一种云边协同自主学习的智能识别系统的制作方法

1.本发明涉及智能识别相关领域，尤其涉及一种云边协同自主学习的智能识别系统。


背景技术：

2.随着国民经济的快速发展，国家对能源的需求越来越大，而管道是输送石油天然气最经济的重要途径。然而随着城镇化的快速发展，管道安全防护要求也越来越高，尤其是管道线路高后果区的安全监管压力越来越大。目前对于管道线路高后果区的主要安全防护措施采用人工定期巡护的方式，辅以视频监控和无人机巡护。由于人员定期巡护具有一定的时间规律，易被不法分子所掌握，不利于管道的安全监管。虽然近些年管道线路上陆续安装了视频监控设备，基本实现了线路安全风险监管的可视化，但也带来一些问题，如视频画面谁来看、看什么、怎么看等一系列问题。目前部分摄像机自带有一些智能识别算法和功能，由于摄像机自带算法的针对性不强，导致在管道行业中应用时产生了大量的误报和无效报警。随着人工智能技术以及硬件产品的不断发展，边缘计算逐渐发展起来，使得通过在前端写入较为复杂的识别算法进行安全风险智能识别成为了可能。
3.但本技术发明人在实现本技术实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
4.存在边缘计算所采用的芯片算力有限，所能实现的智能识别项受到限制，同时算法的识别准确率较低，导致误报率升高，降低管理效率的问题。


技术实现要素：

5.本技术实施例通过提供一种云边协同自主学习的智能识别系统，解决了现有技术中存在边缘计算所采用的芯片算力有限，所能实现的智能识别项受到限制，同时算法的识别准确率较低，导致误报率升高，降低管理效率的技术问题，达到了实现风险智能识别，减少误报和无效报警，提高管理智能水平和提高管理能力，能够根据现场应用环境所需的智能识别项更新边缘计算设备的算法，丰富边缘计算设备的功能，从而实现云边协同，自主训练学习的技术效果。
6.鉴于上述问题，提出了本技术实施例提供一种云边协同自主学习的智能识别系统。
7.第一方面，本技术实施例提供了一种云边协同自主学习的智能识别系统，其中，所述系统与一云服务器通信连接，所述系统包括：第一获得单元，所述第一获得单元用于获得油气管道线路的风险识别要素集合；第一构建单元，所述第一构建单元用于根据所述风险识别要素集合，构建管道风险识别数据库；第一生成单元，所述第一生成单元用于将所述管道风险识别数据库输入边缘计算设备中进行算法识别匹配写入，生成算法识别匹配模型；第二获得单元，所述第二获得单元用于将所述油气管道线路的第一监测视频信息输入所述算法识别匹配模型中，根据所述算法识别匹配模型，获得第一报警信息；第一执行单元，所
述第一执行单元用于将所述第一报警信息传输至所述云服务器中，其中，所述云服务器包括智能识别管理平台和智能识别算法训练平台；第三获得单元，所述第三获得单元用于根据所述智能识别管理平台对所述第一报警信息进行误报标签识别，获得第一标签归类结果；第四获得单元，所述第四获得单元用于将所述第一标签归类结果输入所述智能识别算法训练平台中进行误报优化模型训练，根据所述误报优化模型，获得第一优化信息；第二执行单元，所述第二执行单元用于根据所述第一优化信息对所述边缘计算设备中的所述算法识别匹配模型进行优化。
8.另一方面，本技术还提供了一种云边协同自主学习的智能识别方法，所述方法包括：获得油气管道线路的风险识别要素集合；根据所述风险识别要素集合，构建管道风险识别数据库；将所述管道风险识别数据库输入边缘计算设备中进行算法识别匹配写入，生成算法识别匹配模型；将所述油气管道线路的第一监测视频信息输入所述算法识别匹配模型中，根据所述算法识别匹配模型，获得第一报警信息；将所述第一报警信息传输至所述云服务器中，其中，所述云服务器包括智能识别管理平台和智能识别算法训练平台；根据所述智能识别管理平台对所述第一报警信息进行误报标签识别，获得第一标签归类结果；将所述第一标签归类结果输入所述智能识别算法训练平台中进行误报优化模型训练，根据所述误报优化模型，获得第一优化信息；根据所述第一优化信息对所述边缘计算设备中的所述算法识别匹配模型进行优化。
9.第三方面，本发明提供了一种云边协同自主学习的智能识别系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面所述方法的步骤。
10.本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
