(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210611506.0 (22)申请日 2022.05.31 (71)申请人 江苏濠汉信息技 术有限公司 地址 226000 江苏省南 通市高新区世纪大 道998号江海圆梦 谷 (72)发明人 王晓鹏　戴相龙　蒋勇　李学钧　 何成虎　 (74)专利代理 机构 北京冠和权律师事务所 11399 专利代理师 赵银萍 (51)Int.Cl. G06V 20/52(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06V 20/40(2022.01) G06V 40/10(2022.01) (54)发明名称 应用于电缆附件施工的边 缘计算系统 (57)摘要 本发明提出了应用于电缆附件施工的边缘 计算系统， 所述边缘计算系统包括中央处理中 心、 数据处理模块、 信息采集模块、 数据库和客户 端模块， 所述信息采集模块的信号输出端与数据 处理模块的信号输入端 连接， 所述数据处理模块 的信号交互端与中央处理中心的数据信号交互 端连接， 所述客户端模块与中央处理中心之间建 立数据交互连接， 所述数据库模块分别与客户端 模块和中央处 理中心之间建立数据交 互连接。 权利要求书2页 说明书6页 附图2页 CN 114882443 A 2022.08.09 CN 114882443 A 1.应用于电缆附件施工的边缘计算系统， 其特征在于， 所述边缘计算系统包括中央处 理中心、 数据处理模块、 信息采集模块、 数据库和客户端模块， 所述信息采集模块的信号输 出端与数据处理模块的信号输入端连接， 所述数据处理模块的信号交互端与中央处理中心 的数据信号交互端连接， 所述客户端模块与中央处理中心之间建立数据 交互连接， 所述数 据库模块分别与客户端模块和中央处 理中心之间建立数据交 互连接。 2.根据权利要求1所述边缘计算系统， 其特征在于， 所述信息采集模块包括摄像头； 所 述信息采集模块用于通过控制摄像头对电缆附件施工关键工序进 行拍摄留存， 实时采集电 缆附件施工过程中的照片和视频信息 。 3.根据权利要求1所述边缘计算系统， 其特征在于， 所述数据处理模块的运行过程包 括： 步骤1、 接收信息采集模块采集到的照片和视频信息； 步骤2、 对接收到的照片和视频信 息进行特征提取处理， 提取基于照片或者视频中人体 关键点的特 征； 步骤3、 将所述人体关键点的特征送入训练的LSTM时序网络模型， 获得所述视频序列所 属的施工 工序。 4.根据权利要求1或3所述 边缘计算系统， 其特 征在于， 所述数据处 理模块包括： 接收模块， 用于 接收信息采集模块采集到的照片和视频信息； 提取模块， 用于对接收到的照片和视频信息进行特征提取处理， 提取基于照片或者视 频中人体关键点的特 征； 工序获取模块， 用于将所述人体关键点的特征送入训练的LSTM时序网络模型， 获得所 述视频序列所属的施工 工序。 5.根据权利要求1所述边缘计算系统， 其特征在于， 所述中央处理中心， 用于接收数据 处理模块处理后得到的施工工序， 并对所述施工工序进行分类处理， 在完成分类处理后将 施工工序分类结果存 储至数据库中。 6.根据权利要求1所述边缘计算系统， 其特征在于， 所述客户端通过Web服务器与中央 处理中心进 行数据交互； 所述客户端， 用于为用户提供所述边缘计算系统的信息界面， 用户 通过客户端对数据交 互过程中的相应图片或者视频的施工 工序进行查看。 7.根据权利要求1所述边缘计算系统， 其特征在于， 所述边缘计算系统的运行过程如 下： 步骤1： 通过摄像头对电缆附件施工关键工序进行拍摄， 获取图片和视频信息， 并进行 人工标记， 标记出 该视频片段属于哪一种施工 工序， 作为电缆附件施工 工序识别样本集； 步骤2： 利用步骤1得到的样本集进行训练， 构 建人体姿态估计模型， 然后在MPII数据集 上进行模型训练， 得到 人体姿态估计模型， 并利用Convolutional  Pose Machines神经网络 提取人体关键点； 步骤3： 通过LSTM时序网络来 提取视频序列中的人体动作特 征； 步骤4： 应用时， 以嵌入式linux平台作为边缘计算设备平台， 平台搭载CCD摄像头， 将训 练的模型部署到边 缘计算平台； 步骤5： 读取实时视频， 提取关键帧， 对该帧图像采用CPM方法检测人体关键点， 如检测 到人体关键点， 连续提取N帧图像的人体 关键点， 根据步骤3提取基于人体 关键点的特征， 然权　利　要　求　书 1/2 页 2 CN 114882443 A 2后送入训练的LSTM时序网络模型， 得到该视频序列所属的施工 工序。 8.根据权利要求7所述边缘计算系 统， 其特征在于， 步骤3所述通过LSTM时序网络来提 取视频序列中的人体动作特 征， 包括： 步骤一、 根据人体骨骼关键点构建节点矩阵集合V ＝{vti|t＝1,...,T,i＝1,...,N}， 其 中T为视频帧数， N为骨骼关键点数， 关键点上的第t帧、 第 i个关键点的特征向量F(vti)由人 体关键点 坐标构成； 步骤二、 构建邻接矩阵E， 针对第t帧图像， E由两个子集组成， E1＝{vtivtj|(i,j)∈H}， H 表示手部关键点 集合， 邻接由人体关键点自然连接构成； 步骤三、 将步骤一和步骤二得到的特 征作为LSTM时序网络的输入； 步骤四、 利用所述手势动作特征训练手势动作分类模型， 获得训练好的手势动作分类 模型。 9.根据权利要求8所述边缘计算系统， 其特征在于， 所述手势动作分类模型的损失函数 如下： 其中， N表示手部关键点数； M表示施工工序的类别数量； yic表示指示变量， 取值为1或0； 如果工序的类别与观测样本i的工序类别相同， 则yic取值为1， 否则， 取值为0； pic表示对于 观测样本i属于类别c的预测概 率。权　利　要　求　书 2/2 页 3 CN 114882443 A 3