★中國鐵塔股份有限公司閆亞旗，冉沛，張闊，劉文睿，唐琳

關鍵詞：邊緣計算；視頻監(jiān)控；邊緣智能網(wǎng)關；云邊協(xié)同

1　引言

隨著5G、大數(shù)據(jù)、人工智能、產(chǎn)業(yè)互聯(lián)網(wǎng)及數(shù)字經(jīng)濟的發(fā)展，以云計算為核心的傳統(tǒng)處理模式越來越難以為繼，而以邊緣計算為代表的算力下沉成為新的發(fā)展趨勢。邊緣計算是指在網(wǎng)絡邊緣執(zhí)行計算任務和數(shù)據(jù)處理的一種分布式計算模式，它將原本集中在云端的數(shù)據(jù)處理任務下沉到靠近數(shù)據(jù)產(chǎn)生源的網(wǎng)絡邊緣，通過邊緣節(jié)點就近提供計算服務，有效降低了數(shù)據(jù)傳輸?shù)难舆t和帶寬消耗，同時減輕了云端的計算和存儲壓力。

近年來，人們對于個人和社會安全的關注度不斷提升，視頻監(jiān)控作為一種有效的安全防范手段，其市場需求迅速增長。特別是在疫情期間，公共場所、交通樞紐、醫(yī)療機構等關鍵區(qū)域?qū)σ曨l監(jiān)控的需求更加迫切，視頻監(jiān)控業(yè)務飛速發(fā)展。然而，大量攝像頭終端的接入及其產(chǎn)生的海量數(shù)據(jù)以及數(shù)據(jù)隱私泄露風險，對傳統(tǒng)以云計算為核心的視頻監(jiān)控系統(tǒng)提出了極大的挑戰(zhàn)，因此基于邊緣計算的視頻監(jiān)控系統(tǒng)成為當下業(yè)界研究的熱門。邊緣計算其本質(zhì)上是云計算的擴展和延伸，邊和云各有所長，在邊云協(xié)同的工作架構中，邊緣節(jié)點和云端各自扮演著重要角色，云端負責統(tǒng)籌管理各個邊緣節(jié)點，確保它們能夠高效地協(xié)同工作，包括任務的分配、資源的調(diào)度以及節(jié)點的狀態(tài)監(jiān)控等，同時利用大數(shù)據(jù)和人工智能技術對邊緣上報的數(shù)據(jù)進行有價值的洞察，并利用這些數(shù)據(jù)對算法模型進行持續(xù)的迭代優(yōu)化，提升識別和預測的精準度。邊緣節(jié)點對視頻監(jiān)控數(shù)據(jù)進行預處理操作，剔除冗余和無效的視頻幀，并在云端的統(tǒng)籌下執(zhí)行部分或全部的計算任務，并將計算結果及其他關鍵數(shù)據(jù)上報給云端。

2　基于邊緣計算的視頻監(jiān)控系統(tǒng)

傳統(tǒng)視頻監(jiān)控系統(tǒng)通常采用云端架構，前端攝像機實時采集視頻流，通過有線或無線網(wǎng)絡接入中心云平臺，實現(xiàn)視頻信息的存儲、分發(fā)、智能分析、業(yè)務應用及管理等，為用戶提供了多樣化的視頻應用。基于邊緣計算的視頻監(jiān)控系統(tǒng)，在前端攝像機和中心云平臺之間增加了具有智能計算能力的邊緣層，形成了彈性更強的端邊云協(xié)同架構。該架構從邏輯功能上分為終端層、邊緣層、平臺層和應用層，如圖1所示。

圖1 基于邊緣計算的視頻監(jiān)控系統(tǒng)架構

終端層是整個系統(tǒng)的神經(jīng)末梢，負責現(xiàn)場數(shù)據(jù)的采集。實際應用中，視頻往往需要與物聯(lián)網(wǎng)配合實現(xiàn)聯(lián)合檢測和反饋控制（如水質(zhì)監(jiān)測、燈具控制等）。除攝像機外，接入終端形態(tài)還包括各類傳感器、控制器等物聯(lián)網(wǎng)設備。