11.由于采用了获得油气管道线路的风险识别要素集合；根据所述风险识别要素集合，构建管道风险识别数据库；将所述管道风险识别数据库输入边缘计算设备中进行算法识别匹配写入，生成算法识别匹配模型；将所述油气管道线路的第一监测视频信息输入所述算法识别匹配模型中，根据所述算法识别匹配模型，获得第一报警信息；将所述第一报警信息传输至所述云服务器中，其中，所述云服务器包括智能识别管理平台和智能识别算法训练平台；根据所述智能识别管理平台对所述第一报警信息进行误报标签识别，获得第一标签归类结果；将所述第一标签归类结果输入所述智能识别算法训练平台中进行误报优化模型训练，根据所述误报优化模型，获得第一优化信息；根据所述第一优化信息对所述边缘计算设备中的所述算法识别匹配模型进行优化。达到了实现风险智能识别，减少误报和无效报警，提高管理智能水平和提高管理能力，能够根据现场应用环境所需的智能识别项更新边缘计算设备的算法，丰富边缘计算设备的功能，从而实现云边协同，自主训练学习的技术效果。
12.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
13.图1为本技术实施例一种云边协同自主学习的智能识别系统的流程示意图；
14.图2为本技术实施例一种云边协同自主学习的智能识别系统的进行误报标记流程示意图；
15.图3为本技术实施例一种云边协同自主学习的智能识别系统的生成第一准确系数流程示意图；
16.图4为本技术实施例一种云边协同自主学习的智能识别系统的获得第一优化信息流程示意图；
17.图5为本技术实施例一种云边协同自主学习的智能识别系统的结构示意图；
18.图6为本技术实施例示例性电子设备的结构示意图。
19.附图标记说明：第一获得单元11，第一构建单元12，第一生成单元13，第二获得单元14，第一执行单元15，第三获得单元16，第四获得单元17，第二执行单元18，计算设备90，存储器91，处理器 92，输入输出接口93。
具体实施方式
20.本技术实施例通过提供一种云边协同自主学习的智能识别系统，解决了现有技术中存在边缘计算所采用的芯片算力有限，所能实现的智能识别项受到限制，同时算法的识别准确率较低，导致误报率升高，降低管理效率的技术问题。达到了实现风险智能识别，减少误报和无效报警，提高管理智能水平和提高管理能力，能够根据现场应用环境所需的智能识别项更新边缘计算设备的算法，丰富边缘计算设备的功能，从而实现云边协同，自主训练学习的技术效果。
21.下面，将参考附图详细的描述根据本技术的示例实施例。显然，所描述的实施例仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
22.申请概述
23.随着国民经济的快速发展，国家对能源的需求越来越大，而管道是输送石油天然气最经济的重要途径。然而随着城镇化的快速发展，管道安全防护要求也越来越高，尤其是管道线路高后果区的安全监管压力越来越大。目前对于管道线路高后果区的主要安全防护措施采用人工定期巡护的方式，辅以视频监控和无人机巡护。由于人员定期巡护具有一定的时间规律，易被不法分子所掌握，不利于管道的安全监管。虽然近些年管道线路上陆续安装了视频监控设备，基本实现了线路安全风险监管的可视化，但也带来一些问题，如视频画面谁来看、看什么、怎么看等一系列问题。目前部分摄像机自带有一些智能识别算法和功能，由于摄像机自带算法的针对性不强，导致在管道行业中应用时产生了大量的误报和无效报警。随着人工智能技术以及硬件产品的不断发展，边缘计算逐渐发展起来，使得通过在前端写入较为复杂的识别算法进行安全风险智能识别成为了可能。现有技术中存在边缘计算所采用的芯片算力有限，所能实现的智能识别项受到限制，同时算法的识别准确率较低，导致误报率升高，降低管理效率的技术问题。
24.针对上述技术问题，本技术提供的技术方案总体思路如下：
25.本技术实施例提供了一种云边协同自主学习的智能识别系统，其中，所述系统与一云服务器通信连接，所述系统包括：第一获得单元，所述第一获得单元用于获得油气管道线路的风险识别要素集合；第一构建单元，所述第一构建单元用于根据所述风险识别要素
