中，如图4所示，步骤s33中，也即所述人工智能服务器将所述待分析图片输入至对应的所述人工智能运算推理模型中进行预警图片的推理预测，预测得到所述预警图片和非预警图片，具体包括如下步骤：

s331：所述人工智能服务器将所述待分析图片输入至对应的所述人工智能运算推理模型中进行预警图片的推理预测，得到待分析图片的预警概率，其中，所述预警概率是指所述待分析图片的图片类型为预警图片的概率；

其中，图片类型包括预警图片和非预警图片；人工智能服务器将所述待分析图片输入至对应的所述人工智能运算推理模型中进行预警图片的推理预测，得到待分析图片的预警概率，预警概率可以为20％、40％、70％等，具体不做限定。

s332：所述人工智能服务器判断所述预警概率是否超过预设的预警概率；

预设的预警概率是指预先设定的预警的概率，预设的预警概率可以为50％，所述人工智能服务器判断所述预警概率是否超过预设的预警概率，若所述预警概率超过预设的预警概率，则所述人工智能服务器将所述待分析图片判定为预警图片；若所述预警概率没有超过预设的预警概率，则所述人工智能服务器将所述待分析图片判定为非预警图片。

s333：若所述预警概率超过预设的预警概率，则所述人工智能服务器将所述待分析图片判定为预警图片；

若所述预警概率“60％”超过预设的预警概率“50％”，则将所述待分析图片判断为预警图片，以从中选出所述预警图片，并将预警图片上传至对象存储网络进行存储，并将预警图片对应的图片信息发送至公有云端。

s334：若所述预警概率没有超过预设的预警概率，则所述人工智能服务器将所述待分析图片判定为非预警图片。

若所述预警概率“20％”没有超过预设的预警概率“50％”，则所述人工智能服务器将所述待分析图片判定为非预警图片，进一步地，可以对非预警图片进行删除处理，只对预警图片进行存储。

在图4对应的实施例中，人工智能服务器将所述待分析图片输入至对应的所述人工智能运算推理模型中进行预警图片的推理预测，得到待分析图片的预警概率，再判断所述预警概率是否超过预设的预警概率，通过该判断结果判断出待分析图片判定为预警图片或者非预警图片，提高了推理预测的准确度。

在图3对应的实施例中，人工智能服务器将所述视频流进行备份，得到所述视频流对应的若干个视频流分流，通过备份能够防止原视频流丢失的情况，避免后期处理不满意需重新处理时找不到视频流，以提高安全性能以及处理效率，再将每一所述视频流分流解析成对应的待分析图片，最后，将所述待分析图片输入至对应的所述人工智能运算推理模型中进行预警图片的推理预测，预测得到所述预警图片和非预警图片，并从中选出所述预警图片，以实现通过所述若干个人工智能运算推理模型从所述视频流中获取对应的预警图片。

在一实施例中，如图5所示，步骤s33之后，也即所述预测得到所述预警图片和非预警图片之后，具体还包括如下步骤：

s34：所述人工智能服务器对预警图片和非预警图片进行图片类型的标识处理，得到图片类型标识后的预警图片和非预警图片；

对预警图片和非预警图片进行图片类型的标识处理，其中，图片类型的标识处理可以采用字母、数字、符号、颜色等进行标识，具体本发明不做限定，可选地，为将预警图片标为1，非预警图片标为2，或者，将预警图片标识为yes，非预警图片标识为no。

s35：所述人工智能服务器对图片类型的标识后的所述预警图片中的事故区域进行标注处理，得到事故区域标注处理后的预警图片。

对预警图片中的事故区域进行标注处理，可选地，该标注处理可以为用带颜色的框图圈出，例如，将预警图片中事故区域“闯红灯的行人”用红色的框图圈出，再将行人闯红灯的预警图片上传至对象存储网络存储中进行存储

在图5对应的实施例中，人工智能服务器对预警图片和非预警图片进行图片类型的标识处理，得到图片类型标识后的预警图片和非预警图片，以使得人工智能服务器快速识别到图片的类型；接着，对图片类型的标识后的所述预警图片中的事故区域进行标注处理，得到事故区域标注处理后的预警图片，以便于对预警图片中的事故区域进行明显的标注，便于用户直观查看到预警图片中发送事故的区域。

s40：所述人工智能服务器将所述预警图片上传至所述对象存储网络进行存储，并将所述预警图片对应的图片信息发送至公有云端，以使所述公有云端根据图片存储路径从对象存储网络获取到所述预警图片，并将所述预警图片以及对应的图片信息发送至终端，其中，所述图片存储路径为所述对象存储网络根据预警图片的存储结果从所述对象存储网络获取。

