基于边缘计算和深度学习的城市违章行为智能分析

来源:用户上传      作者:

　　摘 要：本文提出了一种基于深度学习的城市管理违章行为的分析算法，可以智能分析出视频流中的常见违章行为，用于城市管理人员的远程执法，节省了人力;将深度学习算法部署在前端的边缘计算设备，显著的减小了云数据中心的计算压力和数据传输的延时，改善了系统的性能。
　　关键词：深度学习;城市管理;边缘计算
　　1 概述
　　深度学习是指让计算机从经验中学习，并根据层次化的体系来实现人工智能。近年来，得益于更强大的计算能力和更大的数据集，深度学习的普及性和实用性都有了极大的发展，广泛应用于计算机视觉、自然语言处理和自动控制等领域。[1]为了缓解资源拥塞，边缘计算已成为解决物联网和本地化计算需求的新架构，与云计算相比，边缘计算将数据计算或存储迁移到网络“边缘”，因此，边缘计算可以减轻数据中心的计算压力，并且可以显著的减少数据交换中的传输时间。[2]随着城市化进程的加快，城区的面积不断增大，城市基础设施不断完善，城市部件剧增后单纯依靠传统网格化管理思路，信息采集员无法实现全部部件状态实时采集并及时监管事件进展，对于占道经营、游摊小贩和暴露垃圾等问题监管缺失，呈现监管不及时、执法取证难、问题易反复等特点，[3]迫切需要信息化技术手段进行监管，实现远程执法，提升城市管理水平和效率。
　　2 基于深度学习的城市管理违章行为分析
　　2.1 算法原理
　　基于深度学习的城市管理违章行为分析，包含4个部分，数据采集、数据集划分、数据预处理和模型训练等。
　　步骤1）数据采集，使用网络机器人、公开的数据源和城管监控视频中获取高分辨率的城市管理违章行为图像，采集尽可能多的样本图片，涵盖各种违章的类型;人工对样本图片进行标注，手动的标出图片中占道经营、游摊小贩和暴露垃圾等城市违章行为。
　　步骤2）数据集划分，采用留出法，将经过标记的数据集划分为训练集、验证集和测试集，其中训练集占总数的2/3，验证集和测试集分别占1/6。
　　步骤3）数据预处理，需要同时应用于训练集、验证集和测试集，其目的是将每个样本置于更规范的形式，以便减少模型需要考虑的变化量，本研究采用的方法是对每个像素减去训练样本的平均值。
　　步骤4）模型训练，网络结构分为5个卷积层和3个全连接层，最后一个全连接层的输出是每种违章类型的概率分布，在训练过程中，采用修正线性单元，提高了模型训练速度;为了防止模型的过拟合，对训练集采用数据增强处理，进行样本图片的水平和垂直旋转，以及改变图片的RGB的强度。
　　2.2 基于边缘计算的违章行为智能分析
　　构建边缘计算平台，包括边缘设备、边缘节点和云计算中心，[4]节省了大量的计算、传输、存储成本，使得计算更加高效。
　　1）边缘设备，包括城管部门的摄像头、终端管理服务器以及存储NVR等，设备支持通过自定义协议和Modbus协议等接入，设备接入后，将视频流通过专网传输到边缘节点，可以在边缘节点中对设备进行统一管理。
　　2）边缘节点，用于处理边缘设备的数据，运行训练后的违章行为分析模型，将发现的占道经营、游摊小贩和暴露垃圾等各种类型的违章行为，安全、便捷地传输到云计算中心，和云端应用进行协同。
　　3）云计算中心，具有数据查询，实时告警等功能，对于边缘节点分析出的违章结果，上报给城管部门的工作人员，进行人工审核，作为业务系统后续处置的依据;依据人工审核的结果，在云端对违章行为分析模型进行定期的训练和更新，将更新后的模型推送到边缘节点，利用云端训练和边缘推理的模式，实现云边协同的智能处理。
　　3 结论
　　本文提出的基于边缘计算和深度学习的城市违章行为智能分析，能够有效的分析出视频流中的常见违章行为，可以用于城市管理人员的远程执法，节省了人力;利用边缘计算平台，节省了大量的计算、传输和存储成本，使得计算更加高效。
　　参考文献：
　　[1]LeCun，Y.，Y.Bengio，and G.Hinton，Deep learning.Nature，2015.521（7553）：436-444.
　　[2]Yu，W.，et al.，A Survey on the Edge Computing for the Internet of Things.Ieee Access，2018.6：6900-6919.
　　[3]宋剛.从数字城管到智慧城管：创新2.0视野下的城市管理创新.城市管理与科技，2012.14（06）：11-14.
　　[4]施巍松.边缘计算：万物互联时代新型计算模型.计算机研究与发展，2017.54（05）：907-924.
转载注明来源:https://www.xzbu.com/1/view-14982693.htm