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.