[发明专利]基于多核异构并行计算的电力人工智能视觉分析系统

摘要

本发明公开了一种基于多核异构并行计算的电力人工智能视觉分析系统，其特征在于，包括以轻量级神经网络为核心，包括一种多核异构并行计算模块和业务应用模块；业务应用模块和多核异构并行计算模块之间通过网络服务接口访问，传输数据；所述多核异构并行计算模块包括GPU计算节点、CPU存储管理节点、CPU计算节点，各节点之间通过交换机连接；业务应用模块包括图像管理模块、图像标注模块、模型训练模块、算法应用模块；本发明基于多核异构并行计算框架，可高效实现在线或离线图像数据训练，形成轻量化快速图像分类模型，实现电力内外网图像业务应用，能最大化发挥图像数据的价值，具备较好的应用前景。

主权项

1.一种基于多核异构并行计算的电力人工智能视觉分析系统，其特征在于，以轻量级神经网络为核心，包括多核异构并行计算模块和业务应用模块；业务应用模块和多核异构并行计算模块之间通过网络服务接口访问，传输数据；所述多核异构并行计算模块包括GPU计算节点、CPU存储管理节点、CPU计算节点，各节点之间通过交换机连接；GPU计算节点用于模型训练和智能任务执行，完成密集计算；CPU存储管理节点用于数据存储，内嵌关系型数据库和非关系型数据库；CPU计算节点用于科学计算，同时辅助GPU计算节点完成部分密集计算；业务应用模块包括图像管理模块、图像标注模块、模型训练模块、算法应用模块；图像管理模块用于管理电力内外网图像业务；图像标注模块用于为轻量级神经网络提供训练数据集的标注信息；模型训练模块用于在多核异构并行计算模块上训练轻量级神经网络模型；算法应用模块面向电力内外网图像业务，在多核异构并行计算模块上利用轻量级神经网络模型执行智能分析任务；所述轻量级神经网络模型，具体包括：整个网络包含20层，其中卷积层有17层，池化层有1层，全连接层有1层，卷积层位于网络前端，池化层和全连接层位于网络后端；采用的卷积核为1×1小卷积核和1×3、3×1的非对称卷积核；具备残差结构，在保持网络深度的同时加速收敛；网络具备弃权、批标准化的可选配置参数，引入正则化机制；网络提供针对输入数据的归一化和增强功能，将所有输入图像归一化为224×224的像素值，并提供镜像反转、裁剪、色调变换多种数据增强手段，扩充了训练数据集；网络最后的一层即损失函数层具备可适配性，使用softmax函数作为损失函数用单标签分类，使用交叉熵函数作为多标签分类；所述轻量级神经网络架构为：第1层为卷积层，步长为2，输入的大小为224×224×3，采用两个级联的卷积核1×3和3×1；第2层为卷积层，步长为1，输入的大小为112×112×32，采用两个级联的卷积核1×3和3×1；第3层为卷积层，步长为1，输入的大小为112×112×32，采用1×1的卷积核；第4层为卷积层，步长为2，输入的大小为112×112×64，采用两个级联的卷积核1×3和3×1；第5层为卷积层，步长为1，输入的大小为56×56×64，采用两个级联的卷积核1×3和3×1；第6层为卷积层，步长为1，输入的大小为56×56×128，采用1×1的卷积核；第7层为卷积层，步长为2，输入的大小为56×56×128，采用两个级联的卷积核1×3和3×1；第8层为卷积层，步长为1，输入的大小为28×28×128，采用两个级联的卷积核1×3和3×1；第9层为卷积层，步长为1，输入的大小为28×28×256，采用1×1卷积核；第10层为卷积层，步长为2，输入的大小为28×28×256，采用两个级联的卷积核1×3和3×1；第11层为卷积层，步长为1，输入的大小为14×14×256，采用两个级联的卷积核1×3和3×1；第12层为卷积层，步长为1，输入的大小为14×14×512，采用1×1卷积核；第13层为卷积层，步长为2，输入的大小为14×14×512，采用两个级联的卷积核1×3和3×1；第14层为卷积层，步长为1，输入的大小为7×7×512，采用两个级联的卷积核1×3和3×1；第15层为卷积层，步长为1，输入的大小为7×7×1024，采用1×1卷积核；第16层为卷积层，步长为2，输入的大小为7×7×1024，采用两个级联的卷积核1×3和3×1；第17层为卷积层，步长为1，输入的大小为7×7×1024，采用两个级联的卷积核1×3和3×1；第18层为平均池化层，步长为1，输入的大小为7×7×1024，池化大小为7×7；第19层为全连接层，输入的大小为1×1×1024，包含1000个神经元；第20层为损失函数层，可适配，使用softmax函数作为损失函数用单标签分类，使用交叉熵函数作为多标签分类。