一種基于邊緣計算設備的通用分析框架設計

摘 要：油氣行業生產領域的安全監督尤為重要，由于傳統指揮中心監控大屏和人工巡檢受到環境、成本等因素的影響，存在無法全天監督檢查和預警實時性差等問題，因此提出一種基于邊緣計算設備的通用分析框架，其可運行在邊緣計算設備上對現場監控視頻進行實時分析，實現安全監督業務24小時全天候預警。該設計在多個油氣田生產現場、施工現場均有應用，通過靈活配置多種模型算法有效解決了現場復雜場景下的設備應用問題，體現了通用視覺分析代替人工的優勢。文中提出的基于邊緣計算設備的通用視覺分析框架，旨在替代人工執行復雜場景的視覺分析任務，提升現場數據分析處理能力，減少項目投入，提高經濟效益。

關鍵詞：視覺分析；邊緣計算；復雜場景；分層架構設計；多模型組合；層間邏輯隔離

中圖分類號：TP319 文獻標識碼：A 文章編號：2095-1302（2024）10-0-04

0 引 言

隨著智能設備的普及和物聯網技術的發展，對圖像和視頻數據的處理和分析已成為各行業進行產業升級的新需求。例如，在油氣田領域，通過調研發現，油氣田生產現場的安全監督工作非常重要，有助于及時發現安全隱患并杜絕事故發生。在日常安全監督工作中，通常采用人工現場巡視和指揮中心監控大屏相結合的方式進行生產現場安全監督檢查，但這種工作模式也存在一些弊端，如人工遠程監控效率低，無法同時監控多個現場，容易出現遺漏和發現不及時等問題；現場的人工巡視又容易受到地形、天氣等影響無法做到全天候巡查，同時增加了一定的人工成本，能否通過智能設備對現場數據進行處理和利用變得尤為重要。

為了解決類似生產現場安全監督檢查工作中人工巡視無法做到全天候巡查和遠程監控效率低，無法同時監控多個現場，容易出現遺漏和發現不及時等問題，本文提出了一種基于邊緣計算設備的通用視覺分析框架。以邊緣計算設備為載體將該框架部署到生產作業現場，通過接入已有視頻監控系統獲取視頻數據，實現針對現場作業安全隱患和異常情況的實時預警，以解決安全監督工作中監督無法全覆蓋等問題，有效減少人員投入，降低用工成本。因此，利用邊緣計算設備進行圖像[1]和視頻數據的處理和分析已成為新的發展趨勢。

1 通用性設計原理

本文通用性設計的基礎主要體現在擴展性、開放性、跨平臺3個方面，采用分層架構[2]實現功能模塊的易擴展性；采用數據標準化實現系統數據的開放性；采用非編譯語言實現系統對各硬件產品及平臺的兼容性。

1.1 功能模塊擴展性

分層架構設計是一種通用的軟件設計原則，其核心思想是將系統劃分為多個層次，每個層次負責特定的功能和職責。這些層次之間通過良好的通信機制相互協作，以確保數據的正確傳遞和一致性。各層次之間通過接口通信有效分離業務功能，提高了系統的解耦性。這種設計方法有助于分化系統的復雜性，提高系統的可擴展性和可維護性，使得不同層次的模塊可以基于不同的維度進行劃分，以滿足不同用戶的需求和技術要求。在實際應用中，須根據具體的業務需求和技術要求來設計分層架構。

1.2 數據標準開放性

數據標準開放性是指在數據管理和使用過程中，根據開放、共享、互操作和可重復利用的原則，促進數據的流通和利用。在系統內部通過制定統一的數據標準，可以規范數據的采集、存儲、處理和使用過程，從而確保數據的準確性和可靠性。在系統外部通過數據標準化可以打破不同系統和網絡之間的信息孤島現象，實現數據的共享和流通。在數據開放的同時，需要采取一系列安全措施和隱私保護措施，以確保數據的保密性和完整性。

