一种基于AI视觉的云边协同作业风险分析方法及系统与流程

摘要: 本发明涉及人工智能视觉分析、边缘计算交叉,具体为一种基于ai视觉的云边协同作业风险分析方法及系统。背景技术:1、随着工业现场安全管控要求的不断提升,ai视觉识别...
一种基于AI视觉的云边协同作业风险分析方法及系统与流程

本发明涉及人工智能视觉分析、边缘计算交叉,具体为一种基于ai视觉的云边协同作业风险分析方法及系统。

背景技术:

1、随着工业现场安全管控要求的不断提升,ai视觉识别技术已在人员行为识别、设备状态监测、环境隐患预警及异常事件追溯等场景得到广泛应用。尤其在电厂、化工、矿山及大型能源场站等工业现场,高危作业种类多、作业区域分散、作业时效性强,现场环境复杂多变,对视频智能分析系统的实时性、准确性、稳定性及协同性提出了更高要求。

2、现有技术中,一种主要采用中心云端集中分析方式,将现场视频数据统一上传至中心侧进行推理识别和预警处理。该方式虽然便于统一管理和集中算力利用,但在实际应用中通常需要占用较大的网络带宽和中心算力资源,当监控点位数量较多、视频流并发量较大时,容易出现传输压力大、分析时延高、实时预警能力不足等问题。对于高危作业场景而言,若完全依赖云端分析,往往难以及时满足现场快速响应需求;另一种主要采用边缘侧独立分析方式,在场站本地就近完成视频推理和告警输出。该方式在一定程度上降低了网络传输压力并提升了实时性,但由于边缘节点算力规模有限,面对复杂作业场景、多模型并行识别任务或高并发视频流时,容易出现分析能力受限、复杂场景复核能力不足、误报处理效率不高以及模型更新不同步等问题。同时,单纯依赖边缘侧处理,也难以充分利用中心侧的模型训练与统一优化能力,不利于识别模型持续迭代升级;部分现有方案中,预警结果处理、人工复核、误报修正、模型训练优化与模型重新下发之间相互割裂,难以构建从现场感知、边侧分析、云侧复核到模型持续优化的完整技术闭环,从而影响系统在复杂工业场景下的长期适应能力和综合应用效果。

3、如何在保证现场实时预警能力的同时,兼顾中心侧的复核精度和模型持续进化能力,并在有限带宽和分散算力条件下实现任务的动态协同分配,是本发明着重解决的核心问题。与此同时,作业现场的风险来源多维,作业类型、作业区域、历史违规情况、人员资质偏差等因素均会直接影响现场安全水平,仅凭单一维度信息难以全面反映作业风险程度,进而导致云边调度决策失准;并且,如何根据任务实时性、网络带宽/时延、边侧和云侧算力状态,自动确定任务在边侧执行、云侧执行或在云边两侧拆分执行,亦是需要妥善处理的技术问题。

技术实现思路

1、鉴于上述存在的问题,提出了本发明。

2、因此,本发明解决的技术问题是:现有的工业现场ai视觉安全管控方法存在实时性差、网络带宽占用高、算力利用不均衡、云边协同割裂,以及多维风险量化与任务调度决策困难的问题。

3、为解决上述技术问题,本发明提供如下技术方案:一种基于ai视觉的云边协同作业风险分析方法,包括获取端侧感知设备采集信息,生成视觉分析任务,并获取视觉分析任务的多维状态参数,多维状态参数包括实时性要求、作业风险等级,以及网络带宽状态、网络时延状态、边侧可用算力状态和云侧可用算力状态;对视觉分析任务进行云边协同分配,由边侧分析节点对分配至边侧的视觉分析任务执行实时推理分析,在识别到符合预设告警条件的异常事件时,生成预警结果;将符合云侧复核条件的预警事件对应的关键证据数据上传至云侧管控平台,由云侧管控平台执行复核分析;将边侧分析结果和云侧复核结果作为模型优化样本,更新分析策略,并将更新后的分析策略下发至边侧分析节点。

4、作为本发明所述的基于ai视觉的云边协同作业风险分析方法的一种优选方案,其中:作业风险等级具体由作业风险评分确定,作业风险评分根据作业信息中的内容计算获取;根据作业信息中作业类型对应的预设风险映射关系确定作业类型风险值;根据作业信息中作业区域对应的危险等级映射关系确定作业区域风险值;根据作业信息中目标作业区域和/或目标作业类型在预设时间窗口内的历史违规统计结果确定历史事件风险值;根据作业信息中作业人员的资质匹配结果确定资质偏差风险值;将作业类型风险值、作业区域风险值、历史事件风险值和资质偏差风险值按预设权重加权求和,得到作业风险评分,并将作业风险评分直接参与云边协同分配。

5、作为本发明所述的基于ai视觉的云边协同作业风险分析方法的一种优选方案,其中:云边协同分配包括,当实时性要求对应的最大允许响应时长不大于预设时延阈值时,将视觉分析任务分配至边侧分析节点执行;当作业风险评分不低于预设风险阈值时,在边侧分析节点执行实时分析的同时,为视觉分析任务配置云侧抽检复核流程;当边侧可用算力状态低于预设算力阈值且最大允许响应时长大于预设时延阈值时,将视觉分析任务迁移至云侧管控平台和/或空闲边侧节点执行;当网络带宽状态低于预设带宽阈值时,仅将视觉分析任务对应的关键证据数据上传至云侧管控平台执行复核。

