[发明专利]一种结合边缘计算与深度学习的智能终端图像压缩算法

权利要求书

1.一种结合边缘计算与深度学习的智能终端图像压缩算法，其特征在于：在终端与云端数据传输过程中部署图像压缩模型，将边缘终端获取的图像数据和视频数据进行压缩，同时保留关键帧和运动信息，以减少数据传输，减轻带宽压力，节省大量的存储空间和定位异常行为的查找时间。

2.基于权利要求1所述的结合边缘计算与深度学习的智能终端图像压缩算法，其特征在于，包括以下步骤：

第一步，模型训练

制作数据集，采用云端与终端设备协同训练的方式，训练并优化图像压缩模型；

第二步，模型分割

在边缘终端部署图像压缩编码模型，在云端部署图像压缩解码模型；

第三步，合理分配云端与终端的计算资源，实现终端与云端的协同处理；

第四步，模型优化

边缘终端收集推断有误的数据传输到云端再次训练，返回第一步，进一步优化训练模型，提高功能模块的精度。

3.根据权利要求2所述的结合边缘计算与深度学习的智能终端图像压缩算法，其特征在于：所述第一步中，图像压缩模型采用深度卷积神经网络。

4.根据权利要求2或3所述的结合边缘计算与深度学习的智能终端图像压缩算法，其特征在于：考虑到边缘设备算力资源和存储空间有限，设计轻量级加速体系结构；所述第一步中，在模型训练过程中，采取对图像压缩模型进行剪枝，并去除冗余数据，在训练的同时压缩图像压缩模型大小，得到训练并优化后的图像压缩模型，在最大程度上保证图像压缩模型精度，提高资源利用率。

5.根据权利要求2或3项所述的结合边缘计算与深度学习的智能终端图像压缩算法，其特征在于：所述第二步中，在边缘终端部署图像压缩编码模型，用于对图像数据和视频数据进行关键特征提取及量化处理，进一步减少特征，得到压缩后的特征数据，边缘终端将压缩后的特征数据上传至云端。

6.根据权利要求2或3所述的结合边缘计算与深度学习的智能终端图像压缩算法，其特征在于：所述第二步中，在云端部署图像压缩解码模型，用于对边缘终端上传的特征数据进行反量化和解码，恢复出原始图像进行处理。

7.根据权利要求2或3所述的结合边缘计算与深度学习的智能终端图像压缩算法，其特征在于：所述第三步中，在边缘终端与云端均部署功能处理模型，边缘终端获取到的计算量大的数据任务经图像压缩编码模型压缩处理后上传到云端服务器，通过图像压缩解码模型进行解码恢复，然后利用云端的功能处理模型进行分析处理。

8.根据权利要求7所述的结合边缘计算与深度学习的智能终端图像压缩算法，其特征在于：所述第三步中，边缘终端获取到的计算量大的数据任务，包括图像识别与目标检测，仍由边缘终端的功能处理模型完成。