基于边缘计算的图像识别系统设计与研究

发布时间：2023-05-13 10:16

　　近年来,深度学习一直处于可视化计算的前沿,深度学习提高了一些复杂任务的计算效率,如人脸识别,物体识别,动作识别等。随着移动互联网技术与5G技术的发展,深度学习网络方面突破性的进展使其对移动设备与穿戴设备更加具有吸引力,但由于穿戴设备的计算能力较弱,深度学习网络模型需要很长时间才能在资源有限的穿戴设备做出推断,并且深度学习网络模型部署在穿戴设备中也会占用更大的存储空间。由于高延迟或者缺乏连接,将穿戴设备的计算移到云端通常是不可行的。如何有效的解决上述问题,仍是该领域目前研究的热点。针对上述问题,本文将深度学习技术与边缘计算技术相结合,从实际应用部署的角度出发,提出了一种移动端与边缘端协同计算的策略,简称大小模型协同策略。该策略通过将移动端的深度学习模型计算部分卸载到边缘端,在保证系统识别准确率的前提下,有效的降低移动设备的计算压力。此外,本文针对一些特殊的应用环境,如地震搜救等存在网络通信不稳定的问题,提出了一种复杂网络环境下的边端模型协同策略,该策略针对不同的网络状态,对系统进行自适应的调度,使系统在通信故障的情况下仍然具有独立工作的能力,进一步提高了系统的鲁棒性。最后,本文针对由于拍...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景及研究的目的
    1.2 国内外研究现状
        1.2.1 图像识别算法研究现状
        1.2.2 边缘计算研究现状
    1.3 本文的主要研究内容
    1.4 论文组织结构
第2章 相关技术及背景介绍
    2.1 边缘计算
        2.1.1 边缘计算概述
        2.1.2 边缘计算的应用场景
    2.2 深度学习技术在图像识别领域的应用
    2.3 边缘计算与深度学习结合可行性分析
    2.4 应用场景及需求分析
第3章 边端协同策略的设计与研究
    3.1 引言
    3.2 大小模型协同策略
        3.2.1 大小模型协同策略可行性分析
        3.2.2 大小模型分数阈值计算方法研究
    3.3 复杂网络环境下的边端模型协同调度策略
        3.3.1 网路延迟阈值计算方法研究
    3.4 基于边缘计算的图像融合策略
        3.4.1 问题描述
        3.4.2 算法介绍
    3.5 本章小结
第4章 边端协同策略实验验证
    4.1 引言
    4.2 大小模型协同策略实验验证
        4.2.1 实验设置
        4.2.2 实验验证
    4.3 复杂网络环境下的边端模型协同策略实验验证
        4.3.1 实验设置
        4.3.2 实验验证
        4.3.3 实验分析
    4.4 基于边缘计算图像融合策略测试
    4.5 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢



本文编号：3815724