久久久91-久久久91精品国产一区二区-久久久91精品国产一区二区三区-久久久999国产精品-久久久999久久久精品

★中國鐵塔股份有限公司閆亞旗，冉沛，張闊，劉文睿，唐琳

關鍵詞：邊緣計算；視頻監控；邊緣智能網關；云邊協同

1　引言

隨著5G、大數據、人工智能、產業互聯網及數字經濟的發展，以云計算為核心的傳統處理模式越來越難以為繼，而以邊緣計算為代表的算力下沉成為新的發展趨勢。邊緣計算是指在網絡邊緣執行計算任務和數據處理的一種分布式計算模式，它將原本集中在云端的數據處理任務下沉到靠近數據產生源的網絡邊緣，通過邊緣節點就近提供計算服務，有效降低了數據傳輸的延遲和帶寬消耗，同時減輕了云端的計算和存儲壓力。

近年來，人們對于個人和社會安全的關注度不斷提升，視頻監控作為一種有效的安全防范手段，其市場需求迅速增長。特別是在疫情期間，公共場所、交通樞紐、醫療機構等關鍵區域對視頻監控的需求更加迫切，視頻監控業務飛速發展。然而，大量攝像頭終端的接入及其產生的海量數據以及數據隱私泄露風險，對傳統以云計算為核心的視頻監控系統提出了極大的挑戰，因此基于邊緣計算的視頻監控系統成為當下業界研究的熱門。邊緣計算其本質上是云計算的擴展和延伸，邊和云各有所長，在邊云協同的工作架構中，邊緣節點和云端各自扮演著重要角色，云端負責統籌管理各個邊緣節點，確保它們能夠高效地協同工作，包括任務的分配、資源的調度以及節點的狀態監控等，同時利用大數據和人工智能技術對邊緣上報的數據進行有價值的洞察，并利用這些數據對算法模型進行持續的迭代優化，提升識別和預測的精準度。邊緣節點對視頻監控數據進行預處理操作，剔除冗余和無效的視頻幀，并在云端的統籌下執行部分或全部的計算任務，并將計算結果及其他關鍵數據上報給云端。

2　基于邊緣計算的視頻監控系統

傳統視頻監控系統通常采用云端架構，前端攝像機實時采集視頻流，通過有線或無線網絡接入中心云平臺，實現視頻信息的存儲、分發、智能分析、業務應用及管理等，為用戶提供了多樣化的視頻應用。基于邊緣計算的視頻監控系統，在前端攝像機和中心云平臺之間增加了具有智能計算能力的邊緣層，形成了彈性更強的端邊云協同架構。該架構從邏輯功能上分為終端層、邊緣層、平臺層和應用層，如圖1所示。

圖1 基于邊緣計算的視頻監控系統架構

終端層是整個系統的神經末梢，負責現場數據的采集。實際應用中，視頻往往需要與物聯網配合實現聯合檢測和反饋控制（如水質監測、燈具控制等）。除攝像機外，接入終端形態還包括各類傳感器、控制器等物聯網設備。

邊緣層收斂匯聚現場終端送來的非結構化視頻數據和物聯網數據，按需加載AI算法，就近進行邊緣智能分析，按既定規則觸發動作響應，同時將處理結果及關鍵數據上報給云端。邊緣層可按需部署一個或多個AI算法，對不同的數據流進行相應的智能計算處理。

平臺層由設備管理、視頻管理、算法管理等模塊構成，主要負責全局信息的處理、存儲和管理，承擔邊緣層無法執行的計算任務，并向邊緣層下發業務規則和AI算法模型，以及為各類應用的開放對接提供標準的API。根據業務量和管理需要，平臺層可設置若干個區域下沉節點，以減少跨地域的數據傳輸和相應的時延及成本。

