一种AI智能边缘计算网关的制作方法

一种ai智能边缘计算网关
技术领域
1.本发明涉及边缘计算网关技术领域，尤其涉及一种ai智能边缘计算网关。


背景技术：

2.ai智能边缘计算网关是一款旨在助力电力物联网行业，集4g、ai、边缘计算、通信管理、安全防护等多种前沿科技为体的产品，功能涵盖智慧物联管理体系的“边”与“端”,是整个系统实现云边协同、边端联动、算力下沉、区域自治的重要组成部分，可广泛应用于智能电网、电力物联网、工业互联、智慧工厂、智慧城市等领域。ai智能边缘计算网关是一款具有高性能、多接口、高带宽、大连接、低时延的工业网关，从芯片到模块全部采用工业级设计，支持4g/5g全网通、双频wifi、千兆网口等多种外设与模块，实现多协议、多接口的终端设备采集、计算、存储、控制功能。
3.近年来，工厂和楼宇借鉴物联网概念布置视频和传感器监测网络完成环境数据监控、识别、预警的应用正在逐步展开，扩大物联网应用的渗透，推动物联网的快速发展，现有的网关在进行无线化信息高速传输的同时，往往占地面积面积比较大布线成本高，使用过程中容易出现掉掉线现象，并且没有电磁隔离保护、反相保护和过电压保护，网关使用过程中系统稳定性较差，缺乏足够的可靠性。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述现有存在的问题，提出了本发明。
6.因此，本发明解决的技术问题是：现有的网关在进行无线化信息高速传输的同时，往往占地面积面积比较大布线成本高，使用过程中容易出现掉掉线现象，并且没有电磁隔离保护、反相保护和过电压保护，网关使用过程中系统稳定性较差，缺乏足够的可靠性。
7.为解决上述技术问题，本发明提供如下技术方案一种ai智能边缘计算网关，包括：通过采集模块采集图像数据；通过智能运维核心板集成化处理并通过智能计算加速单元进行图像智能ai分析和ai智能巡视边缘计算与分析；将计算与分析结果上传至物联网平台及生产监控指挥。
8.作为本发明所述的ai智能边缘计算网关的一种优选方案，其中：所述采集模块包括摄像头，通过所述摄像头实时采集图像数据，并将采集的所述图像数据上传至智能运维核心板。
9.作为本发明所述的ai智能边缘计算网关的一种优选方案，其中：所述图像智能ai分析采用gabor滤波器进行图像的特征提取，gabor特征是一种可以用来描述图像纹理信息的特征，gabor滤波器的频率和方向与人类的视觉系统类似，特别适合于纹理表示与判别。gabor特征主要依靠gabor核在频率域上对信号进行加窗，从而能描述信号的局部频率信
息。
10.作为本发明所述的ai智能边缘计算网关的一种优选方案，其中：所述gabor滤波器是由高斯窗取短暂的傅里叶变换，gabor滤波器复数形式表现为：
11.complex
[0012][0013]
real
[0014][0015]
imaginary
[0016][0017]
where
[0018]
x'＝xcosθ+ysinθψ
[0019]
and
[0020]
y'＝-xsinθ+ycosθ
[0021]
其中，λ表示正弦函数的波长，θ表示核函数方向，ψ表示相位偏移，σ表示高斯标准差，γ表示x y两个方向的纵横比(指定了gabor函数的椭圆率)。
[0022]
作为本发明所述的ai智能边缘计算网关的一种优选方案，其中：实现gabor滤波器的转换和完成gabor特征提取后，对图形进行实数形式的gabor变换，得到处理后的图像，直接提取特征，对图像分块，分别水平和垂直方向取16等分，将整个图像分成64个16x16大小的子图像块。计算每一块对应的能量。能量公式如下：
[0023][0024]
计算空间频率能量矩阵，将能量矩阵降维成1x64的行向量，作为原始图像在某一方向和尺度变换后的特征向量通过利用gabor滤波器对图形的转换和特征提取，完成智能ai图形识别的重要工作。
[0025]
作为本发明所述的ai智能边缘计算网关的一种优选方案，其中：所述智能运维核心板支持存储各智能数据处理子模块上送的计算后的数据结果，包括ai图像分析结果、设备巡检数据和图像、各类型传感器采集图像数据、统计分析数据等。
[0026]
作为本发明所述的ai智能边缘计算网关的一种优选方案，其中：通过自动编码器中的机器深度学习算法提升识别成功率和识别精度；
[0027]
训练样本x＝{x1，x2，x3...xn}
[0028]
输出为x'＝{x1‘
，x2‘
，x3‘
,...xn‘
}
[0029]
若输入层l1有n个单元，中间隐含层l2有m个单元，并且要从隐含层的这m维的单元重构出n维的输入，而m《n,那么l2层便得到了输入数据的压缩表示。
[0030]
作为本发明所述的ai智能边缘计算网关的一种优选方案，其中：
[0031]
用原始数据训练第一个自动编码器，得到其权值w和输入的一阶特征表示h
(1)
)，然
后利用这些一阶特征作为第二个自动编码器的输入，来得到第二层的参数和二阶特征表示h
(2)
，依此类推，对后面的各层采用同样的方法,即将前一个自动编码器的输出作为接下来的自动编码器的输入，此过程能学习得到输入数据的特征表示。
[0032]
本发明的有益效果：本发明采用高性能工业级无线模块和双核处理器，实现无线化信息高速传输，占地面积小且节省布线成本。采用完备的防掉线机制，并且设置电磁隔离保护、反相保护和过电压保护，保证数据终端永远在线且系统稳定可靠。提供智能型数据终端和功能强大的中心管理软件，方便设备统一管理。
