基于边缘计算节点和云服务器的目标检测方法及系统技术方案

本发明专利技术公开了基于边缘计算节点和云服务器的目标检测方法及系统，其中，边缘计算节点从移动终端获取待处理图像；边缘计算节点对待处理图像进行特征提取，将提取的特征送入云服务器；云服务器对提取的特征进行检测，得到目标检测结果；云服务器将目标检测结果反馈给边缘计算节点；边缘计算节点将目标检测结果反馈给移动终端。在边缘节点处，执行目标检测程序的主体部分，包括神经网络中大量的卷积、池化等操作，需要较大的计算量。若边缘节点不足以支持较多计算，则将部分卷积移至云服务中心计算。利用云服务中心的强大算力，提高卷积计算速度，并提升整体的运行效率。并提升整体的运行效率。并提升整体的运行效率。

【技术实现步骤摘要】
基于边缘计算节点和云服务器的目标检测方法及系统


[0001]本专利技术涉及目标检测
，特别是涉及基于边缘计算节点和云服务器 的目标检测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有 技术。
[0003]现有的目标检测算法，大都基于移动终端本地执行，专利技术人发现，在移动 终端本地执行图像目标检测算法的一个缺陷是，简单的目标检测算法检测的目 标精确度不够高，复杂的目标检测算法在移动终端上执行，会消耗移动终端的 电量，而且影响用户的使用体验，移动终端会出现内存不够使用的卡顿现象。