其中，人工智能服务器将所述预警图片上传至所述对象存储网络进行存储，对象存储网络根据所述预警图片的存储结果将所述预警图片的图片存储路径发送至所述公有云端人工智能服务器再将预警图片对应的图片信息发送至公有云端；图片信息是指预警图片中的事故信息、事故地点、事故类型等；公有云端根据所述图片存储路径从对象存储网络(obs存储网络)获取到所述预警图片，用户可通过公有云端查看到所述预警图片以及对应的图片信息，公有云端还将所述预警图片以及对应的图片信息发送至所述终端，用户还可以终端查看所述预警图片以及对应的图片信息。终端可以为手机或者多讲机等终端设备。

可选地，以人工智能运算推理模型“用户火灾模型”为例，预测出的预警图片为发生火灾的图片，由此，该发生火灾预警图片对应的图片信息包括火灾在图片中的起火点、火灾发生地址、起火源头等信息，以迅速告知用户家里是否发生火灾。

可选地，人工智能运算推理模型“人脸识别模型”为例，预测出的预警图片为外来人员闯入的图片，由此，该小偷闯入的图片对应的图片信息包括外来人员人数、外来人员人脸信息等，以迅速告知用户家里是否闯入外来人员，

可选地，以人工智能运算推理模型“闯红灯识别模型”为例，预测出的预警图片为行人闯红灯的图片，由此，该行人闯红灯预警图片对应的图片信息包括闯红灯人数以及闯红灯地点等信息。

可选地，人工智能运算推理模型“交通事故检测模型”为例，预测出的预警图片为发送交通事故的图片，由此，该发送交通事故的预警图片对应的图片信息包括交通事故类型、交通事故地点等，由此，以告知为交警快速确定事故地点，并判断交通事故严重等级是否满足交通出警的级别，从而节省了时间和人力。

综上，人工智能运算推理模型可以包括有人脸识别模型、险情检测模型、交通事故检测模型、闯红灯识别模型、用户火灾模型等，具体本发明不做一一限定。

在一实施例中，所述公有云端根据所述图片存储路径从对象存储网络获取到预警图片之后，具体还包括如下步骤：

所述公有云端对所述预警图片进行特征分析，得到图片特征信息；

所述公有云端根据所述图片特征信息进行模型训练，得到人工智能运算推理模型。

例如，公有云端对行人闯红灯的预警图片进行特征分析，进行图片特征信息“行人”、红灯”、“行人闯红灯”等。将图片特征信息输入给人工智能深度学习平台进行模型训练，得到一个用于检测行人是否闯红灯的人工智能运算推理模型“闯红灯识别模型”，公有云端再将，以便于后续，把该模型应用到实际的视频流预测中，从而检测出闯红灯的行人。

在本实施例中，公有云端对所述预警图片进行特征分析，得到图片特征信息，再根据所述图片特征信息进行模型训练，得到人工智能运算推理模型，一方面，可以通过预测得到的预警图片再进行模型训练，增加模型训练的样本，提高模型预测的准确度，另一方面，在公有云端进行模型训练以缓解对象存储网络的压力。

在图2对应的实施例中，人工智能服务器接收视频流，对象存储网络中存储有多种人工智能运算推理模型，人工智能服务器从对象存储网络中获取到所需的若干个人工智能运算推理模型，通过所述若干个人工智能运算推理模型从所述视频流中获取对应的预警图片，由此，人工智能服务器可以从对象存储网络中获取到不同的的人工智能运算推理模型，接着，人工智能服务器将所述预警图片上传至所述对象存储网络进行存储，并将所述预警图片对应的图片信息发送至公有云端，使所述公有云端根据图片存储路径从对象存储网络获取到所述预警图片，并将所述预警图片以及对应的图片信息发送至终端，以实现迅速切换不同的适用场景；人工智能服务器将所述预警图片上传至所述对象存储网络进行存储，并将所述预警图片对应的图片信息发送至公有云端，所述公有云端根据图片存储路径从对象存储网络获取到所述预警图片，并将所述预警图片以及对应的图片信息发送至终端，以通过所述终端向用户展示所述预警图片以及对应的图片信息，解决人工智能服务器与对象存储网络、公有云端以及公有云端与终端的互联需求，提高了人工智能、移动互联网与用户之间交互的便利性和可行性。

