一种基于云边协同的深度学习算法迭代方法与流程

1.本发明涉及设备管理与物联网应用技术领域，特别是涉及一种基于云边协同的深度学习算法迭代方法。


背景技术：

2.基于深度学习的图像处理系统能够检测以不同形式出现的物体和特征，并可以更好的识别出变量环境中的物体，因此其在工业生产中得到了广泛应用。但是基于深度学习的系统在执行不同的检测任务时所使用的算法模型是各不相同的，若要根据不同的现场需求去人工部署调试算法十分耗费人力；同时在实际应用的工业现场还需要根据现场实际情况对算法模型实现更新迭代，基于深度学习的图像处理系统的算法迭代需要大量的现场数据支持，需要从工业现场采集数据进行标注，再由高性能服务器载入卷积神经网络进行训练，再由人工将迭代升级后的算法更新至对应的现场系统，整个算法迭代的过程的耗时较长，并且需要多名技术人员前往现场，低效且人力成本高。


技术实现要素：

3.针对以上技术问题，本发明提供一种基于云边协同的深度学习算法迭代方法。
4.本发明解决其技术问题采用的技术方案是：一种基于云边协同的深度学习算法迭代方法，方法包括以下步骤：s100：将边缘计算设备部署至工业现场，与视觉传感器进行连接并与云端平台建立通信，获取视觉传感器所传输图像数据与现场的任务要求；云端平台定义有对于图像数据处理的方法，视觉传感器上定义对应图像数据处理方法的调用方法；根据视觉传感器所传输图像数据与现场的任务要求得到相应的图像处理算法配置请求，并发送至云端平台；s200：云端平台接收到图像处理算法配置请求后，从算法仓库中获取对应图像处理算法包并下发至对应的边缘计算设备；其中，图像处理算法包中包括算法模型；s300：边缘计算设备对图像数据进行预处理，得到预处理后的图像数据，并运行图像处理算法包后得到运行状况和处理结果，将运行状况、处理结果和预处理后的图像数据发送至云端平台；s400：云端平台对运行状况及处理结果进行分析，判断对应边缘计算设备的处理结果是否满足预期要求，若是，则返回步骤s300处理下一图像数据，若否，则进入下一步；s500：云端平台从预处理后的图像数据中取出运行结果未达预期要求的数据，完成在线数据标注与审核，根据新的标注审核数据和历史数据自动进行算法模型训练，生成新的算法模型并进行测试验证得到最优模型，更新图像处理算法包；s600：云端平台将更新后的图像处理算法包下发至对应的边缘计算设备，边缘计算设备自动更新运行。
5.优选地，步骤s100中的边缘计算设备与云端平台建立通信包括可由单个边缘计算设备与云端平台进行通讯，也可由多个边缘计算设备建立边缘集群与云端平台进行通讯。
6.优选地，步骤s100中边缘计算设备与视觉传感器进行连接并与云端平台建立通信，包括：边缘计算设备可通过rj-45以太网接口以及usb3.2gen1与视觉传感器建立数据连接；边缘计算设备本身可通过wi-fi、以太网、4g中的任意一种与云端平台进行单独通信，上传运行状况、处理结果和预处理后的图像数据。
7.优选地，还包括：同一现场的边缘计算设备可通过物联网网关，利用rs232或rs484串口建立边缘集群，由一台边缘计算设备与云端平台进行通信，上传边缘集群中边缘计算设备的数据。
8.优选地，边缘计算设备包括第一通信服务模块、算法配置与更新模块、算法运行模块和系统管理模块，第一通信服务模块连接算法配置与更新模块，算法配置与更新模块连接算法运行模块，算法运行模块连接系统管理模块，系统管理模块连接第一通信服务模块；第一通信服务模块用于云端平台交互的数据收发以及与其他互联网实体的数据交互服务；算法配置与更新模块用于根据现场使用要求从云端平台下载对应的图像处理算法包，并根据现场实际情况进行配置，配置完成后，自动更新云端平台迭代后的算法包；算法运行模块用于根据算法包中的算法模型实时进行图像处理运行，并与终端设备进行交互；系统管理模块用于负责运行状况及处理过程和结果的监控和管理，并根据预设需求有选择的将运行过程中产生的运行数据存储在本地，将处理过程中产生的全局数据加密存储并上传到云端平台。
