[发明专利]一种警务行业云端边缘计算和人工智能融合方法及装置

权利要求书

1.一种警务行业云端边缘计算和人工智能融合方法，其特征在于，

将深度学习技术分布到警务云端、管道和边缘端侧，由警务云端负责海量数据大计算量的基础模型训练，根据边缘端侧的需求进行个性化的模型分发，云端到边缘端侧节点部署学习后的深度学习模型，用来完成推理，边缘端侧持续进行推理结果的反馈，再上传到云端持续优化模型。

2.根据权利要求1所述的方法，其特征在于，

具体实施流程包括：

步骤1、警务云端产生通用深度学习模型，并将深度学习模型下发到边缘端侧；

步骤2、边缘端侧根据智能传感设备采集的数据进行推理计算，并根据用户反馈信息和推理的原始数据组合成训练集数据；

步骤3、边缘端侧将训练集经管道上传至警务云端；

步骤4、警务云端根据训练集进行深度学习模型训练，优化警务云端深度学习模型。

3.根据权利要求2所述的方法，其特征在于，

所述步骤1流程包括：

步骤1.1、警务云端利用收集的海量数据进行深度学习模型训练，产生警务云端通用深度学习模型；

步骤1.2、警务云端根据需要部署深度学习模型的应用节点计算和存储能力进行模型优化，产生边缘端侧的深度学习模型；

步骤1.3、警务云端将深度学习模型下发到边缘端侧。

4.根据权利要求2所述的方法，其特征在于，

所述步骤2具体实施流程包括：

步骤2.1、摄像头、移动终端等智能传感设备实时采集人像、身份数据；

步骤2.2、摄像头、移动终端等智能设备将采集数据发送给边缘端侧进行推理；

步骤2.3、边缘端侧进行人像识别和身份识别推理计算；

步骤2.4、智能设备将结果展示给边缘端侧前端，前端是各类识别与比对以及视频结构化的实时处理；

步骤2.5、边缘端侧收到智能设备的信息，和推理数据、原始采集数据组合训练集继续优化训练，保存在边缘端侧，边缘端侧实现智能化，满足前端场景应用在时延、功耗和性能方面的需求。

5.根据权利要求2所述的方法，其特征在于，

边缘端侧执行深度学习计算，并反馈结果；智能终端设备向边缘端侧发送消息，边缘端侧根据深度学习模型进行计算，实时得到结果。

6.根据权利要求2所述的方法，其特征在于，

边缘端侧将训练模型集合上传至警务云端；边缘端侧根据网络带宽情况，选择带宽空闲时间段，统一上传数据模型。

7.根据权利要求2所述的方法，其特征在于，

所述智能传感设备包括摄像头、身份识别器、手持移动终端。

8.一种警务行业云端边缘计算和人工智能融合装置，其特征在于，

包括警务云端和边缘端侧；其中，

警务云端，负责警务深度学习模型训练，通过管道下发到边缘端侧，同时接收边缘端侧的有效数据，将其作为训练数据持续进行模型的优化；

边缘端侧，负责接收来自警务云端的深度学习模型，对来自智能传感设备的数据实时进行推理分析，并将结果反馈给智能传感设备，同时在边缘端侧进行前端展示。