文库搜索
切换导航
首页
频道
联系我们
国家标准目录
国际ISO标准目录
行业标准目录
地方标准目录
首页
联系我们
国家标准目录
国际ISO标准目录
行业标准目录
地方标准目录
批量下载
(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211488786.7 (22)申请日 2022.11.25 (71)申请人 成都信息工程大学 地址 621005 四川省成 都市西南 航空港经 济开发区学府路一段24 号 (72)发明人 吴涛 邓宇萍 陈曦 吴锡 周启钊 冯霞 (74)专利代理 机构 北京元本知识产权代理事务 所(普通合伙) 11308 专利代理师 曹广生 (51)Int.Cl. G06N 5/04(2006.01) G06N 3/08(2006.01) H04N 7/18(2006.01) (54)发明名称 一种基于深度学习模型的边缘智能协同推 断方法及系统 (57)摘要 本发明涉及边缘智能技术领域, 公开了一种 基于深度学习模型的边缘智能协同推断方法及 系统, 通过 获取巡检设备和边缘 设备的参数信息 以及所述巡检设备采集的监控图像数据的处理 需求分别构建适用于巡检设备和边缘设备的简 单模型和复杂分支模型; 简单模 型较复杂分支模 型的网络层数和神经元个数更少, 神经网络计算 会明显减少任务推断时间和自身消耗的能耗; 巡 检设备端输出结果置信度值判定器以输出结果 的置信度最大值作为依据判断监控图像数据是 否需要传输到边缘设备端进行处理, 从而保证深 度学习模型结果准确率的同时, 最大程度的利用 巡检设备、 边缘设备的计算和存储能力, 以及降 低系统在单边执行任务时的所带来的高时延和 高能耗。 权利要求书4页 说明书13页 附图3页 CN 115545198 A 2022.12.30 CN 115545198 A 1.一种基于深度学习模型的边 缘智能协同推断方法, 其特 征在于, 包括: 获取巡检设备和边缘设备的参数信 息, 以及所述巡检设备采集的监控图像数据的处理 需求; 基于所述参数信息和处理需求分别构建第一深度学习模型和第二深度学习模型, 其 中, 所述第一深度学习模型的网络层数以及每层的神经元个数少于所述第二深度学习模 型, 以所述第二深度学习模型为主干网络, 在中间层构建若干退出点, 得到所述第二深度学 习模型的第三分支模型, 并分别将所述第一深度学习模型和 第三分支模型经过训练之后部 署到所述巡检设备和边 缘设备; 基于所述第 一深度学习 模型和处理需求对所述监控图像数据进行任务推断, 得到第 一 推断结果, 判断所述第一推断结果的最大置信度值是否达到最佳置信度标准值, 若 是, 将所 述第一推 断结果发送给控制中心, 否则将所述监控图像数据发送给所述边缘设备, 由所述 第三分支模型进行任务推断, 得到第二推断结果, 将其发送给 所述控制中心。 2.如权利要求1所述的一种基于深度 学习模型的边缘智能协同推断方法, 其特征在于, 所述由所述第三分支模型进行任务推断, 具体包括: 从所述第三分支模型的输入层开始, 依次通过每个所述退出点, 当其中某一退出点的 输出层输出的第三推断结果满足预设的退出条件时, 则退出所述第三分支模型的输出结 果, 将所述第三推断结果作为所述第二推断结果。 3.如权利要求2所述的一种基于深度 学习模型的边缘智能协同推断方法, 其特征在于, 所述第三分支模型的每个分支网络退出点的损失函数都采用交叉熵损失函数计算, 每个交 叉熵损失函数分别乘以权重参数再相加进行联合优化作为所述第三分支模型的整个分支 网络的优化目标: ; 其中, 表示退出点 的加权系数, 为所有退出点的总数量, 表示单次推断 任务所产生的参数量, 表示输入样本 的标签, 表示所述第三分支模型推断结果: , 其中 表示一个数 据集中的 不同的 标签 总数 , 表示所述第三分支模型推断结果 的归一化函数, 表示所述第三分支模型 输出结果: , 表示退出点 的推断结果; 表示所 述第三分支模型的损失函数: , 其 中 表示某一退出点的样本输出信息熵 : , 的值与是否需要提前 退出所述第三分支模型的输出 结果呈正相关 关系。 4.