9.优选地，图像处理算法包包括缺陷检测图像处理算法、尺寸测量图像处理算法、目标定位图像处理算法和ocr识别图像处理算法。
10.优选地，云端平台包括第二通信服务模块、均连接第二通信服务模块的设备管理模块、数据仓库模块、算法仓库模块、数据标注与审核模块和模型迭代与评估模块，数据仓库模块连接数据标注与审核模块，数据标注与审核模块连接模型迭代与评估模块，模型迭代与评估模块连接算法仓库模块；设备管理模块用于根据边缘计算设备上传的运行数据对其进行分析，判断其图像处理结果是否达到预期的目标，并在仪表盘集中显示在线设备的运行状况；数据仓库模块用于储存边缘计算设备上传的所有历史软件版本和运行日志，用以备份回溯，同时根据边缘计算设备运行图像处理算法包的不同，分类存储边缘计算设备上传的预处理后的图像数据；算法仓库模块用于存储不同应用类型及其历史版本的算法包，算法包包含了运行对应应用的所有必要文件，当边缘计算设备发起图像处理算法配置请求后，根据图像处理算法配置请求提取对应的算法包发送至对应的边缘计算设备，同时每次训练迭代后的算法模型也会存储在算法仓库，由算法仓库进行迭代模型下发；数据标注与审核功能模块用于提供一个在线数据标准平台，当处理结果未达到预期时，从数据仓库中取出运行结果不理想的数据，在数据标注与审核平台推送数据标注与审核任务，以供后端维护人员在线完成数据的标注与审核；
模型迭代与评估模块用于根据需要优化的图像处理算法任务，基于新的标注审核数据和历史数据，自动进行算法模型训练与评估，并将迭代后的算法模型提交至算法仓库；第二通信服务模块负责边缘计算设备的数据收发以及与其他互联网实体的数据交互服务。
11.优选地，步骤s300中边缘计算设备对图像数据进行预处理操作为针对不同的图像处理任务预先设定的数据的预处理规则，其中，数据的预处理规则可通过云端平台进行远程更新。
12.优选地，预先设定的数据预处理规则包括图像预分割、图像数据去重和数据清洗，其中，图像预分割为预先对视觉传感器上传的图像数据进行分割处理，裁剪掉部分背景及不需要检测的区域，保留需要进行图像算法检测的区域；图像数据去重为自动屏蔽重复的图像数据，不对其进行上传处理；数据清洗为对边缘计算设备需要上传的数据中，重复的运行状况、未运行的图像处理方案、无效设备输出的处理结果以及无效的图像数据进行清洗。
13.优选地，步骤s300中边缘计算设备上传的运行状况与处理结果为实时上传的数据，而预处理后的图像数据则需要在图像检测系统未运行时进行上传；其中，图像检测系统为调用云端平台下发的算法包对图像进行处理的程序系统。
14.上述一种基于云边协同的深度学习算法迭代方法，利用云边协同的便捷性，可将不同的图像处理算法包快捷的部署到边缘计算设备，节省了大量人力物力，利用云端平台丰富的计算和存储资源，采用方便快捷的在线数据标注与审核模式，以增量稳定的图像算法迭代模型为基础实现深度学习算法模型的高效迭代升级。
附图说明
15.图1为本发明一实施例提供的一种基于云边协同的深度学习算法迭代方法流程图；图2为本发明一实施例中提供的一种基于云边协同的深度学习算法迭代方法应用的硬件架构图；图3为本发明一实施例中边缘计算设备服务实体组成；图4为本发明一实施例中云端平台服务实体组成。
具体实施方式
16.为了使本技术领域的人员更好地理解本发明的技术方案，下面结合附图对本发明作进一步的详细说明。