應用層利用平臺層分析處理的結構化/半結構化數據，結合特定的業務需求和應用模型，為用戶提供具體的垂直應用服務。

3　邊緣智能網關產品設計

3.1　邊緣智能網關主要功能

邊緣智能網關是邊緣網關形態的邊緣計算。邊緣智能網關具備設備接入、通信、計算、存儲、管理等關鍵能力，為AI算法和智能應用的部署運行提供了通用開放的軟硬件環境。邊緣智能網關主要由接口單元、網絡通信、邊緣計算、運行環境及設備管理等功能模塊組成，如圖2所示。

圖2 邊緣智能網關功能架構

接口單元模塊主要為邊緣智能網關的組網連接提供物理通道，包括用于各類終端接入的RJ45網口（LAN）、RS232/RS485串口、DI/DO開關量接口，用于將數據上傳云端的RJ45網口（WAN）、4G/5G以及Wi-Fi無線接口，以及USB、HDMI、外置天線等其他接口。接口的類型和數量可視實際業務需要來選擇。

網絡通信功能模塊是邊緣智能網關實現網絡接入、組網通信以及數據交換、轉發、路由的主要部件，它包括有線網卡通信模組、4G/5G無線通信模組、Wi-Fi無線通信模組，以及路由模組。通常情況下，一款邊緣智能網關僅需具備一或兩種類型的通信模組即可，避免造成資源閑置浪費。

邊緣計算功能模塊主要負責數據的智能分析處理，包括對視頻流的GB/T28181、ONVIF、RTSP協議解析，對物聯網數據的MQTT協議適配，對各類接入終端的設備注冊、參數配置、狀態監測和資源調度，對AI算法的加載、關聯、啟停和統計監測，對視頻流的抽幀、編解碼、質量檢測等，以及對煙火、人員、車輛、行為及異常事件的智能分析識別等操作。

運行環境模塊主要為視頻網關運行提供必要的軟硬件環境，包括CPU/GPU/DSP等核心處理單元（SoC）、Linux操作系統、Docker容器，以及TF卡、EMMC、內置/外掛硬盤等存儲空間。

設備管理功能模塊主要保障視頻網關可用、可管、可控、可靠，包括對網絡、存儲、容器等資源的管理調度，對微服務、電源、告警、日志、安全認證等的管理，以及固件的在線升級等。

3.2　智能分析流程

智能分析是邊緣智能網關邊緣計算功能的核心部分，它從技術實現上通常包括視頻取流、解碼、抽幀、預處理、推理、后處理以及編碼輸出等主要環節，如圖3所示。

圖3 智能分析流程

（1）視頻取流

視頻取流是指從攝像機獲取實時視頻數據的過程，通常情況下前端攝像機默認支持GB/T28181國標協議和ONVIF協議，并以RTSP格式將視頻流傳遞給邊緣智能網關進行處理分析。

（2）視頻解碼

在視頻傳輸過程中，為了提升傳輸效率，通常會對視頻數據進行編碼。視頻編碼的主要作用是將視頻像素數據壓縮成為視頻碼流，從而降低視頻的數據量，以便于網絡傳輸和存儲。目前視頻業務中常用的視頻編碼方案為H.264和H.265。解碼與編碼相對應，邊緣智能網關在獲得視頻流后，需對其解碼重構，通過對數據協議（HTTP、RTSP等）、封裝格式（MP4、FLV等）、碼流格式（H.264、H.265等）、顏色空間（YUV、RGB等）進行逆向操作，還原成未經壓縮的視頻圖像流。邊緣智能網關既可以采用GPU或CPU硬件解碼，也可以選擇利用FFmpeg等工具進行軟件解碼。解碼的同時，還可以根據需要進行不同圖像分辨率、碼率、編碼格式、比特深度、顏色空間等之間的格式轉換。

