分布式组件平台建设方案模板.docVIP

AI平台开发项目

建设方案

概述

传统视觉系统的应用实现，是在经过给定背景、光源、采集光学器材参数的特定环境下，实现对目标感知区域拍摄的数字图像进行指定要求的处理，并提取特定的信息数据，并输出给指定设备作为动作依据，所依赖的是预先明确的固定特征，由视觉工程师基于视觉任务的特定需求，进行目标特征的定义以及数值判断的阀值定义的实现，这种逻辑简单的局限性，无法适用于随机性强、特征复杂的工作任务，如随机出现的复杂外观缺陷检测。因此，目前业界越来越多的使用到能解决此类复杂特征问题的深度学习。

深度学习方法(DeepLearning)作为传统神经网络的拓展，近年来在语音、图像、自然语言等的语义认知问题上取得巨大的进展，为解决视觉大数据的表示和理解问题提供了通用的框架。图像视频内容复杂，包含场景多样、物体种类繁多，非受控条件下，图像和视频的内容受光照、姿态、遮挡等影响变化大，图像视频数据量大，特征维度高，部分应用需实时处理，而深度学习方法的快速发展，为解决上述问题提供了有效的途径。深度学习算法在目前的行业普遍技术水平已经能够达到95%以上的判定准确率。通过平衡漏判率和误判率，更加严格地控制漏判，可以让漏判率降到100PPM以下，而误判率降到5%以下。

系统建设架构

AI能力平台，通过端+5G网络+边缘云+云服务的协作，快速响应用户各类视觉应用需求，持续采集基于场景化的图像素材，不断丰富图像库，构建行业+AI护城河，提升市场竞争力

项目需求

虽然基于深度学习的AI工业视觉可以解决更复杂的问题，应用越来越广泛，但仍存在如下瓶颈，制约更高速的发展，端侧算力成本越来越高，单点系统维护成本过高，数据孤岛，数据不能有效共享，不能很好的适应具有移动性诉求的应用场景，通用性、智能性和同类应用快速复制性欠佳，实际应用中视觉检测准确率较低，不可自学习，动态优化。

故此，AI能力平台支持各厂商算法接口，数据收集，资源自动分配，达到集各家所长适配更广泛的应用场景，合理利用资源的目的。

系统架构

AI能力平台系统架构分为4个部分：

云管理平台：提供对客户端平台管理、算法、算力、接口管理，运维信息、服务资源分配、性能分析等功能。

客户端平台：提供给客户或上层应用的管理后台。

K8S运维体系：自动化部署扩缩容

系统监控：模块主要为监控存储空间、程序运行、系统告警功能。

技术栈

语言：Java8

IDE(JAVA)：IDEA安装lombok插件

IDE(前端)：VisualStudioCode或者IDEA

依赖管理：Maven

缓存：Redis

数据库：MySQL5.7

版本管理：Git

基础框架：SpringBoot2.3.12.RELEASE

微服务框架：SpringCloudHoxton.SR12、SpringCloudAlibaba2.2.1.RELEASE

持久层框架：MyBatis-plus3.4.1

安全框架：Jwt2.2.5.RELEASE

微服务技术栈：SpringCloudAlibaba、Nacos、RabbitMQ

数据库连接池：HikariCP

缓存框架：redis

日志打印：logback

其他：fastjson，Swagger-ui，quartz,lombok（简化代码）等。Vue2.6.14,Vuex3.6.2,VueRouter3.5.3

Axios0.21.1

element-ui2.15.6

echarts?-数据可视化图表

DataV-大屏数据展示组件库

网络架构

建设方案

算法镜像压缩

抽烟算法镜像压缩

调整自研抽烟算法由kafak通信方式改为kafak和HTTP方式，并对镜像包镜像优化，缩小体积，便于服务器网络之间的传输和降低资源的消耗。达到既不影响原有业务同时兼容平台规则。

抽帧算法镜像压缩

调整自研抽帧算由Kafak通信方式改为支持kafka和http两种方式，并将抽帧方式进行优化，以适应更多更复杂的使用场景。达到既不影响原有业务同时兼容平台规则。

算法仓

算法仓实现对接入的所有算法、厂家、版本、镜像、能力接口等管理，中心平台应答边缘平台的算法申请，包括算法能力配置下发和仓库镜像下发以及License的下发。