1、成果简介 作为人工智能、深度学习、神经网络和边缘计算的集成化应用创新成果，基于边缘人工智能技术的智慧视频分析平台具备多种类、多场景视频采集设备接入和数据处理能力，通过内嵌卷积、循环、长短记忆以及生成式对抗等多种神经网络的深度学习算法库，将视频分析和大数据技术赋能于端侧，通过提取视频中关键信息，实时分析视频数据并识别应用场景中潜在的危险，主动推送报警结果，全方位掌握应用场景内人员状态、设备状态和环境状态，实现精细化闭环管控，提升企业的本质安全管控能力。 平台设计采用“云边端”一体化架构，前端利用摄像头等感知设备采集数据，边缘侧就地部署智能服务器对采集的数据进行AI智能分析，将故障数据、告警图片等上传至云侧集中展示。云侧可集中管理“边端”设备，一键远程更新算法与应用。平台开发采用微服务的架构，能够实现并行开发，加快系统研发效率、自动化部署和运维，同时利用容器技术对平台进行灵活扩展，利于后期系统持续集成和故障处理，基于前端体系，可根据需求进行结构化算法定制化部署，因此平台具备充分利旧、部署便捷、应用场景广泛、算法精度高等特点。 2、主要创新点 （1）充分利旧：平台“端侧”设备仅用来进行数据采集，目前各场景中已有摄像头均为高清摄像头，可将其通过IP方式接入到平台中，通过在服务器部署算法对已有摄像头进行智能化升级，毋需高成本的硬件更替，降低硬件投入成本； （2）可扩展性：平台设计采用微服务技术架构，可实现并行开发，加快系统研发效率、自动化部署和运维。同时使用容器技术对平台进行灵活扩展，利于后期系统持续集成和故障处理，可根据需求进行结构化算法的定制化开发，保障平台的可扩展性； （3）算法高精度：平台算法库中算法均采用深度学习算法模型对大量现场图片进行训练。主要研发了基于Faster RCNN 的视频动作检测算法模型，该模型结合图像目标检测中 Faster RCNN 方法和动作检测方法中双通道理论，采用两个不同的 Faster RCNN 网络实现从视频中提取表观特征和动作特征，同时考虑视频动作的时序性，构建了动作管道模型，将表观特征和动作特征融合形成时空域特征来表示视频的原始特征。模型经过现场应用实践，表现效果十分显著，有效识别成功率高； （4）机动部署：平台可根据现场需求提供私有化、云平台等部署方式，摄像头接入服务器后即可使用。具备Web端、APP端两种浏览方式，方便现场、远程及时访问； （5）灵活定制：平台采用微服务+容器化技术架构，具备自动化部署和运维能力，系统持续集成和算法更新自动下装非常便捷。平台具备较强的可扩展性和灵活定制能力，支持算法的定制化开发。