井工煤礦人工智能視覺識別技術要求_第1頁
井工煤礦人工智能視覺識別技術要求_第2頁
井工煤礦人工智能視覺識別技術要求_第3頁
井工煤礦人工智能視覺識別技術要求_第4頁
井工煤礦人工智能視覺識別技術要求_第5頁
已閱讀5頁,還剩2頁未讀 繼續免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

井工煤礦人工智能視覺識別技術要求范圍本文件確立了井工煤礦智能視覺識別的技術架構,提出了技術和安全等方面的要求。本文件適用于省內井工煤礦人工智能視覺識別的規劃、設計和建設。規范性引用文件下列文件中的內容通過文中的規范性引用而構成本文件必不可少的條款。其中,注日期的引用文件,僅該日期對應的版本適用于本文件;不注日期的引用文件,其最新版本(包括所有的修改單)適用于本文件。GB/T22239—2018信息安全技術網絡安全等級保護基本要求GB/T28181公共安全視頻監控聯網系統信息傳輸、交換、控制技術要求GB/T30147安防監控視頻實時智能分析設備技術要求GB35114公共安全視頻監控聯網信息安全技術要求GB/T39680信息安全技術服務器安全技術要求和測評準則GB/T41867-2022信息技術人工智能術語GB/T44271-2024信息技術云計算邊緣云通用技術要求MT/T1212煤礦信息綜合承載網通用技術規范MT/T1202《煤礦數據采集與傳輸技術要求》GB50174-2017《數據中心設計規范》術語和定義下列術語和定義適用于本文件。下列術語和定義適用于本文件。GB/T41867-2022、GB/T44271-2024界定的以及下列術語和定義適用于本文件。3.1人工智能artificialintelligencs(學科)人工智能系統相關研制和應用的研究和開發。[來源:GB/T41867-2022,3.1.2]3.2人工智能識別artificialintelligencesystem針對人類定義的給定目標,產生諸如內容、預測、推薦或決策等輸出的一類工程系統。[來源:GB/T41867-2022,3.1.8]3.3模型訓練modeltraining利用訓練數據,基于機器學習算法,確定或改進機器學習模型參數的過程。[來源:GB/T41867-2022,3.2.18]3.4推理reasoning從給定的前提進行論證并得出結論。[來源:GB/T41867-2022,3.2.30]3.5訓練數據trainingdata用于訓練機器學習模型的輸入數據樣本子集。[來源:GB/T41867-2022,3.2.35]3.6井工煤礦人工智能視覺識別artificialintelligentvisualrecognitionforundergroundcoalmines將井工煤礦人、機、環等監測數據通過數據采集、統一管理,經過對視頻數據的處理,借助智能識別的技術,實現對井工煤礦人、機、環狀態的智能識別、分析。3.7中心側centralside部署在數據中心,集中資源、數據進行決策分析。[來源:GB/T44271-2024,3.1,有修改]3.7邊側edgeside在靠近事物、數據源頭的網絡邊緣側。[來源:GB/T44271-2024,3.1,有修改]3.7端側deviceside事物、數據源頭。[來源:GB/T44271-2024,3.1,有修改]縮略語下列縮略語適用于本文件。AI:人工智能(ArtificialIntelligence)AGC:自動增益控制(AutomaticGainControl)CPU:中央處理器(CentralProcessingUnit)IP:網際互連協議(InternetProtocol)JPEG:聯合圖像專家組(PhotographicExpertsGroup)RTSP:實時流傳輸協議(RealTimeStreamingProtocol)TCP:傳輸控制協議(TransmissionControlProtocol)UPS:不間斷電源(UninterruptiblePowerSupply)技術架構井工煤礦人工智能視覺識別技術架構應按照“中心側—邊側—端側”部署,并應考慮兼容煤礦已建設的相關平臺與系統。