17.在一个实施例中，如图1所示，一种基于云边协同的深度学习算法迭代方法，方法包括以下步骤：s100：将边缘计算设备部署至工业现场，与视觉传感器进行连接并与云端平台建立通信，获取视觉传感器所传输图像数据与现场的任务要求；云端平台定义有对于图像数据处理的方法，视觉传感器上定义对应图像数据处理方法的调用方法；根据视觉传感器所传输图像数据与现场的任务要求得到相应的图像处理算法配置请求，并发送至云端平台。
18.在一个实施例中，如图2所示，步骤s100中的边缘计算设备与云端平台建立通信包括可由单个边缘计算设备与云端平台进行通讯，也可由多个边缘计算设备建立边缘集群与
云端平台进行通讯。
19.在一个实施例中，步骤s100中边缘计算设备与视觉传感器进行连接并与云端平台建立通信，包括：边缘计算设备可通过rj-45以太网接口以及usb3.2gen1与视觉传感器建立数据连接；边缘计算设备本身可通过wi-fi、以太网、4g中的任意一种与云端平台进行单独通信，上传运行状况、处理结果和预处理后的图像数据。
20.在一个实施例中，还包括：同一现场的边缘计算设备可通过物联网网关，利用rs232或rs484串口建立边缘集群，由一台边缘计算设备与云端平台进行通信，上传边缘集群中边缘计算设备的数据。
21.具体地，边缘计算设备可通过rj-45以太网接口以及最高usb3.2gen1与视觉传感器建立数据连接，实时获取图像传感器的图像数据；边缘计算设备本身可通过wi-fi、以太网、4g中的任意一种与云端进行单独通信，上传运行状况、处理结果、缓存图像数据；同一现场的边缘计算设备通过物联网网关，利用rs232或rs484串口建立边缘集群，由一台边缘计算设备上传整个集群中边缘计算设备的数据。
22.在一个实施例中，如图3所示，边缘计算设备包括第一通信服务模块、算法配置与更新模块、算法运行模块和系统管理模块，第一通信服务模块连接算法配置与更新模块，算法配置与更新模块连接算法运行模块，算法运行模块连接系统管理模块，系统管理模块连接第一通信服务模块；第一通信服务模块用于云端平台交互的数据收发以及与其他互联网实体的数据交互服务；算法配置与更新模块用于根据现场使用要求从云端平台下载对应的图像处理算法包，并根据现场实际情况进行配置，配置完成后，自动更新云端平台迭代后的算法包；算法运行模块用于根据算法包中的算法模型实时进行图像处理运行，并与终端设备进行交互；系统管理模块用于负责运行状况及处理过程和结果的监控和管理，并根据预设需求有选择的将运行过程中产生的运行数据存储在本地，将处理过程中产生的全局数据加密存储并上传到云端平台。
23.在一个实施例中，图像处理算法包包括缺陷检测图像处理算法、尺寸测量图像处理算法、目标定位图像处理算法和ocr识别图像处理算法。
24.具体地，边缘计算设备主要包括第一通信服务、算法配置与更新、算法运行、系统管理四个功能模块，四个功能模块赋予了边缘计算设备进行实时图像处理与数据存储上传的能力；算法配置与更新模块能根据现场使用要求从云端下载不同的图像处理算法包，包括但不限于缺陷检测、尺寸测量、目标定位、ocr识别等图像处理算法，并根据现场实际情况自动配置部署算法模型，配置完成后，也能自动更新云端迭代后的算法包；算法运行模块赋予了边缘计算设备根据现场的任务要求实时进行测量、检测、定位、识别等实际应用，并与终端设备进行交互；系统管理模块负责运行状况及处理过程和结果的监控和管理，并根据需求有选择的将运行过程中产生的数据，包括但不限于设备运行日志和图像数据，存储在本地，同时上传到云端。