集合，构建管道风险识别数据库；第一生成单元，所述第一生成单元用于将所述管道风险识别数据库输入边缘计算设备中进行算法识别匹配写入，生成算法识别匹配模型；第二获得单元，所述第二获得单元用于将所述油气管道线路的第一监测视频信息输入所述算法识别匹配模型中，根据所述算法识别匹配模型，获得第一报警信息；第一执行单元，所述第一执行单元用于将所述第一报警信息传输至所述云服务器中，其中，所述云服务器包括智能识别管理平台和智能识别算法训练平台；第三获得单元，所述第三获得单元用于根据所述智能识别管理平台对所述第一报警信息进行误报标签识别，获得第一标签归类结果；第四获得单元，所述第四获得单元用于将所述第一标签归类结果输入所述智能识别算法训练平台中进行误报优化模型训练，根据所述误报优化模型，获得第一优化信息；第二执行单元，所述第二执行单元用于根据所述第一优化信息对所述边缘计算设备中的所述算法识别匹配模型进行优化。
26.在介绍了本技术基本原理后，下面结合附图，对本技术的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，本技术实施例提供的技术方案对于类似的技术问题同样适用。
27.实施例一
28.如图1所示，本技术实施例提供了一种云边协同自主学习的智能识别方法，所述方法应用于一种云边协同自主学习的智能识别系统，其中，所述方法与一云服务器通信连接，所述方法包括：
29.步骤s100：获得油气管道线路的风险识别要素集合；
30.步骤s200：根据所述风险识别要素集合，构建管道风险识别数据库；
31.具体而言，目前对于管道线路高后果区的主要安全防护措施采用人工定期巡护辅、视频监控和无人机巡护结合的方式。部分摄像机自带有一些智能识别算法和功能，但由于摄像机自带算法的针对性不强，导致在管道行业中应用时产生了大量的误报和无效报警。为了有效解决管理者在安全风险视频智能识别方面的痛点，采集油气管道线路的风险识别要素集合，包括识别人员长时间停留、车辆长时间停留、挖掘机、烟火等风险要素。根据所述风险识别要素集合，构建管道风险识别数据库，管道风险识别数据库涵盖了管道线路高后果区的主要风险要素，能够为风险智能识别，减少误报和无效报警奠定基础。
32.步骤s300：将所述管道风险识别数据库输入边缘计算设备中进行算法识别匹配写入，生成算法识别匹配模型；
33.具体而言，随着人工智能技术以及硬件产品的不断发展，边缘计算逐渐发展起来，使得通过在前端写入较为复杂的识别算法进行安全风险智能识别成为了可能。边缘计算设备能够在数据源处或附近执行资源密集型过程或分析，所述边缘计算设备是指安装在现场且具有智能识别功能的设备。该设备有两种形式：一种是将已写好算法的芯片和主板集成到摄像机内；一种是在现场单独安装一个具有智能识别功能的设备。边缘计算设备具有智能识别功能，可以写入适用于管道行业的智能识别算法，如人员长时间停留、车辆长时间停留、挖掘机、烟火识别等。通过将所述管道风险识别数据库输入边缘计算设备中，进行算法智能识别匹配写入，即通过边缘计算设备进行识别算法的匹配和写入，生成所述算法识别匹配模型，从而实现精准匹配识别算法。
34.步骤s400：将所述油气管道线路的第一监测视频信息输入所述算法识别匹配模型
中，根据所述算法识别匹配模型，获得第一报警信息；
35.步骤s500：将所述第一报警信息传输至所述云服务器中，其中，所述云服务器包括智能识别管理平台和智能识别算法训练平台；
36.进一步的，本技术实施例步骤s500还包括：
37.步骤s510：所述将所述第一报警信息传输至所述云服务器中的传输过程可以通过网络通信设备实现。
38.具体而言，所述第一监测视频信息包括实时的监测视频，将所述油气管道线路的第一监测视频信息输入所述算法识别匹配模型中，通过对视频画面中的物体进行智能识别分析，获得所述第一报警信息，所述第一报警信息包括图片形式和短视频形式。进一步将报警信息通过网络通信设备传输至后端所述云服务器，其中，所述网络通信设备是指具有网络传输功能的设备，可通过移动网络信号将所述边缘计算设备识别的报警信息回传至所述云服务器上，同时也可将云服务器发出的指令传输至边缘计算设备上。所述网络通信设备支持移动/电信/ 联通的网络传输，同时支持企业定制的vpdn、apn等通信协议。
39.所述云服务器包括智能识别管理平台和智能识别算法训练平台。智能识别训练平台与智能识别管理平台能够无缝对接，所述智能识别管理平台具有接收与处理边缘计算设备发回的报警信息的能力。所述智能识别算法训练平台是具有数据标注、模型训练、模型校验以及模型发布功能的训练平台。通过网络通信设备将报警信息传输至云服务器中，进行分析处理，可提高管理智能水平、提高管理能力及管理效率。