6、作为本发明所述的基于ai视觉的云边协同作业风险分析方法的一种优选方案,其中:将视觉分析任务对应的关键证据数据上传至云侧管控平台执行复核包括,根据网络带宽状态所处的带宽档位,选择向云侧管控平台上传结构化结果、关键帧或关键证据片段中的至少一种;当网络带宽状态处于低带宽档位时仅上传结构化结果,当网络带宽状态处于中间带宽档位时上传关键帧,当网络带宽状态处于高带宽档位时上传关键证据片段。

7、作为本发明所述的基于ai视觉的云边协同作业风险分析方法的一种优选方案,其中:边侧分析节点在执行实时推理分析时,获取识别结果的置信度,并根据置信度所处的区间对识别事件进行分层处理;当置信度不低于预设高置信度阈值时,在边侧分析节点生成预警结果;当置信度落入预设灰区置信度区间时,将对应事件作为待复核事件上传至云侧管控平台执行复核;当置信度低于预设低置信度阈值时,仅执行本地记录不生成正式预警。

8、作为本发明所述的基于ai视觉的云边协同作业风险分析方法的一种优选方案,其中:云侧管控平台执行复核后,根据复核结果对预警事件进行确认、修正、抑制和/或优先级调整,将复核结果写入预警事件对应的证据链数据结构中。

9、作为本发明所述的基于ai视觉的云边协同作业风险分析方法的一种优选方案,其中:当处于无网或弱网状态时,边侧分析节点对未能实时上传的数据执行本地缓存;在网络恢复后,以断点续传方式将缓存数据上传至云侧管控平台;云侧管控平台按预设补分析策略对所述缓存数据执行补分析,并将补分析结果与实时预警结果关联归档。

10、作为本发明所述的基于ai视觉的云边协同作业风险分析方法的一种优选方案,其中:将补分析结果与实时预警结果关联归档包括,将补分析生成的预警事件与对应的原始事件记录关联归档,形成包含实时分析结果、复核结果和补分析结果的完整事件链,并将完整事件链对应的数据作为优化样本纳入更新流程。

11、作为本发明所述的基于ai视觉的云边协同作业风险分析方法的一种优选方案,其中:更新分析策略包括,将已确认告警样本、误报样本、人工复核修正样本和离线补分析样本作为优化样本,按事件类型、作业场景和风险等级分类存储,并经数据清洗和标注后更新分析策略;更新后的分析策略包括模型参数、模型版本、预警阈值、报警间隔、轮询周期和检测区域配置,并将更新后的分析策略下发至边侧分析节点。

12、本发明的另外一个目的是提供一种基于ai视觉的云边协同作业风险分析系统,其能通过将符合复核条件的预警事件对应的关键证据数据上传至云侧管控平台,由所述云侧管控平台执行复核分析,解决了目前的工业现场ai视觉安全管控存在网络带宽消耗多、算力利用不均衡的问题。

13、作为本发明所述的基于ai视觉的云边协同作业风险分析系统的一种优选方案,其中:包括任务调度模块,边侧分析模块,云侧复核模块,模型迭代模块;任务调度模块用于根据端侧感知设备采集数据生成视觉分析任务,获取视觉分析任务的实时性要求、作业风险等级以及网络带宽状态、网络时延状态、边侧可用算力状态和云侧可用算力状态,并将视觉分析任务分配至边侧执行、云侧执行或云边两侧拆分执行;边侧分析模块用于对分配至边侧的视觉分析任务执行实时推理分析,在识别到符合预设告警条件的异常事件时生成预警结果,并在无网或弱网状态下对未能实时上传的视频数据执行本地缓存且在网络恢复后断点续传上传;云侧复核模块用于对符合复核条件的预警事件执行复核分析,根据复核结果对预警事件进行确认、修正、抑制和/或优先级调整,并对断点续传上传的缓存数据执行补分析,将补分析结果与实时预警结果关联归档;模型迭代模块用于将边侧的分析结果、云侧复核结果、误报标记结果、人工复核修正结果和离线补分析结果作为优化样本,更新分析策略,并将更新后的分析策略下发至边侧分析模块。

14、本发明的有益效果:

15、本发明提供的基于ai视觉的云边协同作业风险分析方法通过对实时性要求高的任务优先在边侧执行,实现现场视频就近分析和即时告警,降低了全量视频上云所引起的传输时延,提高了高危作业场景下的实时响应能力;通过对高风险作业或满足复核条件的预警事件,仅上传关键帧、关键证据片段和/或结构化结果至云侧复核,在保证复核精度的同时减少了网络带宽消耗,提高了中心算力利用效率;根据任务实时性、作业风险等级、网络状态和算力状态动态确定任务在云侧与边侧之间的执行位置,实现了任务的按需调度与资源的协同利用,提升了系统在复杂工业场景下的适应性;通过引入离线视频缓存、断点续传和补分析机制,能够在弱网或断网条件下保持边侧业务持续运行,并在网络恢复后完成事件补分析和结果同步,从而提高了风险追溯的完整性和业务连续性;通过将边侧分析结果、云侧复核结果、误报修正结果及离线补分析结果纳入统一的模型迭代闭环中,实现了分析模型和分析策略的持续优化,提高了后续同类场景下的识别准确率和预警可靠性。