25.进一步地，现场使用要求是指针对不同的处理需求产生不同的使用要求。例如对于不同类型或物体的样本图像，使用到的算法模型框架也不同。对于检测、识别、分类、分割等不同的使用要求调用相应的处理方法得到不同的算法包。终端设备是指根据实际的应用场景有不同的设备；例如边缘计算机终端，通过调用云端下发的算法包对相机采集到的图像目标进行检测，得到目标的坐标位置信息。预设需求比如说对于细胞图像进行检测识别，根据需求需要对图像中的细胞进行检测识别，分类，分割；根据需求需要保存算法处理过程中的参数数据有：1.根据检测模型检测到的图像中的细胞的数目；2. 根据分类模型统计不同类别的细胞的数目；3.根据分割模型计算的图像中细胞的面积计算图像细胞的平均面积等。
26.全局数据是指在利用算法对图像进行处理的过程中产生的输出数据，对于检测任务主要的数据有图像目标的坐标位置信息以及置信度等信息；对于分类任务主要包括图像的类别信息以及该类别的置信度；对于分割任务，包括有图像的轮廓信息等。加密体现在使用加密网络通信信道，如使用虚拟专用网络在用户和数据中心节点之间提供安全通道，从而确保传输的数据是安全的。
27.s200：云端平台接收到图像处理算法配置请求后，从算法仓库中获取对应图像处理算法包并下发至对应的边缘计算设备；其中，图像处理算法包中包括算法模型。
28.在一个实施例中，如图4所示，云端平台包括第二通信服务模块、均连接第二通信服务模块的设备管理模块、数据仓库模块、算法仓库模块、数据标注与审核模块和模型迭代与评估模块，数据仓库模块连接数据标注与审核模块，数据标注与审核模块连接模型迭代与评估模块，模型迭代与评估模块连接算法仓库模块；设备管理模块用于根据边缘计算设备上传的运行数据对其进行分析，判断其图像处理结果是否达到预期的目标，并在仪表盘集中显示在线设备的运行状况；数据仓库模块用于储存边缘计算设备上传的所有历史软件版本和运行日志，用以备份回溯，同时根据边缘计算设备运行图像处理算法包的不同，分类存储边缘计算设备上传的预处理后的图像数据；算法仓库模块用于存储不同应用类型及其历史版本的算法包，算法包包含了运行对应应用的所有必要文件，当边缘计算设备发起图像处理算法配置请求后，根据图像处理算法配置请求提取对应的算法包发送至对应的边缘计算设备，同时每次训练迭代后的算法模型也会存储在算法仓库，由算法仓库进行迭代模型下发；数据标注与审核功能模块用于提供一个在线数据标准平台，当处理结果未达到预期时，从数据仓库中取出运行结果不理想的数据，在数据标注与审核平台推送数据标注与审核任务，以供后端维护人员在线完成数据的标注与审核；模型迭代与评估模块用于根据需要优化的图像处理算法任务，基于新的标注审核数据和历史数据，自动进行算法模型训练与评估，并将迭代后的算法模型提交至算法仓库；第二通信服务模块负责边缘计算设备的数据收发以及与其他互联网实体的数据交互服务。
29.具体地，云端平台主要包括第二通信服务、设备管理、数据仓库、算法仓库、数据标注与审核、模型迭代与评估五个功能模块，五个功能模块赋予了云端对终端的管理能力、数据及算法储存能力、算法迭代优化能力；设备管理模块负责根据边缘计算设备上传的运行
数据对其进行分析，判断其图像处理结果是否达到预期的目标，并在仪表盘集中显示在线设备的运行状况；数据仓库模块负责储存边缘计算设备上传的所有历史运行日志，用以备份回溯，同时图像数据会根据对应的算法模型进行分类储存；算法仓库功能模块存储不同应用类型（例如字符识别、缺陷检测、尺寸测量、目标定位等）及其历史版本的算法包，算法包包含了运行该应用的所有必要文件，包括但不限于算法模型文件，运行该算法模型的其他依赖文件和相关配置文件，当边缘计算设备发起申请后，云端将对应的算法包发送至终端或终端集群；同时每次训练迭代后的模型也会存储在算法仓库，由算法仓库进行迭代模型下发；数据标注与审核功能模块提供了一个在线数据标准平台，当边端运行结果未达到预期时，云端从数据仓库中取出运行结果不理想的数据，在数据标注与审核平台推送数据标注与审核任务，后端维护人员在线完成数据的标注与审核；模型迭代与评估模块负责根据需要优化的图像处理算法任务，基于新的标注审核数据和历史数据，自动进行模型训练与评估，并将迭代后的算法模型提交算法仓库；第二通信服务模块负责边缘计算设备的数据收发以及与其他互联网实体的数据交互服务。