40.步骤s600：根据所述智能识别管理平台对所述第一报警信息进行误报标签识别，获得第一标签归类结果；
41.步骤s700：将所述第一标签归类结果输入所述智能识别算法训练平台中进行误报优化模型训练，根据所述误报优化模型，获得第一优化信息；
42.步骤s800：根据所述第一优化信息对所述边缘计算设备中的所述算法识别匹配模型进行优化。
43.具体而言，所述智能识别管理平台，对所述第一报警信息识别的准确性进行确认，如是误报将会在处理时选择误报标签，将此报警信息归类到误报警数据库中，并按照不同的识别项进行归类，获得第一标签归类结果，所述第一标签归类结果包括各种误报警数据。所述智能识别算法训练平台通过与智能识别管理平台的无缝对接，自动将边缘计算设备发回的报警信息导入至训练平台中，按照预设的模型类型及名称，自动进行归类，形成训练所需的样本数据，并对误报优化模型进行训练，训练完成的模型通过网络传输至前端边缘计算设备，获得第一优化信息，根据所述第一优化信息进行所述边缘计算设备中的所述算法识别匹配模型的优化。能够根据现场应用环境所需的智能识别项更新边缘计算设备的算法，丰富边缘计算设备的功能，从而实现云边协同，自主训练学习的技术效果。
44.进一步的，如图2所示，本技术实施例还包括：
45.步骤s910：将所述第一报警信息进行准确性识别，获得第一准确系数；
46.步骤s920：将所述第一准确系数输入逻辑回归模型中进行准确性判断，获得逻辑回归结果，其中，所述逻辑回归结果包括第一结果和第二结果，所述第一结果为不准确，所述第二结果为准确；
47.步骤s930：若所述逻辑回归结果为所述第一结果，生成第一误报标识信息；
48.步骤s940：根据所述第一误报标识信息对所述第一报警信息进行误报标记。
49.具体而言，由于识别算法的针对性问题，需要对获取到的第一报警信息进行准确性识别。获得所述第一准确系数，准确系数越大，第一报警信息越准确。逻辑回归是一种基于概率的模式识别算法，是一种分类方法，逻辑回归是一个二分类问题。将所述第一准确系数输入逻辑回归模型中进行准确性判断，获得逻辑回归结果，包括第一结果和第二结果，所述第一结果为不准确，所述第二结果为准确。若所述逻辑回归结果为所述第一结果，即识别错误，生成第一误报标识信息，并对所述第一报警信息进行误报标记。通过逻辑回归模型的判断，能够提高对第一报警信息分类准确性的判断能力。
50.进一步的，其中，所述根据所述智能识别管理平台对所述第一报警信息进行误报标签识别，获得第一标签归类结果，本技术实施例步骤s600还包括：
51.步骤s610：通过对所述第一报警信息进行识别筛选，获得第一筛选报警信息，其中，所述第一筛选报警信息为具有误报标签的报警信息；
52.步骤s620：通过对所述第一筛选报警信息进行特征识别，生成第一特征集；
53.步骤s630：对所述第一特征集进行特征识别项分析，并根据所述特征识别项对所述第一筛选报警信息进行智能特征向归类，获得所述第一标签归类结果。
54.具体而言，所述第一报警信息由错误报警信息和正确报警信息组成，经过识别筛选，筛选出具有误报标签的报警信息，获得所述第一筛选报警信息。通过特征识别技术，对所述第一筛选报警信息进行特征识别，生成误报信息特征数据集，即所述第一特征集。进一步的对所述第一特征集进行特征识别项分析，分析是由哪些特征项导致的误报，根据所述特征识别项对所述筛选报警信息进行智能特征向归类，获得所述第一标签归类结果，通过错误特征识别、归类，有利于总结误报信息规律，从而优化智能识别能力，降低误报率。
55.进一步的，如图3所示，本技术实施例还包括：
56.步骤s911：获得所述智能管理平台的第一管理人员；
57.步骤s912：根据所述第一管理人员，获得第一人员识别信息；
58.步骤s913：将所述第一报警信息输入准确性核检模型中进行自检，获得第一自检识别信息；
59.步骤s914：根据所述第一人员识别信息和所述第一自检识别信息，生成所述第一准确系数。
60.进一步而言，本技术实施例还包括：
61.步骤s915：将所述第一人员识别信息作为横坐标轴；
62.步骤s916：将所述第一自检识别信息作为纵坐标轴，构建二维直角坐标系；
63.步骤s917：根据所述直角坐标系生成所述逻辑回归模型，其中，所述逻辑回归模型包括第一逻辑回归线，所述第一逻辑回归线的一侧为所述第一报警信息不准确的结果，所述第一逻辑回归线的另一侧为所述第一报警信息准确的结果。
