买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉吉林省燚盟科技股份有限公司申请的专利一种基于边缘云的视觉识别算法多态模型系统及其应用系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119337080B 。

龙图腾网通过国家知识产权局官网在2025-10-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411312125.8，技术领域涉及：G06F18/20；该发明授权一种基于边缘云的视觉识别算法多态模型系统及其应用系统是由付志;殷切设计研发完成，并于2024-09-20向国家知识产权局提交的专利申请。

本一种基于边缘云的视觉识别算法多态模型系统及其应用系统在说明书摘要公布了：本发明公开了一种基于边缘云的视觉识别算法多态模型系统及其应用系统，属于计算机视觉技术领域，包括云端与边缘端，云端包括多态性模型管理模块、模型优化模块，边缘端包括预处理模块，所述多态性模型管理模块，包括n个相关视觉识别模型，基于不同视觉识别模型的计算精度、复杂度以及负荷，通过智能决策机制，对于当前任务自动匹配最适模型，所述模型优化模块，收集使用中的视觉识别模型样本。本发明一种基于边缘云的视觉识别算法多态模型系统及其应用系统，能够实现模型管理、模型筛选、模型优化、资源优化，显著提升视觉识别系统的响应速度、资源利用效率，适用于各种对实时性、准确性和安全性有高要求的应用场景。