附图说明
[0033]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附图。其中：
[0034]
图1为本发明一个实施例提供的一种ai智能边缘计算网关的基本流程示意图；
[0035]
图2为本发明一个实施例提供的一种ai智能边缘计算网关的结构示意图；
[0036]
图3为本发明一个实施例提供的一种ai智能边缘计算网关中的智能计算加速单元具体功能图；
[0037]
图4为本发明一个实施例提供的一种ai智能边缘计算网关自动编码器网络示意图。
具体实施方式
[0038]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
[0039]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0040]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0041]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0042]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0043]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0044]
实施例1
[0045]
参照图1和2，为本发明的一个实施例，提供了一种ai智能边缘计算网关，包括：s1:通过采集模块采集图像数据；
[0046]
采集模块包括摄像头，通过摄像头实时采集图像数据，并将采集的图像数据上传至智能运维核心板。
[0047]
摄像头和传感器实时监测，由视频接入管理单元和传感器接入单元传输数据，而后经智能运维核心板集成化处理并通过智能计算加速单元进行图像智能ai分析、ai智能巡视等边缘计算与分析后统一上送全域物联网平台及生产监控指挥中心。同时设计有电力监控、动环监测、视频显示、识别、告警和用户管理等可视化操作界面。
[0048]
智能ai分析具有人脸识别功能，进行人脸绑定和识别，未授权人员自动报警；人数统计功能，对进出人员进行人脸抓拍、分析和筛选、去重，实现准确计数；行为管控功能，对徘徊、滞留、聚集、倒地、区域入侵或越界等行为进行检测，同时具备有效事件的存储和上报，系统自动弹出告警画面；着装检测功能，对目标头部和躯干进行安全帽、口罩和工装识别检测，支持未穿着工装、未佩戴安全帽和口罩等异常行为识别，并实时预警。
[0049]
s2:通过智能运维核心板集成化处理并通过智能计算加速单元进行图像智能ai分析和ai智能巡视边缘计算与分析；
[0050]
图像智能ai分析采用gabor滤波器进行图像的特征提取，gabor特征是一种可以用来描述图像纹理信息的特征，gabor滤波器的频率和方向与人类的视觉系统类似，特别适合于纹理表示与判别。gabor特征主要依靠gabor核在频率域上对信号进行加窗，从而能描述信号的局部频率信息。
[0051]
gabor滤波器是由高斯窗取短暂的傅里叶变换，gabor滤波器复数形式表现为：
[0052]
complex
[0053][0054]
real
[0055][0056]
imaginary
[0057][0058]
where
[0059]
x'＝xcosθ+ysinθψ
[0060]
and
[0061]
y'＝-xsinθ+ycosθ
[0062]
其中，λ表示正弦函数的波长，θ表示核函数方向，ψ表示相位偏移，σ表示高斯标准
差，γ表示x y两个方向的纵横比(指定了gabor函数的椭圆率)。
[0063]
实现gabor滤波器的转换和完成gabor特征提取后，对图形进行实数形式的gabor变换，得到处理后的图像，直接提取特征，对图像分块，分别水平和垂直方向取16等分，将整个图像分成64个16x16大小的子图像块。计算每一块对应的能量。能量公式如下：
[0064][0065]
计算空间频率能量矩阵，将能量矩阵降维成1x64的行向量，作为原始图像在某一方向和尺度变换后的特征向量通过利用gabor滤波器对图形的转换和特征提取，完成智能ai图形识别的重要工作。
[0066]
智能运维核心板支持存储各智能数据处理子模块上送的计算后的数据结果，包括ai图像分析结果、设备巡检数据和图像、各类型传感器采集图像数据、统计分析数据等。
[0067]
智能运维核心板支持存储各智能数据处理子模块上送的计算后的数据结果，如ai图像分析结果、设备巡检数据和图像、各类型传感器采集图像数据、统计分析数据等，对设备原始数据不做存储。通过机器深度学习算法提升识别成功率和识别精度。本发明采用栈式自动编码器深度学习方法。通过自动编码器中的机器深度学习算法提升识别成功率和识别精度；
[0068]
训练样本x＝{x1，x2，x3...xn}
[0069]
输出为x'＝{x1‘
，x2‘
，x3‘
,...xn‘
}
[0070]
若输入层l1有n个单元，中间隐含层l2有m个单元，并且要从隐含层的这m维的单元重构出n维的输入，而m《n,那么l2层便得到了输入数据的压缩表示。
[0071]
如果给隐含层单元加入稀疏性的限制，便得到了稀疏自动编码网络。
[0072]
栈式自动编码器(stacked autoencoders,sae)，顾名思义，是将多个自动编码器堆叠在一起组成的。具体的训练过程为:用原始数据训练第一个自动编码器，得到其权值w,和输入的一阶特征表示h