在一实施例中，如图6所示，所述人工智能服务器存储有主题列表，步骤s20，也即所述人工智能服务器从对象存储网络中获取到所需的若干个人工智能运算推理模型，具体包括如下步骤：

s21：所述人工智能服务器接收用户发送的主题订阅请求；

其中，用户可自行选择一个或者多个所需的订阅主题，其中，订阅主题包括人脸识别场景、交通违规场景、未带口罩场景、火灾场景、外来人员闯入场景等，具体本发明不做限定。

本方案通过注册虚拟账号及群体身份，首先，人工智能服务器接收客户端的登录请求，对客户端进行第一认证，认证通过则建立订阅连接，然后，人工智能服务器接收用户发送的主题订阅请求；进一步地，根据接收到的客户端标识，通过判断该客户端标识对应的客户端是否建立订阅连接，来对客户端进行第一认证，若客户端标识存在于人工智能服务器，则说明该客户端标识对应的客户端已建立订阅连接，认证成功，若客户端标识不存在于人工智能服务器，则说明该客户端标识对应的客户端未建立订阅连接，认证失败。

s22：所述人工智能服务器根据接收到的所述主题订阅请求，将所述主题订阅请求对应的订阅主题与所述主题列表进行对比认证；

其中，主题列表用于存储订阅主题，判断用户订阅的主题是否与主题列表中的相同，若相同，则将该主题对应的订阅信息推送至公有云端。

将所述主题订阅请求对应的订阅主题与所述主题列表进行对比认证，若所述主题列表中存在所述订阅主题，认证通过则向公有云端推送相关主题的订阅信息，从而提高的认证的安全性，防止提高抵抗恶意连接的能力；若所述主题列表中不存在所述订阅主题，则认证不通过，并不会推送订阅信息至公有云端。

s23：若所述主题列表中存在所述订阅主题，则认证通过，所述人工智能服务器根据订阅主题推送订阅信息至公有云端，以使所述公有云端根据所述订阅信息确认所需的人工智能运算推理模型对应的存放地址，并将所述存放地址发送至所述对象存储网络，以使所述对象存储网络根据所述存放地址获取到对应的人工智能运算推理模型；

s24：所述人工智能服务器接收对应的人工智能运算推理模型，作为所需的若干个人工智能运算推理模型。

本方案中若所述主题列表中存在所述订阅主题，则认证通过，则根据用户订阅的topic(订阅主题)通过mqtt(messagequeuingtelemetrytransport，消息队列遥测传输)推送订阅信息至公有云端。

在图6对应的实施例中，人工智能服务器接收用户发送的主题订阅请求，再根据接收到的所述主题订阅请求，将所述主题订阅请求对应的订阅主题与所述主题列表进行对比认证，认证通过则向公有云端推送相关主题的订阅信息，从而提高的认证的安全性，防止提高抵抗恶意连接的能力。

在一实施例中，所述公有云端从人工智能服务器中获取到预警图片对应的图片信息之前，具体还包括如下步骤：

所述公有云端从所述人工智能服务器中接收到用户订阅的订阅信息，根据所述订阅信息确认所需的人工智能运算推理模型对应的存放地址，并将所述存放地址发送至所述对象存储网络，以使所述对象存储网络根据所述存放地址获取到对应的人工智能运算推理模型。

公有云端从所述人工智能服务器中接收到用户订阅的订阅信息，再根据订阅信息确认所需的人工智能运算推理模型对应的存放地址，不同的存放地址对应不同的人工智能运算推理模型。

对象存储网络中存储有若干个人工智能运算推理模型以及其对应的存放地址，人工智能运算推理模型可以包括有人脸识别模型、险情检测模型、交通事故检测模型、闯红灯识别模型等，具体本发明不做限定；将存放地址发送至所述对象存储网络，对象存储网络根据所述存放地址获取到对应的人工智能运算推理模型。

在本实施例中，公有云端从所述人工智能服务器中接收到用户订阅的订阅信息，根据所述订阅信息确认所需的人工智能运算推理模型对应的存放地址，并将所述存放地址发送至所述对象存储网络，通过存放地址再从对象存储网络获取到对应的人工智能运算推理模型，缓解了公有云端的存储压力，还提高了安全性。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明的实施过程构成任何限定。

在一实施例中，提供一种人工智能生成预警图片系统，该人工智能生成预警图片系统与上述实施例中人工智能生成预警图片方法一一对应。该人工智能生成预警图片系统包括：人工智能服务器、对象存储网络、公有云端以及终端；

所述人工智能服务器，用于接收视频流；

所述人工智能服务器，还用于从对象存储网络中获取到所需的若干个人工智能运算推理模型；

所述人工智能服务器，还用于通过所述若干个人工智能运算推理模型从所述视频流中获取对应的预警图片；

所述人工智能服务器，用于将所述预警图片上传至所述对象存储网络进行存储，并将所述预警图片对应的图片信息发送至公有云端；

所述对象存储网络，用于根据所述预警图片的存储结果将所述预警图片的图片存储路径发送至所述公有云端；

所述公有云端，用于根据所述图片存储路径从对象存储网络获取到所述预警图片，并将所述预警图片以及对应的图片信息发送至所述终端。

在一实施例中，所述人工智能服务器接收用户发送的主题订阅请求；

所述人工智能服务器根据接收到的所述主题订阅请求，将所述主题订阅请求对应的订阅主题与所述主题列表进行对比认证；

若所述主题列表中存在所述订阅主题，则认证通过，所述人工智能服务器根据订阅主题推送订阅信息至公有云端，以使所述公有云端根据所述订阅信息确认所需的人工智能运算推理模型对应的存放地址，并将所述存放地址发送至所述对象存储网络，以使所述对象存储网络根据所述存放地址获取到对应的人工智能运算推理模型；