64.具体而言，通过系统的登记信息获得所述智能管理平台的第一管理人员，所述第一管理人员为当日值班人员，根据所述第一管理人员，获得第一人员识别信息，所述第一人员识别信息为管理人员通过登陆平台，对报警信息识别的准确性进行识别确认的信息。将所述第一报警信息输入准确性核检模型中进行自检，获得第一自检识别信息，所述第一自检识别信息是通过对报警信息识别的准确性进行模型校验得到的，根据所述第一人员识别
信息和所述第一自检识别信息，生成所述第一准确系数。以所述第一人员识别信息作为横坐标轴，所述第一自检识别信息作为纵坐标轴，构建二维直角坐标系。根据所述直角坐标系生成所述逻辑回归模型，其中所述逻辑回归模型包括第一逻辑回归线，第一逻辑回归线将直角坐标系分为两个区域，第一逻辑回归线的一侧为所述第一报警信息不准确的结果，另一侧为所述第一报警信息准确的结果。通过生成第一准确系数和构建逻辑回归模型，能够提高报警信息处理的准确性。
65.进一步而言，如图4所示，其中，所述将所述第一标签归类结果输入所述智能识别算法训练平台中进行误报优化模型训练，根据所述误报优化模型，获得第一优化信息，本技术实施例s700还包括：
66.步骤s710：将所述第一标签归类结果作为负样本训练数据集；
67.步骤s720：将所述逻辑回归结果中判断为所述第二结果的所有报警信息作为正样本训练数据集；
68.步骤s730：根据所述负样本训练数据集和所述正样本训练数据集作为输入信息输入所述误报优化模型中进行模型训练；
69.步骤s740：通过对所述误报优化模型进行模型校验，获得第一校验结果；
70.步骤s750：若所述第一校验结果为校验通过，根据所述误报优化模型获得所述第一优化信息。
71.具体而言，所述负样本训练数据集中所有的数据均是错误报警数据，所述正样本训练数据集中所有数据均是正确报警数据，为识别准确的数据。将所述负样本训练数据集和所述正样本训练数据集作为输入信息输入所述误报优化模型中进行模型训练，通过训练完成的所述误报优化模型进行模型校验，获得所述第一校验结果，如果所述第一校验结果为校验通过，则说明模型校验满足校验需求，进而通过所述误报优化模型获得所述第一优化信息，通过正负样本的训练以及模型的校验，能够得到科学、可靠的优化信息。
72.通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本技术可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用cpu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本技术而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、u盘，移动硬盘、rom、ram、磁碟或者光盘等，包括若干指令用以使得一台计算机设备执行本技术各个实施例所述的方法。
73.综上所述，本技术实施例所提供的一种云边协同自主学习的智能识别系统具有如下技术效果：
74.1.由于采用了获得油气管道线路的风险识别要素集合；根据所述风险识别要素集合，构建管道风险识别数据库；将所述管道风险识别数据库输入边缘计算设备中进行算法识别匹配写入，生成算法识别匹配模型；将所述油气管道线路的第一监测视频信息输入所述算法识别匹配模型中，根据所述算法识别匹配模型，获得第一报警信息；将所述第一报警信息传输至所述云服务器中，其中，所述云服务器包括智能识别管理平台和智能识别算法
训练平台；根据所述智能识别管理平台对所述第一报警信息进行误报标签识别，获得第一标签归类结果；将所述第一标签归类结果输入所述智能识别算法训练平台中进行误报优化模型训练，根据所述误报优化模型，获得第一优化信息；根据所述第一优化信息对所述边缘计算设备中的所述算法识别匹配模型进行优化。达到了实现风险智能识别，减少误报和无效报警，提高管理智能水平和提高管理能力，能够根据现场应用环境所需的智能识别项更新边缘计算设备的算法，丰富边缘计算设备的功能，从而实现云边协同，自主训练学习的技术效果。
75.2.由于采用了对报警信息进行准确性识别、准确性判断，从而能够对提高对报警信息分类准确性的判断能力，优化智能识别能力，降低误报率的技术效果。
76.实施例二
77.基于与前述实施例中一种云边协同自主学习的智能识别系统同样发明构思，本发明还提供了一种云边协同自主学习的智能识别系统，如图5所示，所述系统包括：