（3）抽幀

視頻流從嚴格意義上講就是逐幀播放的單幅畫面，其主要是利用眼睛的視覺暫留特性，從而產生連續動畫的錯覺。抽幀就是從這些畫面中抽出單幅畫面，通常存在關鍵幀（IPB幀）抽取、均勻間隔抽幀、特定時刻幀抽取等操作模式。不同業務對及時性的要求直觀反映在抽幀頻率上，時延敏感型業務需要采用較高的抽幀頻率，如25fps甚至30fps，而實時性要求不高的業務可選擇較低的抽幀頻率，如每1秒、5秒甚至更長時間才抽取1幀。為提高系統資源效率，系統應對視頻流進行統一抽幀，并將抽幀后的圖片文件按視頻通道、時間戳等信息存入幀池（公共文件夾）中，供不同的算法共用。同時，要盡量減少抽幀圖片在CPU和GPU之間往返數據拷貝，降低抽幀時延和內存帶寬占用。

（4）預處理

為提高數據質量、提升AI算法推理效果和運行效率、加速收斂、防止梯度爆炸和塌陷，在進入神經網絡前，需對待分析的圖像進行必要的預處理操作。最基本的處理內容包括圖像縮放、平移、旋轉、透視變換、顏色空間及灰度變換、類型格式轉換、邊緣檢測、二值化操作、平滑處理等，實現數據標準化、歸一化和增強，適應神經網絡結構和處理要求。同時，對樣本數據進行提純，消除圖像中無關的信息，恢復有用的真實信息，降低數據處理體積，改進特征提取、圖像分割、匹配和識別的可靠性。

（5）智能推理

AI算法模型從構建到實際應用會經過訓練（Training）和推理（Inference）兩個階段。訓練就是用大量標記過的數據來學習、調優和擬合相應的神經網絡模型，使之可以適應特定的功能；推理則是指利用訓練好的模型，使用新數據預測或推斷出各種結論。邊緣智能網關的智能分析（推理）效果高低與否，根源在于算法選擇和訓練的好壞，也取決于算法部署和軟硬件適配情況。算法正常加載后，就可以從輸入的抽幀圖片中選取可能包含目標對象的感興趣區域（ROI），并進行特征提取和檢測分類，計算出目標對象的類別和置信度。

（6）后處理

后處理就是對算法預測的結果進行后期處理，改善輸出效果并進行可視化，如增加識別標簽、標注對象邊界框、分類以及添加用戶自定義的參數等。

（7）編碼輸出

實際應用中，有時要直接在視頻畫面顯示分析結果，就需要進行編碼操作，通過時間戳、圖片ID等將原始視頻流或抽幀圖片與識別的結構化數據進行關聯，并按照平臺接口規范重新編碼和輸出顯示。

3.3　定制化設計要點

3.3.1　軟硬件解耦

邊緣智能網關融合了網絡、計算、存儲等基礎能力，并為智能算法及應用提供了基礎的運行環境。為適應不同業務場景的應用需求，邊緣智能網關須較強的業務適應性，支持智能算法、業務應用及規則的靈活加載與應用部署。基于軟硬件解耦的理念，邊緣智能網關采用容器化方式對AI算法及應用進行部署和管理。與物理機和虛擬機相比，Docker容器運行環境更輕量高效、可移植性強，更適合邊緣節點部署。

在AI算法部署方面，邊緣智能網關支持基礎鏡像、完整鏡像和獨立進程等多種算法部署模式，并支持本地磁盤導入、遠程下載導入及云端算法倉遠程下發等導入方式，可結合不同場景的需要靈活加載不同的算法模型，滿足了不同場景的業務需求。（1）基礎鏡像：系統內置默認鏡像，提供算法運行所需的通用基礎依賴環境，僅需提供算法App可執行程序包，通過基礎鏡像創建容器，將App程序包放入容器中運行。基礎鏡像模式，算法App文件包較小，但對基礎鏡像的依賴程度比較高。（2）完整鏡像：提供完整算法鏡像，并通過導入的鏡像創建容器運行算法。相較于基礎鏡像，完整鏡像文件較大，但對系統環境依賴度較小。