30.进一步地，运行数据包括：（1）运行状况：边缘设备是否成功调用调用算法模型，若调用失败返回错误码用以分析错误原因；（2）处理结果：若算法包调用成功，则返回图像调用算法模型的识别结果，可能包含目标的位置信息以及置信度等。软件版本控制与日志记录数据：用于存储已成功运行并发布的软件版本以及运行过程中程序的日志记录。对于收集到的图像数据，根据算法包中的相关处理，进行筛选与处理并上传到云端。
31.s300：边缘计算设备对图像数据进行预处理，得到预处理后的图像数据，并运行图像处理算法包后得到运行状况和处理结果，将运行状况、处理结果和预处理后的图像数据发送至云端平台。
32.在一个实施例中，步骤s300中边缘计算设备对图像数据进行预处理操作为针对不同的图像处理任务预先设定的数据的预处理规则，其中，数据的预处理规则可通过云端平台进行远程更新。
33.具体地，图像处理任务一般包括图像的目标检测、图像的分类、图像的分割等。具体的项目例如：对细胞图像中的细胞进行检测识别，对细胞进行分类例如血小板、红细胞、白细胞（其中白细胞还可分为嗜酸/嗜碱/中性粒/淋巴/单核 细胞），对细胞进行分割可以计算细胞的面积等等...在一个实施例中，预先设定的数据预处理规则包括图像预分割、图像数据去重和数据清洗，其中，图像预分割为预先对视觉传感器上传的图像数据进行分割处理，裁剪掉部分背景及不需要检测的区域，保留需要进行图像算法检测的区域；图像数据去重为自动屏蔽重复的图像数据，不对其进行上传处理；数据清洗为对边缘计算设备需要上传的数据中，重复的运行状况、未运行的图像处理方案、无效设备输出的处理结果以及无效的图像数据进行清洗。
34.在一个实施例中，步骤s300中边缘计算设备上传的运行状况与处理结果为实时上传的数据，而预处理后的图像数据则需要在图像检测系统未运行时进行上传；其中，图像检测系统为调用云端平台下发的算法包对图像进行处理的程序系统。
35.s400：云端平台对运行状况及处理结果进行分析，判断对应边缘计算设备的处理结果是否满足预期要求，若是，则返回步骤s300处理下一图像数据，若否，则进入下一步；
s500：云端平台从预处理后的图像数据中取出运行结果未达预期要求的数据，完成在线数据标注与审核，根据新的标注审核数据和历史数据自动进行算法模型训练，生成新的算法模型并进行测试验证得到最优模型，更新图像处理算法包；s600：云端平台将更新后的图像处理算法包下发至对应的边缘计算设备，边缘计算设备自动更新运行。
36.本发明的优点在于：1.一种基于云边协同的深度学习算法迭代方法，利用云边协同的便捷性，可将不同的图像处理算法快捷的部署到终端或终端集群，节省了大量人力物力。
37.2.一种基于云边协同的深度学习算法迭代方法，利用云端平台丰富的计算和存储资源，采用方便快捷的在线数据标注与审核模式，以增量稳定的图像算法迭代模型为基础实现深度学习算法模型的高效迭代升级。
38.3.一种基于云边协同的深度学习算法迭代方法，各个边缘计算设备只存储本地收集的部分数据，全局数据加密保存在云计算平台，为数据的安全防护提供较好的基础环境。