技术实现思路

[0004]为了解决现有技术的不足，本专利技术提供了基于边缘计算节点和云服务器的 目标检测方法及系统；
[0005]第一方面，本专利技术提供了基于边缘计算节点和云服务器的目标检测方法；
[0006]基于边缘计算节点和云服务器的目标检测方法，包括：
[0007]边缘计算节点从移动终端获取待处理图像；
[0008]边缘计算节点对待处理图像进行特征提取，将提取的特征送入云服务器；
[0009]云服务器对提取的特征进行检测，得到目标检测结果；云服务器将目标检 测结果反馈给边缘计算节点；
[0010]边缘计算节点将目标检测结果反馈给移动终端。
[0011]第二方面，本专利技术提供了基于边缘计算节点和云服务器的目标检测系统；
[0012]基于边缘计算节点和云服务器的目标检测系统，包括：移动终端、边缘计 算节点和云服务器；其中，
[0013]边缘计算节点从移动终端获取待处理图像；
[0014]边缘计算节点对待处理图像进行特征提取，将提取的特征送入云服务器；
[0015]云服务器对提取的特征进行检测，得到目标检测结果；云服务器将目标检 测结果反馈给边缘计算节点；
[0016]边缘计算节点将目标检测结果反馈给移动终端。
[0017]与现有技术相比，本专利技术的有益效果是：
[0018]在边缘节点处处理目标检测程序的主干部分，将计算量大的部分放置云服 务中心，在减轻云服务中心压力的情况下，减少时间延迟。该方法能够保证目 标检测的深度学习程序与端到端执行时的性能要求，同时尽可能的提高系统架 构的执行效率，降低延迟，以实现实时性。该方法通过节点间的通信技术来连 接移动终端设备、边缘节点以及云服务中心，利用Socket通信，保证在物联网 中各节点之间数据传输过程中的完整性与安全性，并且实现系统的低延迟、高 效率、以及高可靠性。
[0019]本专利技术在保证各基础设备之间正常、稳定通信的同时，可以较好的提升基 于深度学习程序的及时响应时间和高效率。
[0020]本专利技术利用Socket通信技术，在移动终端设备、边缘节点和云服务中心之 间建立可靠通信，保证在物联网下数据传输时的安全。
[0021]本专利技术利用基于边缘节点的目标检测方法，减少了云服务中心的压力过大 问题，同时也减小了程序执行的延迟时间，尽可能的提升整体架构的利用率以 及安全隐私问题。
附图说明
[0022]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本发 明的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0023]图1为实施例一的方法流程图；图2为实施例一的yolo目标检测模型。
具体实施方式
[0024]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。 除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的 普通技术人员通常理解的相同含义。
[0025]在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0026]本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据 的合法应用。
[0027]现在的云服务中心运行着越来越多的深度学习程序，但随着程序的不断增 多，云服务中心的压力也越来越大。当大多数程序都需要云服务中心给出实时 响应时，那么就会给一部分程序带来延迟。为了解决此类问题，引入了边缘计 算。边缘计算在本质上，是一种更接近源数据的云计算。与云计算相比，边缘 计算既可以使用资源，又可以共享资源。所以边缘计算是一种新型的计算模式， 能够减少程序运行的延迟和能耗，有利于深度学习程序的进一步探究。将深度 学习程序部署在在更接近终端设备的边缘节点上，以满足边缘设备的实时性。
[0028]在边缘处部署程序，节点间的通信技术是必不可少的。节点间的通信是指 将数据从一个节点传输至另一个节点，两者之间是依靠协议传输的模拟的是客 户端和服务端的方式，即发送发与接收方。
[0029]与此同时，高实时性、低延迟的代表性深度学习程序，即目标检测算法， 可以用于终端
‑
边缘
‑
云的模式。目标检测可以采用目前比较流行的yolo算法， 将目标检测的本质看作是回归问题来解决。从图像中分离出的边界框预测不同 类别以及相关概率，整个推理过程是一次性完成的，即端到端的。
[0030]实施例一
[0031]本实施例提供了基于边缘计算节点和云服务器的目标检测方法；
[0032]如图1所示，基于边缘计算节点和云服务器的目标检测方法，包括：
[0033]S101：边缘计算节点从移动终端获取待处理图像；
[0034]S102：边缘计算节点对待处理图像进行特征提取，将提取的特征送入云服 务器；
[0035]S103：云服务器对提取的特征进行检测，得到目标检测结果；云服务器将 目标检测结果反馈给边缘计算节点；
[0036]S104：边缘计算节点将目标检测结果反馈给移动终端。
[0037]进一步地，所述S101：边缘计算节点从移动终端获取待处理图像；具体包 括：
[0038]边缘计算节点，以二进制流文件的形式，从移动终端的图库中获取存储的 待处理图像；或者，
[0039]边缘计算节点，以二进制流文件的形式，从移动终端获取实施拍摄的待处 理图像。
[0040]进一步地，所述S102：边缘计算节点对待处理图像进行特征提取，将提取 的特征送入云服务器；具体包括：
[0041]边缘计算节点对待处理图像进行压缩和归一化处理；
[0042]边缘计算节点将归一化处理后的图像送入yolo目标检测模型，通过yolo目 标检测模型的darknet主干网络进行特征提取；
[0043]将提取的特征送入云服务器。
[0044]其中，yolo目标检测模型，包括：依次连接的输入层、第一DBL模块、第 一残差模块res1、第二残差模块res2、第三残差模块res8、第四残差模块res8、 第五残差模块res4和第二DBL模块、第三DBL模块、卷积层c1和输出层y1；
[0045]所述第二DBL模块还与第四DBL模块连接，第四DBL模块与第一上采样 层连接，第一上采样层与第一连接器连接，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于边缘计算节点和云服务器的目标检测方法，其特征是，包括：边缘计算节点从移动终端获取待处理图像；边缘计算节点对待处理图像进行特征提取，将提取的特征送入云服务器；云服务器对提取的特征进行检测，得到目标检测结果；云服务器将目标检测结果反馈给边缘计算节点；边缘计算节点将目标检测结果反馈给移动终端。2.如权利要求1所述的基于边缘计算节点和云服务器的目标检测方法，其特征是，边缘计算节点从移动终端获取待处理图像；具体包括：边缘计算节点，以二进制流文件的形式，从移动终端的图库中获取存储的待处理图像；或者，边缘计算节点，以二进制流文件的形式，从移动终端获取实施拍摄的待处理图像。3.如权利要求1所述的基于边缘计算节点和云服务器的目标检测方法，其特征是，边缘计算节点对待处理图像进行特征提取，将提取的特征送入云服务器；具体包括：边缘计算节点对待处理图像进行压缩和归一化处理；边缘计算节点将归一化处理后的图像送入yolo目标检测模型，通过yolo目标检测模型的darknet主干网络进行特征提取；将提取的特征送入云服务器。4.如权利要求3所述的基于边缘计算节点和云服务器的目标检测方法，其特征是，yolo目标检测模型，包括：依次连接的输入层、第一DBL模块、第一残差模块res1、第二残差模块res2、第三残差模块res8、第四残差模块res8、第五残差模块res4和第二DBL模块、第三DBL模块、卷积层c1和输出层y1；所述第二DBL模块还与第四DBL模块连接，第四DBL模块与第一上采样层连接，第一上采样层与第一连接器连接，第一连接器与第五DBL模块连接，第五DBL模块与第六DBL模块连接，第六DBL模块与卷积层c2连接，卷积层c2与输出层y2连接；第四残差模块还与第一连接器连接；所述第五DBL模块还与第七DBL模块连接，第七DBL模块与第二上采样层连接，第二上采样层与第二连接器连接，第二连接器与第八DBL模块连接，第八DBL模块与第九DBL模块连接，第九DBL模块与卷积层c3连接，卷积层c3与输出层y3连接；第二连接器还与第三残差模块res8连接。5.如权利要求4所述的基于边缘计算节点和云服务器的目标检测...

【专利技术属性】
技术研发人员：李小宁，耿世超，王正中，张帆，魏娟，王琳，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：