曹泓 儲政勇 李臻

摘 要：本文提出了一種基于深度學習的城市管理違章行為的分析算法，可以智能分析出視頻流中的常見違章行為，用于城市管理人員的遠程執(zhí)法，節(jié)省了人力;將深度學習算法部署在前端的邊緣計算設備，顯著的減小了云數(shù)據(jù)中心的計算壓力和數(shù)據(jù)傳輸?shù)难訒r，改善了系統(tǒng)的性能。

關鍵詞：深度學習;城市管理;邊緣計算

1 概述

深度學習是指讓計算機從經(jīng)驗中學習，并根據(jù)層次化的體系來實現(xiàn)人工智能。近年來，得益于更強大的計算能力和更大的數(shù)據(jù)集，深度學習的普及性和實用性都有了極大的發(fā)展，廣泛應用于計算機視覺、自然語言處理和自動控制等領域。[1]為了緩解資源擁塞，邊緣計算已成為解決物聯(lián)網(wǎng)和本地化計算需求的新架構，與云計算相比，邊緣計算將數(shù)據(jù)計算或存儲遷移到網(wǎng)絡“邊緣”，因此，邊緣計算可以減輕數(shù)據(jù)中心的計算壓力，并且可以顯著的減少數(shù)據(jù)交換中的傳輸時間。[2]隨著城市化進程的加快，城區(qū)的面積不斷增大，城市基礎設施不斷完善，城市部件劇增后單純依靠傳統(tǒng)網(wǎng)格化管理思路，信息采集員無法實現(xiàn)全部部件狀態(tài)實時采集并及時監(jiān)管事件進展，對于占道經(jīng)營、游攤小販和暴露垃圾等問題監(jiān)管缺失，呈現(xiàn)監(jiān)管不及時、執(zhí)法取證難、問題易反復等特點，[3]迫切需要信息化技術手段進行監(jiān)管，實現(xiàn)遠程執(zhí)法，提升城市管理水平和效率。

2 基于深度學習的城市管理違章行為分析

2.1 算法原理

基于深度學習的城市管理違章行為分析，包含4個部分，數(shù)據(jù)采集、數(shù)據(jù)集劃分、數(shù)據(jù)預處理和模型訓練等。

步驟1）數(shù)據(jù)采集，使用網(wǎng)絡機器人、公開的數(shù)據(jù)源和城管監(jiān)控視頻中獲取高分辨率的城市管理違章行為圖像，采集盡可能多的樣本圖片，涵蓋各種違章的類型;人工對樣本圖片進行標注，手動的標出圖片中占道經(jīng)營、游攤小販和暴露垃圾等城市違章行為。

步驟2）數(shù)據(jù)集劃分，采用留出法，將經(jīng)過標記的數(shù)據(jù)集劃分為訓練集、驗證集和測試集，其中訓練集占總數(shù)的2/3，驗證集和測試集分別占1/6。

步驟3）數(shù)據(jù)預處理，需要同時應用于訓練集、驗證集和測試集，其目的是將每個樣本置于更規(guī)范的形式，以便減少模型需要考慮的變化量，本研究采用的方法是對每個像素減去訓練樣本的平均值。

步驟4）模型訓練，網(wǎng)絡結構分為5個卷積層和3個全連接層，最后一個全連接層的輸出是每種違章類型的概率分布，在訓練過程中，采用修正線性單元，提高了模型訓練速度;為了防止模型的過擬合，對訓練集采用數(shù)據(jù)增強處理，進行樣本圖片的水平和垂直旋轉(zhuǎn)，以及改變圖片的RGB的強度。

2.2 基于邊緣計算的違章行為智能分析

構建邊緣計算平臺，包括邊緣設備、邊緣節(jié)點和云計算中心，[4]節(jié)省了大量的計算、傳輸、存儲成本，使得計算更加高效。

1）邊緣設備，包括城管部門的攝像頭、終端管理服務器以及存儲NVR等，設備支持通過自定義協(xié)議和Modbus協(xié)議等接入，設備接入后，將視頻流通過專網(wǎng)傳輸?shù)竭吘壒?jié)點，可以在邊緣節(jié)點中對設備進行統(tǒng)一管理。

2）邊緣節(jié)點，用于處理邊緣設備的數(shù)據(jù)，運行訓練后的違章行為分析模型，將發(fā)現(xiàn)的占道經(jīng)營、游攤小販和暴露垃圾等各種類型的違章行為，安全、便捷地傳輸?shù)皆朴嬎阒行?，和云端應用進行協(xié)同。

3）云計算中心，具有數(shù)據(jù)查詢，實時告警等功能，對于邊緣節(jié)點分析出的違章結果，上報給城管部門的工作人員，進行人工審核，作為業(yè)務系統(tǒng)后續(xù)處置的依據(jù);依據(jù)人工審核的結果，在云端對違章行為分析模型進行定期的訓練和更新，將更新后的模型推送到邊緣節(jié)點，利用云端訓練和邊緣推理的模式，實現(xiàn)云邊協(xié)同的智能處理。

3 結論

本文提出的基于邊緣計算和深度學習的城市違章行為智能分析，能夠有效的分析出視頻流中的常見違章行為，可以用于城市管理人員的遠程執(zhí)法，節(jié)省了人力;利用邊緣計算平臺，節(jié)省了大量的計算、傳輸和存儲成本，使得計算更加高效。

參考文獻：

[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.從數(shù)字城管到智慧城管：創(chuàng)新2.0視野下的城市管理創(chuàng)新.城市管理與科技，2012.14（06）：11-14.

[4]施巍松.邊緣計算：萬物互聯(lián)時代新型計算模型.計算機研究與發(fā)展，2017.54（05）：907-924.