井工煤礦人工智能視覺識別技術架構如圖1所示,包含以下方面:中心側包括AI算力基礎設施、數據治理平臺、人工智能模型開發平臺,實現模型訓練;邊側包括AI管理平臺和應用平臺,實現模型推理;端側包括攝像機以及具有執行或聯動能力的設備/PLC、聲光報警器、應急廣播等執行設備,實現視頻采集與推理應用;中心側和邊側通過專線實現網絡互通,為中心側將已訓練模型下發部署到邊側、已部署模型的邊用邊學、持續迭代優化和邊側異常樣本向中心側反饋提供網絡通道;邊側和端側通過工業環網實現網絡互通,為井下視頻流和模型推理結果的傳輸提供網絡通道。圖1人工智能視覺識別技術架構圖功能要求中心側應具備煤礦數據治理、AI模型開發和人工智能算力基礎設施等能力,實現視覺識別模型的訓練、下發部署、邊用邊學,持續提升模型精度和使用效果等功能,并實現煤礦視頻、圖片數據集成、標注、開發、服務等功能。如不具備建設條件,可依托其他已符合本標準要求的中心實現,鼓勵采用集約統建的AI算力基礎設施,節省建設成本。宜優先采用國產自主可控的軟硬件。中心側數據治理技術應滿足如下要求:應滿足數據安全要求,應支持根據數據的敏感性和重要性,對數據進行分類與分級,實施差異化保護策略;應具備敏感數據脫敏處理能力,在數據的應用中應嚴格遵守數據安全與隱私保護政策;應具備嚴格的訪問控制機制,確保只有授權用戶才能訪問相關數據;應具備數據備份與恢復策略,確保數據的可靠性和可恢復性;應具備數據安全審計能力,發現并解決潛在的安全隱患;應滿足數據質量要求,人工智能訓練圖片分辨率不應低于1280*720,其中目標檢測的標注內容不應小于100*100像素,標注內容不得出現畫面粉塵、煙霧、曝光嚴重、背光、亮度不足情況;應具備數據存儲與計算能力,應支持結構化數據、半結構化數據、非結構化數據、二進制數據的采集、存儲功能;應具備彈性擴展能力,根據業務需求動態調整存儲資源;應支持多種計算模式,如批處理、流處理等,滿足不同場景下的數據處理需求;應支持在數據存儲與計算過程中,采取有效的安全措施,確保數據的隔離性與安全性;應具備數據全生命周期管理能力,提供數據集成、數據開發、數據治理、數據標注、數據服務等能力;應具備數據治理監測能力和應急響應能力;應具備數據集成工具,實現數據的快速整合與共享;具備數據質量管理工具,對數據質量進行持續監控與優化;具備數據加密、訪問控制等安全工具,保障數據安全。中心側應具備煤炭行業基礎模型及基于基礎模型的場景模型開發工具;具備模型預訓練、微調、部署、迭代能力;具備中心側-邊側協同、邊用邊學、模型持續優化能力。具體要求如下:應支持在線下發部署模型到邊側推理設備;應支持開放樣本反饋接口,供邊側AI管理平臺調用,反饋異常樣本到中心側進行模型迭代和場景的優化訓練,接口應具備安全驗證能力;應支持運營管理,支持數據集管理、應用管理、應用優化、服務管理、中心側-邊側協同和模型管理;應具備圖像分類、物體檢測、異常識別、目標跟蹤、語義分割、實例分割、視頻分類、姿態估計等相關技術開發能力;應支持訓練作業管理、作業參數管理和模型管理等;應支持通過煤炭行業基礎模型抽取、剪枝、蒸餾等輕量化操作訓練出不同規格的場景模型;煤炭行業基礎模型應具備不同煤礦場景的泛化能力,所訓練的場景模型精準率和召回率均不低于90%。中心側AI算力應提供液冷方式,支持計算節點處理器液冷;應支持分布式訓練和分布式存儲;計算芯片支持高速網口直出互聯;AI算力應支持業內主流的Pytorch、TensorFlow和MindSpore等計算框架。AI算力所在機房應滿足GB50174-2017所規定的B級及以上標準,宜采用模塊化方式建設,滿足GB/T22239—2018標準第三級安全等級保護要求。邊側應具備AI推理、應用編排與推理識別結果集成能力。宜優先采用國產自主可控的軟硬件。視頻數據的采集、存儲應配備流媒體服務器。邊側AI推理應具備對接中心側煤礦人工智能模型開發平臺進行聯動的能力,支持中心側AI模型技術架構。應建設AI管理系統,配備模型推理服務器。已部署的模型應在礦端保持常態化運行,識別準確率、召回率均應不低于90%。