如权利要求3的一种基于深度 学习模型的边缘智能协同推断方法, 其特征在于, 通过权 利 要 求 书 1/4 页 2 CN 115545198 A 2下式确定所述最佳置信度标准值, 将 推断结果正确率和通信时间延迟归一化后相减求极大 值, 作为所述 最佳置信度标准 值: ; 其中, 为在所述第一深度学习模型上进行任务推断的推断结果正确率函数: , 为采集的监控图像的总数量; 其中, 为表示序列为 的监控图像 推断任务的准确率: , 为所述第一推断结果的最大置信度值, 为 所述最佳置信度标准值, 表示所述巡检设备端第 次推断任务正确与 否, 若 则表示所述巡检设备端第 次推断任务正确, 若 则表示 所述巡检设备端第 次推断任务错误; 表示所述边缘设备端第 次推断 任务正确与否, 若 则表示所述边缘设备端第 次推断任务正确, 若 则表示所述 边缘设备端第 次推断任务 错误; 为通信时间延迟函数: ; 其中, 函数 为所述巡检设备和边缘设备之间是否需要数据传输的依据, 所述巡检设备端的推断 值大于等于 时, 值置为0; 所述巡检设备端的推断 值小于 时, 值置为1; 表示第 次所述巡检设备端向边缘设备端 进行数据传输的时间; 为通信延迟的权重系数, 为所有图像数据 均卸载到所述边缘设备端处理的 通信时间: 。 5.如权利要求4所述的一种基于深度 学习模型的边缘智能协同推断方法, 其特征在于, 所述否则将所述 监控图像数据发送给 所述边缘设备, 之前还 包括: 获取当前环境的网络状态信息, 判断当前网络状态是否满足最佳通信标准值, 若是, 则 将所述监控图像数据发送给所述边缘设备; 否则将所述监控图像数据输入到第四深度学习 模型中进行任务推 断, 得到第四推断结果, 并将其发送给所述控制中心; 其中, 所述第四深 度学习模型 的网络层数以及每层的神经元个数大于所述第一深度学习模型且小于所述第 二深度学习模型, 所述第四深度学习模型部署是基于所述参数信息和处理需求构建 并经过 训练之后部署到所述巡检设备的。 6.如权利要求5所述的一种基于深度 学习模型的边缘智能协同推断方法, 其特征在于, 通过下式确定所述最佳通信标准值, 基于归一化后的推 断结果正确 率、 巡检设备额外计算权 利 要 求 书 2/4 页 3 CN 115545198 A 3
专利 一种基于深度学习模型的边缘智能协同推断方法及系统
文档预览
中文文档
21 页
50 下载
1000 浏览
0 评论
0 收藏
3.0分
赞助2元下载(无需注册)
温馨提示:本文档共21页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
下载文档到电脑,方便使用
赞助2元下载
本文档由 SC 于
2024-02-18 22:24:41
上传分享
举报
下载
原文档
(1.0 MB)
分享
友情链接
GB-T 29767-2013 信息安全技术 公钥基础设施 桥CA体系证书分级规范.pdf
青藤云安全 - 2023.2 - 政务云安全建设实践指南.pdf
GB 38031-2020 电动汽车用动力蓄电池安全要求.pdf
DB63-T1868-2020 市场监管信息系统运维规范 青海省.pdf
DB37-T 3483-2019 人民防空可视化互联平台功能要求 山东省.pdf
GB-T 22739-2008 地理标志产品 建莲.pdf
GB-T 26079-2010 梁式吊具.pdf
T-EERT 026—2022 蓄热燃烧装置安全风险评估指南.pdf
GB 8965.3-2022 防护服装 熔融金属飞溅防护服.pdf
GB-T 4423-2020 铜及铜合金拉制棒.pdf
DB14-T 2003-2020 卫生医疗机构能耗定额 山西省.pdf
OWASP 面向CISO应用安全指南 英文版 2013年第一版.pdf
GB-T 29246-2022 信息安全技术 信息安全管理体系 概述和词汇 征求意见稿.pdf
GB-T 21028-2007 信息安全技术 服务器安全技术要求.pdf
GB-T 42581-2023 信息技术服务 数据中心业务连续性等级评价准则.pdf
GB-T 24564-2009 高炉热风炉节能监测.pdf
BB-T 0083-2021 食品包装容器用聚乙烯发泡垫片.pdf
GB/T 5824-2021 建筑门窗洞口尺寸系列.pdf
JRT 0271-2023 金融数字化能力成熟度指引.pdf
DB35-T 1640-2017 福建省高液限土路基设计与施工技术规范 福建省.pdf
1
/
21
评价文档
赞助2元 点击下载(1.0 MB)
回到顶部
×
微信扫码支付
2
元 自动下载
点击进入官方售后微信群
支付 完成后 如未跳转 点击这里下载
站内资源均来自网友分享或网络收集整理,若无意中侵犯到您的权利,敬请联系我们
微信(点击查看客服)
,我们将及时删除相关资源。