78.第一获得单元11，所述第一获得单元11用于获得油气管道线路的风险识别要素集合；
79.第一构建单元12，所述第一构建单元12用于根据所述风险识别要素集合，构建管道风险识别数据库；
80.第一生成单元13，所述第一生成单元13用于将所述管道风险识别数据库输入边缘计算设备中进行算法识别匹配写入，生成算法识别匹配模型；
81.第二获得单元14，所述第二获得单元14用于将所述油气管道线路的第一监测视频信息输入所述算法识别匹配模型中，根据所述算法识别匹配模型，获得第一报警信息；
82.第一执行单元15，所述第一执行单元15用于将所述第一报警信息传输至云服务器中，其中，所述云服务器包括智能识别管理平台和智能识别算法训练平台；
83.第三获得单元16，所述第三获得单元16用于根据所述智能识别管理平台对所述第一报警信息进行误报标签识别，获得第一标签归类结果；
84.第四获得单元17，所述第四获得单元17用于将所述第一标签归类结果输入所述智能识别算法训练平台中进行误报优化模型训练，根据所述误报优化模型，获得第一优化信息；
85.第二执行单元18，所述第二执行单元18用于根据所述第一优化信息对所述边缘计算设备中的所述算法识别匹配模型进行优化。
86.进一步的，所述系统还包括：
87.第五获得单元，所述第五获得单元用于将所述第一报警信息进行准确性识别，获得第一准确系数；
88.第六获得单元，所述第六获得单元用于将所述第一准确系数输入逻辑回归模型中进行准确性判断，获得逻辑回归结果，其中，所述逻辑回归结果包括第一结果和第二结果，所述第一结果为不准确，所述第二结果为准确；
89.第二生成单元，所述第二生成单元用于若所述逻辑回归结果为所述第一结果，生成第一误报标识信息；
90.第三执行单元，所述第三执行单元用于根据所述第一误报标识信息对所述第一报警信息进行误报标记。
91.进一步的，所述系统还包括：
92.第七获得单元，所述第七获得单元用于通过对所述第一报警信息进行识别筛选，获得第一筛选报警信息，其中，所述第一筛选报警信息为具有误报标签的报警信息；
93.第三生成单元，所述第三生成单元用于通过对所述第一筛选报警信息进行特征识别，生成第一特征集；
94.第八获得单元，所述第八获得单元用于对所述第一特征集进行特征识别项分析，并根据所述特征识别项对所述第一筛选报警信息进行智能特征向归类，获得所述第一标签归类结果。
95.进一步的，所述系统还包括：
96.第九获得单元，所述第九获得单元用于获得所述智能管理平台的第一管理人员；
97.第十获得单元，所述第十获得单元用于根据所述第一管理人员，获得第一人员识别信息；
98.第十一获得单元，所述第十一获得单元用于将所述第一报警信息输入准确性核检模型中进行自检，获得第一自检识别信息；
99.第四生成单元，所述第四生成单元用于根据所述第一人员识别信息和所述第一自检识别信息，生成所述第一准确系数。
100.进一步的，所述系统还包括：
101.第四执行单元，所述第四执行单元用于将所述第一人员识别信息作为横坐标轴；
102.第二构建单元，所述第二构建单元用于将所述第一自检识别信息作为纵坐标轴，构建二维直角坐标系；
103.第五生成单元，所述第五生成单元用于根据所述直角坐标系生成所述逻辑回归模型，其中，所述逻辑回归模型包括第一逻辑回归线，所述第一逻辑回归线的一侧为所述第一报警信息不准确的结果，所述第一逻辑回归线的另一侧为所述第一报警信息准确的结果。
104.进一步的，所述系统还包括：
105.第五执行单元，所述第五执行单元用于将所述第一报警信息传输至所述云服务器中的传输过程可以通过网络通信设备实现。
106.进一步的，所述系统还包括：
107.第六执行单元，所述第六执行单元用于将所述第一标签归类结果作为负样本训练数据集；
108.第七执行单元，所述第七执行单元用于将所述逻辑回归结果中判断为所述第二结果的所有报警信息作为正样本训练数据集；
109.第八执行单元，所述第八执行单元用于根据所述负样本训练数据集和所述正样本训练数据集作为输入信息输入所述误报优化模型中进行模型训练；
110.第十二获得单元，所述第十二获得单元用于通过对所述误报优化模型进行模型校验，获得第一校验结果；
111.第十三获得单元，所述第十三获得单元用于若所述第一校验结果为校验通过，根据所述误报优化模型获得所述第一优化信息。