1.3 跨平臺兼容性

采用Python作為開發語言，Python可以跨平臺運行，能夠適應不同的硬件和操作系統。邊緣計算設備通常具有多樣化的硬件配置和操作系統，而Python可以在這些不同的設備上運行，并且能夠充分發揮設備的性能。此外，Python擁有豐富的庫[3]和框架（例如NumPy、Pandas、TensorFlow等），這些庫和框架為邊緣計算提供了強大的支持，使得Python在處理大規模數據集和實現復雜算法方面具有優勢[4]。該編程語言能夠在多個硬件平臺上運行，具有較好的跨平臺兼容性和豐富的資源。

2 分析框架設計與實現

本文基于通用性考量，采用4層架構設計，分別為表示層、開放層、中間層和數據層。各層之間通過消息中間件進行數據傳輸，實現層間邏輯隔離，同時每層中各功能模塊符合高內聚、松耦合的設計理念。總體架構設計如圖1所示。

2.1 表示層設計

表示層實現了用戶管理系統的可視化操作。該層采用前后端分離B/S模式，提供視頻預覽、預警查看、視頻接入配置、模型配置、算法配置、系統配置等功能。B/S模式的優勢在于，對用戶的計算機配置要求較低。邊緣計算[5]設備通常部署在生產現場，用戶無需安裝客戶端即可通過瀏覽器對邊緣計算設備進行配置，提升系統的可用性。同時，基于B/S的特點，不存在客戶端版本兼容問題。因此，邊緣計算設備的軟件升級不影響客戶使用，體現了系統的易用性。

2.2 開放層設計

開放層可為第三方系統提供數據發布、服務調用服務。該層設計主要考慮接口安全性、接口標準化兩個方面：接口安全采用JWT權鑒對合法用戶提供服務，同時拒絕非法用戶訪問；接口采用RESTfull標準，同時結合授權管控機制為合法用戶提供不同權限的服務。安全令牌時序如圖2所示。

令牌獲取流程：第三方系統持有分配的賬號密碼向認證服務發起請求，認證服務收到請求后，驗證賬號密碼是否合法。驗證成功后，認證服務向授權服務發起授權請求，授權服務根據系統攜帶的賬號創建令牌進行授權，并將授權結果返回給第三方系統。接口授權調用時序如圖3所示。

業務服務調用流程：第三方系統持有令牌向認證服務發起請求，認證服務收到請求后，驗證令牌合法性，驗證成功后，認證服務向授權服務發起請求，授權服務驗證該請求是否具備相應權限，若具備則調用相關業務服務，若不具備則因無訪問權限而返回。

2.3 中間層設計

中間層擁有業務處理、推理分析、數據融合、數據持久化4個模塊。其中，業務處理負責表示層業務邏輯的實現；數據融合負責對外接口的數據采集、整理與反饋；數據持久化負責本系統相關數據的存儲與查詢；推理分析是本系統實現視覺分析的核心業務模塊。

2.3.1 推理分析模塊設計

推理分析模塊是本系統實現視覺分析的核心，該模塊采用數據流管道過濾器的設計風格，將圖像數據及相關配置信息組裝為數據節點，通過消息隊列將數據節點依次進行視頻解碼、圖像抽幀、圖像轉換、圖像分發、模型調用、算法處理、結果封裝等處理并將處理結果向后傳遞，從而實現現場視頻的實時分析。數據處理流程如圖4所示。

本系統為復雜應用場景下的通用設計，利用數據組織節點將圖像數據與配置信息相結合，用于支持多路視頻不同場景的實時檢測；同時構建模型動態調用策略，通過解釋器規則支持不同場景下的多種模型算法組合，從而滿足邊緣計算設備[6]在多種應用場景下進行視覺分析的通用性要求。

2.3.2 數據組織單元設計

中間層中的數據以數據節點的形式存儲，數據節點為本系統最小數據組織單元，數據節點包含幀數據、場景數據、業務處理算法等。在現場的實時分析過程中，首先將圖像數據和相關配置信息存儲在數據節點中，再將數據節點送至消息隊列中，隨后推理分析模塊根據節點內存儲[7]的配置信息依次加載對應功能模塊進行處理，并將處理結果存儲在數據節點中。通過組織圖像、模型、算法三者構建多種組合方式，從而為復雜場景下實現視覺分析提供圖像、模型、算法的靈活配置。數據結構如圖5所示。