（3）獨立進程：算法應用直接在宿主機上運行，不通過docker容器。該模式讓算法應用兼容性更強、更靈活。

3.3.2　外觀結構統一

在外觀接口配置方面，結合使用需求和成本考慮，邊緣智能網關上行通信支持有線和4G/5G無線，可滿足多路視頻流實時回傳和遠程調閱的需要。攝像頭可以通過以太網口直連邊緣智能網關，也可以通過匯聚交換機轉接。在部分場景中，攝像頭還存在遠端供電需求，因此LAN口要保留吉比特、百兆以太網口和POE端口等多種類型。為了方便物聯網終端的接入，邊緣智能網關還配置了一定數量的RS485、RS232、CAN、DI/DO等行業應用場景常用的接口。

定制邊緣智能網關外觀結構和接口布局完全統一，如圖4所示，其兼容不同廠商AI芯片（CPU+GPU/NPU）。外觀結構的統一，有利于降低一線安裝維護人員面對異廠商不同形態設備時的學習成本，大幅簡化了安裝部署實施過程中的操作復雜度。

圖4 定制邊緣智能網關外觀結構

3.3.3　模塊化設計

為進一步提升邊緣智能網關產品的業務場景適應性，定制邊緣智能網關采用模塊化的設計理念，即“核心板+主板+通用接口”的設計模式。其中核心板為包含AI芯片模組的主控制板，由CPU、GPU/NPU、內存單元、圖像處理單元、編解碼處理單元等組成；主板用于布局通用功能單元的母板/系統板，主要包括電源模塊、4G/5G無線模塊、路由模塊、存儲單元、POE供電模塊等；底板通過260pin的連接器與核心板進行連接，如圖5所示。

圖5 結構爆炸圖

邊緣智能網關各主要部件采用模塊化設計，包括4G/5G通信模組、硬盤、TF/SD卡、算力擴展卡等，可按需增減配，形成多種差異分級的產品規格，有利于提高產品性價比和競爭力，如圖6所示。

圖6 邊緣智能網關產品規格

3.3.4　軟件功能架構設計

在軟件功能設計方面，邊緣智能網關以分層架構和模塊化設計為核心，不僅降低了各模塊間的依賴，還實現了功能的靈活配置與動態加載，可輕松應對多樣業務場景。各功能模塊之間采用標準化的接口設計，為后續功能的快速更新與擴展提供了極大便利。更重要的是，它能與北向云平臺、上層智能應用軟件以及智能算法應用無縫對接，確保了高效的數據傳輸與處理。其架構設計如圖7所示。

圖7 軟件功能架構

邊緣智能網關軟件功能架構總體分為五層，分別為硬件層、驅動層、系統層、業務能力層和用戶層，各層協同工作，確保各項功能的高效穩定運行。硬件層是整個架構的基礎，包括設備CPU、內存、網卡等關鍵部件，以及供電單元和硬件接口，為網關提供穩定的硬件支持。驅動層則包含操作系統對硬件的驅動文件，確保設備能夠被正確識別并順暢運行。系統層作為程序運行的基礎環境，承載著進程調度、內存管理等重要功能。同時，它還提供了基本維護工具軟件、標準系統調用庫以及應用軟件通用依賴庫，如NPU固件庫、音視頻編解碼和圖形處理等，為上層應用提供豐富的功能支持。業務能力層是邊緣智能網關的核心，由核心基礎業務服務與擴展業務服務構成。核心基礎業務服務提供諸如系統管理、網絡管理、視頻通道管理等基礎服務，為上層應用奠定堅實的業務能力基礎。而擴展業務服務層則針對實際業務場景需求和平臺建設情況，實現算法應用的安裝部署、云平臺協議對接、數據交互和設備控制等高級功能。用戶層則服務于操作使用邊緣智能網關本地管理系統的用戶，以及對接邊緣智能網關的外部平臺，確保用戶能夠便捷地管理和使用網關。