邊側AI管理系統應具備以下能力:支持自動納管由中心側煤礦人工智能模型開發平臺下發的場景模型;支持礦端現有模型信息手動導入、刪除、查詢和修改等操作,可對來自不同廠商、不同類型的模型的統一管理、統一配置、統一監控;具備AI資源管理、模型管理、模型部署等可視化管理功能,支持模型綁定指定攝像機,以及監控駕駛艙、實時報警等展示功能;具備樣本反饋機制,可將AI誤報和新增場景樣本圖片反饋至中心側進行統一訓練、模型優化、迭代升級;支持模型容器狀態信息、心跳存活信息上報;支持模型推理任務狀態信息上報;支持模型容器服務節點的狀態信息內存、硬盤、CPU信息上報;支持對視頻源質量和狀態的檢測分析。支持模型和應用解耦,支持推理結果分發到不同系統或應用進行融合分析。邊側AI推理服務器應具備以下能力:單個推理服務器應具備不低于2個CPU核心,單個CPU宜不少于24核;單個推理卡應支持算力切分,內置CPU核應不少于8核;應支持H.264、H.265視頻編解碼和JPEG圖片編解碼,單卡顯存應不少于24GB,宜采用低功耗產品;支持主流的AI計算框架,包括PaddlePaddle、Pytorch、TensorFlow和MindSpore等。邊側應支持AI推理結果和業務應用的編排和自動化執行,業務應用和AI推理高效融合和集成,能夠實現業務閉環。應用服務器按實際業務需求量進行配備。端側應具備視頻數據采集能力的攝像機和具備AI推理結果響應能力的執行設備。攝像機與相關執行設備應滿足《煤礦安全規程》,井下設備取得MA標志。攝像機及存儲設備應滿足以下要求:粉塵較大區域,攝像機宜具有自清潔功能,自清潔器件宜更換;宜采用星光、超微光、全彩等相關技術以及相關圖像算法;彩色攝像機最低照度宜采用小于或等于0.005Lux(F1.2,AGCON,1/30快門),黑白攝像機最低照度宜采用0.0005Lux(F1.2,AGC打開,1/30快門);宜采用具備紅外攝像儀或白光補光的攝像機,如采用紅外攝像機,輸出圖像尺寸不低于1024*720,如采用白光補光攝像機,輸出圖像尺寸不低于輸出圖像尺寸不低于1920*1080。光線比較復雜場景,配備合適的寬動態范圍攝像機,井下宜選擇支持強光抑制、透霧、逆光補償功能的攝像機;攝像機應具有自動光圈功能,實現光圈自動調節,保障光照度變化的場合正確曝光成像;采掘工作面應選擇具備變焦和自動聚焦功能的攝像機;視頻幀率應達到25fps以上;應用于皮帶監測的視頻應達到50fps以上;防水防塵等級不低于IP65;攝像機應支持全雙工TCP/IP傳輸協議,視頻流傳輸協議應符合GB/T28181,應提供RTSP格式視頻分發,宜支持雙向語音對講;移動攝像機應能快速部署、快速拆卸及方便攜帶,配置分離或一體式電源,連續攝錄時間不少于8h,支持wifi6/4G/5G等多種無線通信方式,分辨率不低于1080P,幀率不低于25/秒;攝像機應支持本地存儲,可單獨配置存儲卡擴展,支持斷網續傳功能。中心側—邊側網絡帶寬應滿足模型的部署、管理、邊用邊學等要求,帶寬不宜小于100M,應具備按業務量彈性帶寬擴展功能。邊側-端側網絡要求:傳輸網絡相關設備的防護等級應符合應用場景需求;傳輸網絡嚴禁與安全監控系統共用同一芯光纖(物理層切片網絡除外,切片顆粒度≤2G,切片數量≥5,切片應符合MT/T1212),傳輸網絡架構不超過三級。從經濟、合理的角度選擇有線或無線傳輸方式,有線如光纖,無線如wifi、5G/4G、無線網橋等;骨干網絡帶寬應能夠滿足傳輸要求,并至少留有25%余量:骨干網絡兼顧其他數據傳輸的,全部傳輸數據的峰值不能超過總帶寬的70%;網絡上行切片帶寬不低于4Mbps,下行不低于1Mbps;被調用視頻延時應不大于2s。安全要求系統安全建設應從敏感數據加密、用戶登錄、安全校驗、密碼策略、賬戶鎖定、安全審計等方面進行要求。攝像機安全應滿足GB/T28181、GB/T30147、GB35114相關要求。服務器安全應滿足GB/T22239、GB/T39680相關要求。應數據安全應滿足本標準中6.2所列的數據安全要求。應具備網絡安全防護功能,實現專網與外網、控制網與管理網的隔離,滿足GB/T22239—2018標準網絡安全等級保護要求。參?考?文?獻[1]煤礦安全規程[2]礦安綜﹝2024﹞58

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論