2.3.3 多模型聯合調用設計

本系統在復雜場景下的應用涉及單模型分析、串聯模型分析、并聯模型分析以及組合模型分析，同時還需匹配對應算法。針對多種模型及算法組合的情況，模型算法調用部分采用解釋器規則設計實現。即通過數據節點中包含的配置信息，在模型調用模塊中動態[7-8]組裝分析模型和算法的數據處理調用鏈，封裝解釋器規則部分抽象出前處理、模型調用、后處理三部分：前處理主要負責數據節點裝載；模型調用負責構建模型算法處理鏈；后處理負責業務邏輯處理。車牌識別場景采用串聯模型規則，將圖像輸入模塊后根據車牌識別場景配置，再將數據節點送入車輛識別檢測模型，檢測出車輛后裁剪圖像，并縮小圖像檢測區域，將目標區域圖像送入車牌檢測模型，最后模型將檢測結果送入相應算法獲得車牌信息。在加油站打電話的識別場景中采用并聯模型規則，圖像送入模塊后根據打電話場景配置將數據節點送入關鍵點檢測模型和手機目標檢測[9]模型，后處理算法根據數據節點ID匹配結果，當算法檢測到人體手部位于肩部以上且手部位置與檢出目標手機位置基本一致時判定為人員打電話并預警。模型調用流程如圖6所示。

2.4 數據層設計

數據層實現分析數據的采集和預警聯動。數據分析主要包括數據源中視頻流、圖片流和對外接口中RS 485、模擬量輸入AI、數字量輸入DI等；預警聯動主要通過數據源中的控制流進行攝像機控制、模擬量輸出和數字量輸出，并進行預警設備控制等；該設計囊括了攝像機實時分析與控制聯動、物聯網數據與儀表識別、數據二次對比預警等；通過攝像機自動巡檢等獲得現場通用視覺分析的應用場景。

3 應用效果

本文論述的設計方法已在多個生產現場進行了實驗驗證，實驗結果表明，一種基于邊緣計算設備的通用視覺分析框架設計能夠滿足生產現場多種復雜場景下的視覺分析應用需求，同時具有較好的準確性和實時性。通過部署邊緣設備有效降低了云端服務器的負擔和網絡帶寬[10]壓力。與傳統的云端計算方式相比，該設計通過算力下沉，可以提高數據處理效率，降低云端服務硬件與運維成本，提升項目整體經濟效益。

4 結 語

本文提出了一種基于邊緣計算設備的通用視覺分析框架設計，旨在提高視覺分析在復雜場景應用下的通用性和經濟效益。實際應用結果表明，該框架具有較好的通用性和經濟性，可以滿足各種應用場景的需求。未來，我們將進一步優化框架的設計，提高框架的性能和擴展性，以滿足更多應用場景的需求。

參考文獻

[1]王艷如，劉海峰，李琳，等.基于邊緣智能分析的圖像識別技術在輸電線路在線監測中的應用[J]. 電力信息與通信技術，2019，17（7）：35-40.

[2]周新杰，明新國，陳志華，等.基于模型、數據、知識的設計與制造協同框架[J]. 計算機集成制造系統，2019，25（12）：3116-3126.

[3]張婷婷，章堅武，郭春生，等.基于深度學習的圖像目標檢測算法綜述[J]. 電信科學，2020，36（7）： 92-106.

[4]牛作東，李捍東.基于Python與flask工具搭建可高效開發的實用型MVC框架[J]. 計算機應用與軟件，2019，36（7）：21-25.

[5]張超，王亮.基于邊緣計算的行人檢測算法研究[J]. 現代信息科技，2023，7（6）：81-84.

[6]劉士杰，楊延宏，陳青松，等.一種適用于邊緣計算設備的計算模型動態部署方法及裝置：CN202211524122.1 [P]. [2023-12-01].

[7]張余豪.面向邊緣側深度學習的高效能存內計算關鍵技術研究[D].濟南：山東大學，2022.

[8]胡世紅.邊緣計算中資源動態調度的QoS優化技術研究[D]. 無錫：江南大學，2021.

[9]楊威，張田文.復雜景物環境下運動目標檢測的新方法[J].計算機研究與發展，1998，35（8）：724-728.

[10]余勇志，范博. 基于深度學習技術的寬帶裝維智能質檢研究[J]. 電信技術，2019（3）：24-27.