39.以上对本发明所提供的一种基于云边协同的深度学习算法迭代方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

技术特征：
1.一种基于云边协同的深度学习算法迭代方法，其特征在于，所述方法包括以下步骤：s100：将边缘计算设备部署至工业现场，与视觉传感器进行连接并与云端平台建立通信，获取所述视觉传感器所传输图像数据与现场的任务要求；所述云端平台定义有对于图像数据处理的方法，所述视觉传感器上定义对应图像数据处理方法的调用方法；根据所述视觉传感器所传输图像数据与所述现场的任务要求得到相应的图像处理算法配置请求，并发送至云端平台；s200：所述云端平台接收到所述图像处理算法配置请求后，从算法仓库中获取对应图像处理算法包并下发至对应的边缘计算设备；其中，所述图像处理算法包中包括算法模型；s300：所述边缘计算设备对所述图像数据进行预处理，得到预处理后的图像数据，并运行所述图像处理算法包后得到运行状况和处理结果，将所述运行状况、处理结果和所述预处理后的图像数据发送至所述云端平台；s400：所述云端平台对所述运行状况及所述处理结果进行分析，判断对应边缘计算设备的处理结果是否满足预期要求，若是，则返回步骤s300处理下一图像数据，若否，则进入下一步；s500：所述云端平台从所述预处理后的图像数据中取出运行结果未达预期要求的数据，完成在线数据标注与审核，根据新的标注审核数据和历史数据自动进行所述算法模型训练，生成新的算法模型并进行测试验证得到最优模型，更新所述图像处理算法包；s600：所述云端平台将更新后的图像处理算法包下发至对应的边缘计算设备，所述边缘计算设备自动更新运行。2.根据权利要求1所述的方法，其特征在于，步骤s100中的边缘计算设备与云端平台建立通信包括可由单个边缘计算设备与云端平台进行通讯，也可由多个边缘计算设备建立边缘集群与云端平台进行通讯。3.根据权利要求2所述的方法，其特征在于，步骤s100中边缘计算设备与视觉传感器进行连接并与云端平台建立通信，包括：所述边缘计算设备可通过rj-45以太网接口以及usb3.2gen1与所述视觉传感器建立数据连接；所述边缘计算设备本身可通过wi-fi、以太网、4g中的任意一种与所述云端平台进行单独通信，上传运行状况、处理结果和预处理后的图像数据。4.根据权利要求2所述的方法，其特征在于，还包括：同一现场的边缘计算设备可通过物联网网关，利用rs232或rs484串口建立边缘集群，由一台边缘计算设备与所述云端平台进行通信，上传所述边缘集群中边缘计算设备的数据。5.根据权利要求3或4中任一项所述的方法，其特征在于，所述边缘计算设备包括第一通信服务模块、算法配置与更新模块、算法运行模块和系统管理模块，所述第一通信服务模块连接所述算法配置与更新模块，所述算法配置与更新模块连接所述算法运行模块，所述算法运行模块连接所述系统管理模块，所述系统管理模块连接所述第一通信服务模块；所述第一通信服务模块用于所述云端平台交互的数据收发以及与其他互联网实体的数据交互服务；所述算法配置与更新模块用于根据现场使用要求从所述云端平台下载对应的图像处
理算法包，并根据现场实际情况进行配置，配置完成后，自动更新所述云端平台迭代后的算法包；算法运行模块用于根据所述算法包中的算法模型实时进行图像处理运行，并与终端设备进行交互；系统管理模块用于负责运行状况及处理过程和结果的监控和管理，并根据预设需求有选择的将运行过程中产生的运行数据存储在本地，将处理过程中产生的全局数据加密存储并上传到所述云端平台。6.根据权利要求5所述的方法，其特征在于，所述图像处理算法包包括缺陷检测图像处理算法、尺寸测量图像处理算法、目标定位图像处理算法和ocr识别图像处理算法。7.