所述人工智能服务器接收对应的人工智能运算推理模型，作为所需的若干个人工智能运算推理模型。

在一实施例中，所述人工智能服务器将所述视频流进行备份，得到所述视频流对应的若干个视频流分流；

所述人工智能服务器将每一所述视频流分流解析成对应的待分析图片；

所述人工智能服务器将所述待分析图片输入至对应的所述人工智能运算推理模型中进行预警图片的推理预测，预测得到所述预警图片和非预警图片，并从中选出所述预警图片。

在一实施例中，所述人工智能服务器对预警图片和非预警图片进行图片类型的标识处理，得到图片类型标识后的预警图片和非预警图片；

所述人工智能服务器对图片类型的标识后的所述预警图片中的事故区域进行标注处理，得到事故区域标注处理后的预警图片。

在一实施例中，所述人工智能服务器将所述待分析图片输入至对应的所述人工智能运算推理模型中进行预警图片的推理预测，得到待分析图片的预警概率，其中，所述预警概率是指所述待分析图片的图片类型为预警图片的概率；

所述人工智能服务器判断所述预警概率是否超过预设的预警概率；

若所述预警概率超过预设的预警概率，则所述人工智能服务器将所述待分析图片判定为预警图片；

若所述预警概率没有超过预设的预警概率，则所述人工智能服务器将所述待分析图片判定为非预警图片。

在一实施例中，所述公有云端从所述人工智能服务器中接收到用户订阅的订阅信息，根据所述订阅信息确认所需的人工智能运算推理模型对应的存放地址，并将所述存放地址发送至所述对象存储网络，以使所述对象存储网络根据所述存放地址获取到对应的人工智能运算推理模型。

在一实施例中，所述公有云端对所述预警图片进行特征分析，得到图片特征信息；

所述公有云端根据所述图片特征信息进行模型训练，得到人工智能运算推理模型。

关于基于人工智能生成预警图片系统的具体限定可以参见上文中对于基于人工智能生成预警图片的方法的限定，在此不再赘述。上述基于人工智能生成预警图片系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是人工智能服务器或者公有云端或者对象存储网络，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储视频流、人工智能运算推理模型、预警图片等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能生成预警图片的方法

在一个实施例中，提供了一种计算机设备，计算机设备应用于人工智能服务器，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

接收视频流；

从对象存储网络中获取到所需的若干个人工智能运算推理模型；

通过所述若干个人工智能运算推理模型从所述视频流中获取对应的预警图片；

将所述预警图片上传至所述对象存储网络进行存储，并将所述预警图片对应的图片信息发送至公有云端，以使所述公有云端根据图片存储路径从对象存储网络获取到所述预警图片，并将所述预警图片以及对应的图片信息发送至终端，其中，所述图片存储路径为所述对象存储网络根据预警图片的存储结果从所述对象存储网络获取。

在一个实施例中，提供了另一种计算机设备，计算机设备应用于公有云端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

从人工智能服务器中获取到预警图片对应的图片信息，其中所述预警图片是所述人工智能服务器从对象存储网络中获取到所需的若干个人工智能运算推理模型后，通过若干个所述人工智能运算推理模型从所述视频流中获取的；

从对象存储网络中获取到预警图片的图片存储路径；

根据所述图片存储路径从对象存储网络获取到预警图片，并将所述预警图片以及对应的图片信息发送至终端。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

接收视频流；

从对象存储网络中获取到所需的若干个人工智能运算推理模型；

通过所述若干个人工智能运算推理模型从所述视频流中获取对应的预警图片；

将所述预警图片上传至所述对象存储网络进行存储，并将所述预警图片对应的图片信息发送至公有云端，以使所述公有云端根据图片存储路径从对象存储网络获取到所述预警图片，并将所述预警图片以及对应的图片信息发送至终端，其中，所述图片存储路径为所述对象存储网络根据预警图片的存储结果从所述对象存储网络获取。

在一个实施例中，提供了另一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

从人工智能服务器中获取到预警图片对应的图片信息，其中所述预警图片是所述人工智能服务器从对象存储网络中获取到所需的若干个人工智能运算推理模型后，通过若干个所述人工智能运算推理模型从所述视频流中获取的；

从对象存储网络中获取到预警图片的图片存储路径；

根据所述图片存储路径从对象存储网络获取到预警图片，并将所述预警图片以及对应的图片信息发送至终端。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；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，均应包含在本发明的保护范围之内。