[發明專利]基于多核異構并行計算的電力人工智能視覺分析系統

有效

• 申請號: 201711268417.6
• 申請日: 2017-12-05
• 公開（公告）號: CN108171117B
• 公開（公告）日: 2019-05-21
• 發明（設計）人: 羅旺;魯盈悅;吳超;馮敏;郝小龍;崔漾;樊強;彭啟偉;趙高峰;夏源;余磊
• 申請（專利權）人: 南京南瑞信息通信科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董建林

1.一種基于多核異構并行計算的電力人工智能視覺分析系統，其特征在于，以輕量級神經網絡為核心，包括多核異構并行計算模塊和業務應用模塊；業務應用模塊和多核異構并行計算模塊之間通過網絡服務接口訪問，傳輸數據；

所述多核異構并行計算模塊包括GPU計算節點、CPU存儲管理節點、CPU計算節點，各節點之間通過交換機連接；GPU計算節點用于模型訓練和智能任務執行，完成密集計算；CPU存儲管理節點用于數據存儲，內嵌關系型數據庫和非關系型數據庫；CPU計算節點用于科學計算，同時輔助GPU計算節點完成部分密集計算；

業務應用模塊包括圖像管理模塊、圖像標注模塊、模型訓練模塊、算法應用模塊；圖像管理模塊用于管理電力內外網圖像業務；圖像標注模塊用于為輕量級神經網絡提供訓練數據集的標注信息；模型訓練模塊用于在多核異構并行計算模塊上訓練輕量級神經網絡模型；算法應用模塊面向電力內外網圖像業務，在多核異構并行計算模塊上利用輕量級神經網絡模型執行智能分析任務；

所述輕量級神經網絡模型，具體包括：

整個網絡包含20層，其中卷積層有17層，池化層有1層，全連接層有1層，卷積層位于網絡前端，池化層和全連接層位于網絡后端；

采用的卷積核為1×1小卷積核和1×3、3×1的非對稱卷積核；

具備殘差結構，在保持網絡深度的同時加速收斂；

網絡具備棄權、批標準化的可選配置參數，引入正則化機制；

網絡提供針對輸入數據的歸一化和增強功能，將所有輸入圖像歸一化為224×224的像素值，并提供鏡像反轉、裁剪、色調變換多種數據增強手段，擴充了訓練數據集；

網絡最后的一層即損失函數層具備可適配性，使用softmax函數作為損失函數用單標簽分類，使用交叉熵函數作為多標簽分類；

所述輕量級神經網絡架構為：

第1層為卷積層，步長為2，輸入的大小為224×224×3，采用兩個級聯的卷積核1×3和3×1；

第2層為卷積層，步長為1，輸入的大小為112×112×32，采用兩個級聯的卷積核1×3和3×1；

第3層為卷積層，步長為1，輸入的大小為112×112×32，采用1×1的卷積核；

第4層為卷積層，步長為2，輸入的大小為112×112×64，采用兩個級聯的卷積核1×3和3×1；

第5層為卷積層，步長為1，輸入的大小為56×56×64，采用兩個級聯的卷積核1×3和3×1；

第6層為卷積層，步長為1，輸入的大小為56×56×128，采用1×1的卷積核；

第7層為卷積層，步長為2，輸入的大小為56×56×128，采用兩個級聯的卷積核1×3和3×1；

第8層為卷積層，步長為1，輸入的大小為28×28×128，采用兩個級聯的卷積核1×3和3×1；

第9層為卷積層，步長為1，輸入的大小為28×28×256，采用1×1卷積核；

第10層為卷積層，步長為2，輸入的大小為28×28×256，采用兩個級聯的卷積核1×3和3×1；

第11層為卷積層，步長為1，輸入的大小為14×14×256，采用兩個級聯的卷積核1×3和3×1；

第12層為卷積層，步長為1，輸入的大小為14×14×512，采用1×1卷積核；

第13層為卷積層，步長為2，輸入的大小為14×14×512，采用兩個級聯的卷積核1×3和3×1；

第14層為卷積層，步長為1，輸入的大小為7×7×512，采用兩個級聯的卷積核1×3和3×1；

第15層為卷積層，步長為1，輸入的大小為7×7×1024，采用1×1卷積核；

第16層為卷積層，步長為2，輸入的大小為7×7×1024，采用兩個級聯的卷積核1×3和3×1；

第17層為卷積層，步長為1，輸入的大小為7×7×1024，采用兩個級聯的卷積核1×3和3×1；

第18層為平均池化層，步長為1，輸入的大小為7×7×1024，池化大小為7×7；

第19層為全連接層，輸入的大小為1×1×1024，包含1000個神經元；

第20層為損失函數層，可適配，使用softmax函數作為損失函數用單標簽分類，使用交叉熵函數作為多標簽分類。