根据权利要求6所述的方法，其特征在于，所述云端平台包括第二通信服务模块、均连接所述第二通信服务模块的设备管理模块、数据仓库模块、算法仓库模块、数据标注与审核模块和模型迭代与评估模块，所述数据仓库模块连接所述数据标注与审核模块，所述数据标注与审核模块连接所述模型迭代与评估模块，所述模型迭代与评估模块连接所述算法仓库模块；所述设备管理模块用于根据所述边缘计算设备上传的运行数据对其进行分析，判断其图像处理结果是否达到预期的目标，并在仪表盘集中显示在线设备的运行状况；所述数据仓库模块用于储存所述边缘计算设备上传的所有历史软件版本和运行日志，用以备份回溯，同时根据所述边缘计算设备运行图像处理算法包的不同，分类存储所述边缘计算设备上传的预处理后的图像数据；所述算法仓库模块用于存储不同应用类型及其历史版本的算法包，算法包包含了运行对应应用的所有必要文件，当所述边缘计算设备发起图像处理算法配置请求后，根据所述图像处理算法配置请求提取对应的算法包发送至对应的边缘计算设备，同时每次训练迭代后的算法模型也会存储在算法仓库，由算法仓库进行迭代模型下发；所述数据标注与审核功能模块用于提供一个在线数据标准平台，当处理结果未达到预期时，从数据仓库中取出运行结果不理想的数据，在数据标注与审核平台推送数据标注与审核任务，以供后端维护人员在线完成数据的标注与审核；所述模型迭代与评估模块用于根据需要优化的图像处理算法任务，基于新的标注审核数据和历史数据，自动进行算法模型训练与评估，并将迭代后的算法模型提交至所述算法仓库；所述第二通信服务模块负责所述边缘计算设备的数据收发以及与其他互联网实体的数据交互服务。8.根据权利要求7所述的方法，其特征在于，步骤s300中所述边缘计算设备对所述图像数据进行预处理操作为针对不同的图像处理任务预先设定的数据的预处理规则，其中，所述数据的预处理规则可通过所述云端平台进行远程更新。9.根据权利要求8所述的方法，其特征在于，预先设定的数据预处理规则包括图像预分割、图像数据去重和数据清洗，其中，所述图像预分割为预先对视觉传感器上传的图像数据进行分割处理，裁剪掉部分背景及不需要检测的区域，保留需要进行图像算法检测的区域；所述图像数据去重为自动屏蔽重复的图像数据，不对其进行上传处理；所述数据清洗为对边缘计算设备需要上传的数据中，重复的运行状况、未运行的图像处理方案、无效设备输出
的处理结果以及无效的图像数据进行清洗。10.根据权利要求9所述的方法，其特征在于，步骤s300中边缘计算设备上传的运行状况与处理结果为实时上传的数据，而预处理后的图像数据则需要在图像检测系统未运行时进行上传；其中，所述图像检测系统为调用所述云端平台下发的算法包对图像进行处理的程序系统。

技术总结
本发明公开了一种基于云边协同的深度学习算法迭代方法，包括S1、边缘计算设备部署至现场后，根据现场要求向云端平台发送相应的图像处理算法配置请求；S2、云端接收到请求后，将算法仓库中的对应图像处理算法下发至对应的边缘计算设备；S3、边缘计算设备试运行图像处理算法，并将运行状况、运行结果、预处理后的图像数据发送至云端；S4、云端根据边端设备发送的数据对其进行分析，若处理结果满足预期需求则返回S3，否则进入S5；S5、云端平台根据未满足预期要求的数据，完成在线数据标注与审核，对算法模型训练得到最优模型；S6：云端平台将迭代后的最优模型和相关配置下发至对应的边缘计算设备自动更新运行。迭代效率高。计算设备自动更新运行。迭代效率高。计算设备自动更新运行。迭代效率高。


技术研发人员：李康军 龚权华 张嘉莉 鲍文一 尉建浩 何世超 张寒乐 李艳斌 庞敏丽
受保护的技术使用者：湖南睿图智能科技有限公司
技术研发日：2023.07.14
技术公布日：2023/8/13