本发明授权一种基于边缘云的视觉识别算法多态模型系统及其应用系统在权利要求书中公布了：1.一种基于边缘云的视觉识别算法多态模型系统，其特征在于：包括云端与边缘端，云端包括多态性模型管理模块、模型优化模块，边缘端包括预处理模块，其中： 所述多态性模型管理模块，包括n个相关视觉识别模型，基于不同视觉识别模型的计算精度、复杂度以及负荷，通过智能决策机制，对于当前任务自动匹配最适模型： 基于不同视觉识别模型的计算精度、复杂度以及负荷，对于模块内部视觉识别模型进行分类，并且基于模型的计算精度、复杂度以及负荷，分别进行特异性分类，其具体的步骤为： 针对视觉识别综合模型，根据模型的F1分数，对于模型的计算精度进行特异性分类，其中，F1分数是综合衡量模型精确率和召回率的指标，具体的步骤为： 当相关模型的F1分数＜0.7，则标记相关模型为低精度模型； 当相关模型的0.7≤F1分数≤0.9，则标记相关模型为中精度模型； 当相关模型的F1分数＞0.9，则标记相关模型为高精度模型； 根据模型的浮点运算次数FLOPs，对于模型的复杂度进行特异性分类，具体的步骤为： 当相关模型的FLOPs＜108，则标记相关模型为低复杂度模型； 当相关模型的108≤FLOPs≤109，则标记相关模型为中复杂度模型； 当相关模型的FLOPs＞109，则标记相关模型为高复杂度模型； 根据模型的CPU使用率，对于模型的负荷进行特异性分类，具体的步骤为： 当相关模型的CPU使用率＜30％，则标记相关模型为低负荷模型； 当相关模型的30％≤CPU使用率≤70％，则标记相关模型为中负荷模型； 当相关模型的CPU使用率＞70％，则标记相关模型为高负荷模型； 其中，F1分数是综合衡量模型精确率和召回率的指标，其计算公式为： 其中，P代表模型的精准率，R代表模型的召回率，F1分数值范围为0至1，其中1表示完美的精准率与召回率，0表示最差的精准率与召回率，通过F1分数，可以综合考虑相关模型的精确率和召回率，避免单纯依赖精确率或召回率评估模型时出现的片面性； 建立智能决策匹配模型，包括精准度优先、复杂度优先、负荷优先以及混合优先，基于当前视觉识别任务的优先级，对于当前任务自动匹配最适模型，其具体的步骤为： 建立智能决策匹配优先模式，包括精准度优先、复杂度优先、负荷优先以及混合优先，设置不同等级模型分数，对于不同等级的模型，基于判定条件，对于判定条件进行三等分： 其中，低精度模型分值分别为2分、3分、4分，中精度模型分值分别为5分、6分、7分，高精度模型分值分别为8分、9分、10分，低复杂度模型分值分别为8分、9分、10分，中复杂度模型分值分别为5分、6分、7分，高复杂度模型分值分别为2分、3分、4分，低负荷模型分值分别为8分、9分、10分、中负荷模型分值分别为5分、6分、7分，高负荷模型分值分别为2分、3分、4分； 在精准度优先模式中，基于当前任务的精准度要求，保留符合当前任务精准度要求的模型，分别计算保留模型中每个模型的第一剩余综合分值Z1，其中： Z1＝B+C； 上述公式中，B代表模型复杂度分值，C代表模型负荷分值，对于第一剩余综合分值Z1进行降序排列，选择第一位模型作为最适模型，当出现第一剩余综合分值Z1相同情况时，对于相同分值模型的模型负荷分值C进行降序排列，选取第一位模型作为最适模型，当出现模型负荷分值C相同情况时，对于相同分值模型的模型复杂度分值B进行降序排列，选取第一位模型作为最适模型； 在复杂度优先模式中，基于当前任务的复杂度要求，保留符合当前任务复杂度要求的模型，分别计算保留模型中每个模型的第二剩余综合分值Z2，其中： Z2＝A+C； 上述公式中，A代表模型精准度分值，C代表模型负荷分值，对于第二剩余综合分值Z2进行降序排列，选择第一位模型作为最适模型，当出现第二剩余综合分值Z2相同情况时，对于相同分值模型的模型精准度分值A进行降序排列，选取第一位模型作为最适模型，当出现模型精准度分值A相同情况时，对于相同分值模型的模型负荷分值C进行降序排列，选取第一位模型作为最适模型； 在负荷优先模式中，基于当前任务的负荷要求，保留符合当前任务负荷要求的模型，分别计算保留模型中每个模型的第三剩余综合分值Z3，其中： Z3＝A+B； 上述公式中，A代表模型精准度分值，B代表模型复杂度分值，对于第三剩余综合分值Z3进行降序排列，选择第一位模型作为最适模型，当出现第三剩余综合分值Z3相同情况时，对于相同分值模型的模型精准度分值A进行降序排列，选取第一位模型作为最适模型，当出现模型精准度分值A相同情况时，对于相同分值模型的模型复杂度分值B进行降序排列，选取第一位模型作为最适模型； 在混合优先模式中，当当前任务具备精准度要求、复杂度要求、负荷要求时，保留符合当前任务要求的模型，并对于保留模型计算综合分值Z4，其中： Z4＝A+B+C； 对于综合分值Z4进行降序排列，选取第一位模型作为最适模型； 当当前任务具备精准度要求、复杂度要求、负荷要求中任两项要求时，在满足要求的模型中，对于剩余要求分值进行降序排列，选取第一位模型作为最适模型； 以低负荷模型为例，当相关模型的CPU使用率＜30％，则标记相关模型为低负荷模型，即相关模型CPU使用率≤10％的为10分，相关模型10％＜CPU使用率≤20％的为9分，相关模型20％＜CPU使用率＜30％的为8分，基于当前任务的精准度要求、复杂度要求以及负荷要求，通过智能决策匹配模型对于当前任务所需的视觉识别模型进行匹配，且优先匹配最适模型，以提高视觉识别系统的响应速度； 所述模型优化模块，收集使用中的视觉识别模型样本，基于获得的正确样本与错误样本，对于未使用的模型进行增量更新，对于视觉识别模型进行持续改进： 基于筛选出的最适视觉识别模型，对于使用过程中的相关参数进行记录，包括正确样本与错误样本，通过正确样本与错误样本在云端对未使用的视觉识别模型进行模型更新与优化： 收集使用中的视觉识别模型的正确识别的样本及其正确标签、错误分类样本及其正确标签，对于错误分类样本类型进行类别划分，包括误分类样本与漏检样本； 根据获得的正确样本与错误样本，构建增量学习数据集，数据集中包括所有的错误识别样本以及三分之一正确识别的样本，通过在线梯度下降法，对于未使用的视觉识别模型进行微调，以适应新数据： 其中，θt代表当前时间步t的模型参数，θt+1即为更新后的模型参数，通过使用新数据对当前模型参数进行调整得到，η代表学习率，代表损失函数J对模型参数θt的梯度； 误分类样本为视觉识别模型将样本分类为错误类别，漏检样本为视觉识别模型未能识别出本应识别的样本，η代表学习率，控制每次参数更新的步长，较大的学习率容易导致训练不稳定，而较小的学习率则可能导致收敛过慢，通过咨询相关领域的专家进行灵活设置，通过梯度下降算法，模型参数根据计算出的梯度进行调整，以最小化损失函数，从而提升模型在新数据上的表现； 所述模型优化模块中还设置有自我更新优化系统，基于每次视觉识别模型使用过程中的样本，建立特异性数据库，其具体的步骤为： 收集每次最适识别模型识别过程中获得的错误样本，建立特异性数据库，基于样本的类型，分别在特异性数据库中建立误分类样本数据库以及漏检样本数据库； 定期对于加入多态性模型管理模块中的视觉识别模型进行二次特异性训练，包括误分类特异性训练以及漏检特异性训练，在每次最适视觉模型识别后，收集新的错误样本并对样本进行标注，并将新收集的错误样本按照分类添加到特异性数据库中，设置清理机制，定期检查特异性数据库中的数据情况，去除N时间点前的样本； 定期对于加入多态性模型管理模块中的视觉识别模型进行二次特异性训练，常规的时间周期为15天，也可以根据具体的使用环境需要进行灵活设置，同时去除N时间点前的样本，时间点N通常设置为6个月，也可以根据具体的使用环境需求，对于时间点N进行调整； 所述预处理模块，通过数据预处理算法和特征提取，在边缘端进行数据预处理与特征提取，减少传输云端数据传输量，提升处理速度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人吉林省燚盟科技股份有限公司，其通讯地址为：130012 吉林省长春市朝阳区西安大路1566号林晟大厦4楼408-1室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。