【技术实现步骤摘要】
本公开涉及视觉检测技术和算力卸载，尤其涉及一种工业视觉场景下算力卸载方法、装置、设备及介质。
技术介绍
1、工业视觉的核心技术围绕着外观检测、引导和定位、高精度检测和识别，产线或者工厂等边缘智能设备的计算能力不均衡，同一时间内算力需求和算力分配存在不匹配的情况。
2、需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本公开提供一种工业视觉场景下算力卸载方法、装置、设备及介质，至少在一定程度上改善相关技术中同一时间内算力需求和算力分配不匹配的问题。
2、本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
3、根据本公开的一个方面，提供了一种工业视觉场景下算力卸载方法，中心云连接多个边缘服务器，方法包括：
4、获取边缘服务器的状态数据；
5、使用孪生数据对边缘服务器的状态数据进行仿真，得到混合着孪生数据和真实数据的数据池；
6、基于数据池中的数据对深度确定性策略梯度算法ddpg模型进行训练，得到训练后的ddpg模型；
7、应用训练后的ddpg模型，确定算力卸载策略。
8、在本公开的一个实施例中，混合着孪生数据和真实数据的数据池中，孪生数据的数据量是真实数据的4倍。
9、在本公开的一个实施例中，使用孪生数据对边缘服务器的状态数据进行仿真，得到混合
10、针对数据池中的数据添加噪声。
11、在本公开的一个实施例中，基于数据池中的数据对深度确定性策略梯度算法ddpg模型进行训练，包括：
12、基于数据池中的数据构建训练样本，每个训练样本包括环境参数、奖励函数值、当前边缘服务器的状态数据和在环境参数的场景中下一时刻边缘服务器的状态数据；
13、基于训练样本，计算第一损失函数的值；
14、在第一损失函数的值满足第一条件的情况下，更新online anet参数；
15、基于训练样本，计算第二损失函数的值；
16、在第二损失函数的值满足第二条件的情况下，更新online cnet参数。
17、在本公开的一个实施例中，方法还包括：
18、在更新online anet参数和/或online cnet参数后，对边缘端服务器的targetanet和target cnet进行软更新。
19、在本公开的一个实施例中，边缘服务器用于执行工业视觉检测任务。
20、在本公开的一个实施例中，边缘服务器的状态数据包括cpu状态数据和gpu状态数据。
21、根据本公开的另一个方面，提供一种工业视觉场景下算力卸载装置，中心云连接多个边缘服务器，装置包括：
22、数据获取模块，用于获取边缘服务器的状态数据；
23、数字孪生模块，用于使用孪生数据对边缘服务器的状态数据进行仿真，得到混合着孪生数据和真实数据的数据池；
24、模型训练模块，用于基于数据池中的数据对深度确定性策略梯度算法ddpg模型进行训练，得到训练后的ddpg模型；
25、算力卸载模块，用于应用训练后的ddpg模型，确定算力卸载策略。
26、在本公开的一个实施例中，混合着孪生数据和真实数据的数据池中，孪生数据的数据量是真实数据的4倍。
27、在本公开的一个实施例中，该工业视觉场景下算力卸载装置500，还可以包括噪声模块。噪声模块，用于使用孪生数据对边缘服务器的状态数据进行仿真，得到混合着孪生数据和真实数据的数据池后，针对数据池中的数据添加噪声。
28、在本公开的一个实施例中，模型训练模块506，用于基于数据池中的数据构建训练样本，每个训练样本包括环境参数、奖励函数值、当前边缘服务器的状态数据和在环境参数的场景中下一时刻边缘服务器的状态数据；基于训练样本，计算第一损失函数的值；在第一损失函数的值满足第一条件的情况下，更新online anet参数；基于训练样本，计算第二损失函数的值；在第二损失函数的值满足第二条件的情况下，更新online cnet参数。
29、在本公开的一个实施例中，边缘端更新模块，用于在更新online anet参数和/或online cnet参数后，对边缘端服务器的target anet和target cnet进行软更新。
30、在本公开的一个实施例中，边缘服务器用于执行工业视觉检测任务。
31、在本公开的一个实施例中，边缘服务器的状态数据包括cpu状态数据和gpu状态数据。
32、根据本公开的又一个方面，提供一种电子设备，包括：存储器，用于存储指令；处理器，用于调用所述存储器中存储的指令，实现上述的工业视觉场景下算力卸载方法。
33、根据本公开的又一个方面，提供一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器执行时实现上述的工业视觉场景下算力卸载方法。
34、根据本公开的又一个方面，提供一种计算机程序产品，计算机程序产品存储有指令，所述指令在由计算机执行时，使得计算机实施上述的工业视觉场景下算力卸载方法。
35、根据本公开的又一个方面，提供一种芯片，包括至少一个处理器和接口；
36、接口，用于为至少一个处理器提供程序指令或者数据；
37、至少一个处理器用于执行程序指令，以实现上述的工业视觉场景下算力卸载方法。
38、本公开实施例所提供的工业视觉场景下算力卸载方法、装置、设备及介质，提出了基于云边部署、训练、推理的ddpg算力卸载方案，训练速度更快、算力卸载策略更优。
39、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
本文档来自技高网...【技术保护点】
1.一种工业视觉场景下算力卸载方法，其特征在于，中心云连接多个边缘服务器，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，混合着孪生数据和真实数据的数据池中，孪生数据的数据量是真实数据的4倍。
3.根据权利要求1所述的方法，其特征在于，使用孪生数据对所述边缘服务器的状态数据进行仿真，得到混合着孪生数据和真实数据的数据池后，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，基于所述数据池中的数据对深度确定性策略梯度算法DDPG模型进行训练，包括：
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，所述边缘服务器用于执行工业视觉检测任务。
7.根据权利要求1所述的方法，其特征在于，边缘服务器的状态数据包括CPU状态数据和GPU状态数据。
8.一种工业视觉场景下算力卸载装置，其特征在于，中心云连接多个边缘服务器，所述装置包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算
...【技术特征摘要】
1.一种工业视觉场景下算力卸载方法，其特征在于，中心云连接多个边缘服务器，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，混合着孪生数据和真实数据的数据池中，孪生数据的数据量是真实数据的4倍。
3.根据权利要求1所述的方法，其特征在于，使用孪生数据对所述边缘服务器的状态数据进行仿真，得到混合着孪生数据和真实数据的数据池后，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，基于所述数据池中的数据对深度确定性策略梯度算法ddpg模型进行训练，包括：
5.根据权利要求4所述的方法，其特...
【专利技术属性】
技术研发人员：宋雅奇，
申请(专利权)人：中国电信股份有限公司技术创新中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。