4　基于邊緣計算的典型場景與應用實踐

4.1　森林防火

森林火災對自然環境、人身財產安全的危害性極大，每年全球各地類似事件時有發生。由于森林環境的復雜性和廣闊性，傳統的防火方法往往難以及時、準確地發現火源，從而錯失最佳的滅火時機。基于邊緣計算的森林防火檢測系統，如圖8所示，直接在監測點與匯聚點部署邊緣智能網關產品，攝像機數據就近接入邊緣智能網關，并在本地進行直接智能分析識別，可快速發現火情并及時將相關告警信息上報云端通知給相關處理人。相比于傳統集中式的方案，基于邊緣計算的方案在算法靈活性、業務響應實時性、網絡帶寬成本等方面有著較為明顯的優勢，根據數據監測統計可以得出其實際的數據流量支出不到原來的10%。由于采用了邊緣智能算法分析，其原有的存儲視頻變成了視頻片段和圖片，存儲空間的使用也是快速下降，按照統計計算只有原有存儲支出的8%左右，在提升服務響應的同時，大大降低了服務成本，取得了較好的應用效果。

圖8 基于邊緣計算的森林防火解決方案

4.2　智慧加油站

加油站屬于危化品行業，如何在日常加油卸油作業過程中保障人員、財產安全是重中之重。目前，國內加油站日常管理主要依靠人為管控、監控攝像頭監督及人工巡檢等方式，管控手段存在低效性和滯后性，迫切需要將人工智能、邊緣計算等技術應用到日常監管工作中，由“人工監督”升級為“智能監控”，強化加油站安全風險管控。基于邊緣計算的智慧加油站解決方案，如圖9所示，借助部署了AI算法的邊緣智能網關，對加油站人員抽煙打電話等危險行為、加油站工作人員著裝規范、卸油工作流程等實時監測，同時將AI自動判定識別的危險源、危險行為、違規操作等，進行實時告警，并將信息推送至監管中心，從而提高了現場安全生產作業的監控效率，降低了危險事件發生的概率。

圖9 基于邊緣計算的智慧加油站解決方案

4.3　智能運維

智能運維是通過數智化手段實現鐵塔站址資源運維生產的自動化、無人化和智能化，包括巡檢作業、資源管理、出入站管理、電費管理、發電管理、故障管理等功能的智能化實現。邊緣智能網關是智能運維系統中的重要邊緣節點，它作為站點智慧大腦，可對機房及設備運行狀態進行實時監測和智能識別，從而實現智能巡檢、智能出入站、智能資管等業務功能。