(1)
)，然后利用这些一阶特征作为第二个自动编码器的输入，来得到第二层的参数和二阶特征表示h
(2)
，依此类推，对后面的各层采用同样的方法,即将前一个自动编码器的输出作为接下来的自动编码器的输入，此过程能学习得到输入数据的特征表示。对于上述训练过程,在训练每一层参数的时候，固定其它各层的参数保持不变。最后，在上述预训练过程结束之后，可以通过微调来调整整个网络的参数，从而改善结果。
[0073]
s3:将计算与分析结果上传至物联网平台及生产监控指挥。
[0074]
通过采集模块中的摄像头和传感器实时监测，由视频接入管理单元和传感器接入单元传输数据，而后经智能运维核心板集成化处理并通过智能计算加速单元进行图像智能ai分析、ai智能巡视等边缘计算与分析后统一上送全域物联网平台及生产监控指挥中心。
[0075]
本发明采用高性能工业级无线模块和双核处理器，实现无线化信息高速传输，占地面积小且节省布线成本。采用完备的防掉线机制，并且设置电磁隔离保护、反相保护和过电压保护，保证数据终端永远在线且系统稳定可靠。提供智能型数据终端和功能强大的中心管理软件，方便设备统一管理。
[0076]
上述的一种ai智能边缘计算网关，智能计算加速模块集成了高算力ai处理模块ax630，cpu4 x arm cortexa53@1.3g，高达30tops超强算力，可以对内的视频、机器人、门禁
等数据进行智能ai分析，具备低功耗和高性能的特点。
[0077]
上述的一种ai智能边缘计算网关，视频管理模块具备32路1080p高清视频的解码能力，集成多种视频信号处理单元，具有轻量化、高性能、低功耗、接入方便等特点，广泛应用于人脸识别、智能安防、行为分析等各个领域。
[0078]
上述的一种ai智能边缘计算网关，传感器模块是采用基于zigbee技术的无线电量传感器。无线电量传感器由电磁隔离采集单元、电能转换单元、mcu单元、无线传输单元、配置单元、自供电电源变换单元组成，在线实时采集和监测环境数据。
[0079]
上述的一种ai智能边缘计算网关，可分为软件层和硬件层两部分，软件层进行数据的处理、分析及可视化界面，硬件层数据接收模块实现数据的标准化采集。
[0080]
实施例2
[0081]
参照图2～4，为本发明另一个实施例，该实施例不同于第一个实施例的是，提供了一种ai智能边缘计算网关，为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
[0082]
视频和传感器监测网络是数据标准化采集及集中监控技术研究的重要内容之一，是构成物联网感知层的关键技术。视频和传感器监测网络带来了全新的信息采集技术、分析技术、处理技术和传输模式，是连接虚拟网络和现实世界的重要媒介，把信息网络延伸到物体网络，实时采集、感知环境数据，代替人工收集，被认为是世纪改变世界的十大关键技术之一。
[0083]
数据处理和分析是进行数据标准化采集及集中监控研究的重要目的，利用采集到的丰富数据资料开展相应的分析，透过事物的表面现象深入到其内在本质，由表面感性认知上升到理性认知阶段，实现质的飞跃，从而挖掘到事物与环境的内在联系和其未来发展规律。这有利于决策者做出科学的判断并且制定正确的计划。
[0084]
摄像头和传感器实时监测，由视频接入管理单元和传感器接入单元传输数据，而后经智能运维核心板集成化处理并通过智能计算加速单元进行图像智能ai分析、ai智能巡视等边缘计算与分析后统一上送全域物联网平台及生产监控指挥中心。
[0085]
智能ai分析的具体功能如图2所示，该设备具有人脸识别功能，进行人脸绑定和识别，未授权人员自动报警；人数统计功能，对进出人员进行人脸抓拍、分析和筛选、去重，实现准确计数；行为管控功能，对徘徊、滞留、聚集、倒地、区域入侵或越界等行为进行检测，同时具备有效事件的存储和上报，系统自动弹出告警画面；着装检测功能，对目标头部和躯干进行安全帽、口罩和工装识别检测，支持未穿着工装、未佩戴安全帽和口罩等异常行为识别，并实时预警。
[0086]
本发明采用高性能工业级无线模块和双核处理器，实现无线化信息高速传输，占地面积小且节省布线成本。采用完备的防掉线机制，并且设置电磁隔离保护、反相保护和过电压保护，保证数据终端永远在线且系统稳定可靠。提供智能型数据终端和功能强大的中心管理软件，方便设备统一管理。
[0087]
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如
此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
[0088]
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。计算机程序包括可由一个或多个处理器执行的多个指令。
[0089]
进一步，方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文步骤的指令或程序时，本文的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
[0090]
如在本技术所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。
[0091]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。