112.本技术实施例可以根据上述方法示例对网络设备和终端设备进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一
个接收模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本技术实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。通过前述对一种云边协同自主学习的智能识别系统的详细描述，本领域技术人员可以清楚的知道本实施例中一种云边协同自主学习的智能识别系统的实施方法，所以为了说明书的简洁，在此不再详述。
113.示例性电子设备
114.图6是本技术的计算设备的示意图。图6所示的计算设备90可以包括：存储器91、处理器92、输入/输出接口93。其中，存储器91、处理器92和输入/输出接口93通过内部连接通路相连，该存储器33用于存储指令，该处理器92用于执行该存储器91存储的指令，以控制输入/输出接口93接收输入的数据和信息，输出操作结果等数据。
115.图6是本技术另一实施例的计算设备的示意图。图6所示的计算设备90可以包括:存储器91、处理器92、输入/输出接口93。其中，存储器91、处理器92和输入/输出接口93通过内部连接通路相连，该存储器91用于存储指令，该处理器92用于执行该存储器92存储的指令，以控制输入/输出接口93接收输入的数据和信息，输出操作结果等数据。
116.在实现过程中，上述方法的各步骤可以通过处理器92中的硬件的集成逻辑电路或者软件形式的指令完成。结合本技术实施例所公开的异常消息的识别方法和/或异常消息识别模型的训练方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器﹑寄存器等本领域成熟的存储介质中。该存储介质位于存储器91，处理器92读取存储器91中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
117.应理解，本技术实施例中，该处理器可以为中央处理单元(centralprocessingunit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)，专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(fieldprogrammablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
118.应理解，本技术实施例中，该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。处理器的一部分还可以包括非易失性随机存取存储器。例如，处理器还可以存储设备类型的信息。
119.应理解，在本技术的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
120.在本技术所提供的几个实施例中，应该理解到，所揭露的系统、系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
121.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
122.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
123.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机，服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(例如红外，无线，微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够读取的任何可用介质或者是包含一个或多个可用介质集成的服务器，数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字通用光盘(digital video disc，dvd))或者半导体介质(例如，固态硬盘(solid state disk，ssd))等。
124.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。