（1）智能巡檢

通過攝像頭及AI算法對基站進行遠程周期自動巡檢和事件觸發巡檢，逐步替代傳統上站巡檢，減少人工上站，提升生產效率。

（2）智能出入站

應用電子圍欄、人形檢測、人臉識別等AI算法，結合智能門禁系統，對出入站的6個關鍵環節實現智能化管理。

（3）智能資管

定期自動拍照，AI識別變動，發現設備差異自動派單核查，保證資源資產數據的真實性和準確性，同時實現資源管理的3D展示。

基于邊緣計算的智能運維解決方案如圖10所示。

圖10 基于邊緣計算的智能運維解決方案

經天津、遼寧、河南三個省市智能維護試點驗證，基于邊緣計算的智能運維解決方案可大幅降低數據傳輸成本、快速發現異常事件、提升維護效率效益。其具體優勢如下：

（1）提升組網兼容性，實現機房內多個攝像機統一管理，對國標、onvif、海康大華私協等各類主流的攝像機協議進行適配并轉換為符合鐵塔標準的統一協議回傳平臺。

（2）提升邊緣AI能力，實現AI計算能力下沉和攝像機的智能升級，有效減少平臺側AI計算能力要求，降低攝像機終端成本。

（3）僅將告警相關信息進行回傳，避免攝像機視頻流全量回傳，節約網絡回傳成本（回傳數據量僅占全部本地視頻錄制文件數據量的不足1%）

（4）提升設備管理效率，支持攝像機控制功能前置，簡化攝像機控制信令及業務數據鏈路，提升拍照、拉流成功率。

（5）提升安裝調參效率，通過邊緣網關自適應完成碼流、網絡端口等大多數參數設置，簡化一線施工人員對攝像機及邊緣網關參數配置，有效提升安裝及維護調參效率。

4.4　市場推廣情況

目前邊緣智能網關產品已廣泛應用于鐵塔視聯、智能維護、加油站施工安全監測等業務場景。面向鐵塔視聯業務，在智慧水利、漁業禁捕、森林防火/秸稈禁燒、鐵路護路、鄉鎮綜治、智慧社區、智慧工地等業務場景進行試點，并分別在河南、云南、福建等地智慧加油站、邊防監控、地鐵隧道等場景進行商業落地。在智能維護方面，我們協同運營維護部推進智能維護前期試點及深化試點工作，在15省市部署邊緣智能網關6.3萬臺，助力了公司運維專業化和數智化能力提升。針對通信發展部基站施工安全監測業務場景，我們打造基于邊緣智能網關產品的場景化解決方案，完成了端到端業務流程的測試拉通，并在雄安、四川、江蘇、上海、重慶、鄭州6省市進行試點應用，進一步加強了施工現場的安全質量生產管理，提升了安全風險防控能力。截至2024年6月，我們對外提供服務落地合同額達3000余萬元。

5　結束語

算力下沉至邊緣已成為確定性趨勢，在摩爾定律已經失效而量子計算遠未成熟之前，智能泛在的邊緣計算將是未來算力網絡的關鍵基礎。隨著技術的不斷成熟和應用場景的拓展，基于邊緣計算的視頻監控系統將在更多領域發揮重要作用，并具有廣闊的應用前景。

作者簡介：

閆亞旗（1988-），男，河南許昌人，高級工程師，碩士，現就職于中國鐵塔股份有限公司，研究方向為物聯網、邊緣計算、算力網絡相關技術及產品創新。

冉　沛（1981-），男，湖南人，高級工程師，學士，現就職于中國鐵塔股份有限公司，研究方向為物聯網及邊緣計算。

張　闊（1988-），男，遼寧鞍山人，高級工程師，碩士，現就職于中國鐵塔股份有限公司，研究方向為通信電子和人工智能。

劉文睿（1996-），男，山東曲阜人，工程師，碩士，現就職于中國鐵塔股份有限公司，研究方向為邊緣計算及算力網絡技術。

唐　琳（1998-），女，河北滄州人，碩士，現就職于中國鐵塔股份有限公司，研究方向為算力網絡及邊緣計算。

參考文獻：

[1]周科,楊淑娟,徐雷,吳慶勛.智能城市中的邊緣計算:一項全面調查[J].IEEE物聯網雜志,2020,7(1):1.

[2]史文,曹靜,張強,李艷明,徐雷.邊緣計算:視野與挑戰[J].IEEE物聯網雜志,2016,3(5):637-646.

[3]左丹,李雷,鐘勝明,楊陽,賀瓊林.基于深度邊緣計算的視頻監控系統綜述[J].IEEE工業信息學報,2021,17(3):2025-2036.

[4]Satyanarayanan,M.邊緣計算的興起[J].計算機,2017,50(1):30-39.

[5]王強,任穎,張云,胡林.邊緣計算系統綜述[J].IEEE會議記錄,2020,108(8):1518-1538.

[6]葛暢,白光偉,沈航,等.基于邊緣計算的視頻監控框架[J].計算機工程與設計,2019,40(1):32-39.

[7]潘三明,袁明強.基于邊緣計算的視頻監控系統及應用[J].電信科學,2020,36(6):6.

摘自《自動化博覽》2024年12月刊