邊緣層收斂匯聚現(xiàn)場終端送來的非結構化視頻數(shù)據(jù)和物聯(lián)網(wǎng)數(shù)據(jù)，按需加載AI算法，就近進行邊緣智能分析，按既定規(guī)則觸發(fā)動作響應，同時將處理結果及關鍵數(shù)據(jù)上報給云端。邊緣層可按需部署一個或多個AI算法，對不同的數(shù)據(jù)流進行相應的智能計算處理。

平臺層由設備管理、視頻管理、算法管理等模塊構成，主要負責全局信息的處理、存儲和管理，承擔邊緣層無法執(zhí)行的計算任務，并向邊緣層下發(fā)業(yè)務規(guī)則和AI算法模型，以及為各類應用的開放對接提供標準的API。根據(jù)業(yè)務量和管理需要，平臺層可設置若干個區(qū)域下沉節(jié)點，以減少跨地域的數(shù)據(jù)傳輸和相應的時延及成本。

應用層利用平臺層分析處理的結構化/半結構化數(shù)據(jù)，結合特定的業(yè)務需求和應用模型，為用戶提供具體的垂直應用服務。

3　邊緣智能網(wǎng)關產(chǎn)品設計

3.1　邊緣智能網(wǎng)關主要功能

邊緣智能網(wǎng)關是邊緣網(wǎng)關形態(tài)的邊緣計算。邊緣智能網(wǎng)關具備設備接入、通信、計算、存儲、管理等關鍵能力，為AI算法和智能應用的部署運行提供了通用開放的軟硬件環(huán)境。邊緣智能網(wǎng)關主要由接口單元、網(wǎng)絡通信、邊緣計算、運行環(huán)境及設備管理等功能模塊組成，如圖2所示。

圖2 邊緣智能網(wǎng)關功能架構

接口單元模塊主要為邊緣智能網(wǎng)關的組網(wǎng)連接提供物理通道，包括用于各類終端接入的RJ45網(wǎng)口（LAN）、RS232/RS485串口、DI/DO開關量接口，用于將數(shù)據(jù)上傳云端的RJ45網(wǎng)口（WAN）、4G/5G以及Wi-Fi無線接口，以及USB、HDMI、外置天線等其他接口。接口的類型和數(shù)量可視實際業(yè)務需要來選擇。

網(wǎng)絡通信功能模塊是邊緣智能網(wǎng)關實現(xiàn)網(wǎng)絡接入、組網(wǎng)通信以及數(shù)據(jù)交換、轉(zhuǎn)發(fā)、路由的主要部件，它包括有線網(wǎng)卡通信模組、4G/5G無線通信模組、Wi-Fi無線通信模組，以及路由模組。通常情況下，一款邊緣智能網(wǎng)關僅需具備一或兩種類型的通信模組即可，避免造成資源閑置浪費。

邊緣計算功能模塊主要負責數(shù)據(jù)的智能分析處理，包括對視頻流的GB/T28181、ONVIF、RTSP協(xié)議解析，對物聯(lián)網(wǎng)數(shù)據(jù)的MQTT協(xié)議適配，對各類接入終端的設備注冊、參數(shù)配置、狀態(tài)監(jiān)測和資源調(diào)度，對AI算法的加載、關聯(lián)、啟停和統(tǒng)計監(jiān)測，對視頻流的抽幀、編解碼、質(zhì)量檢測等，以及對煙火、人員、車輛、行為及異常事件的智能分析識別等操作。

運行環(huán)境模塊主要為視頻網(wǎng)關運行提供必要的軟硬件環(huán)境，包括CPU/GPU/DSP等核心處理單元（SoC）、Linux操作系統(tǒng)、Docker容器，以及TF卡、EMMC、內(nèi)置/外掛硬盤等存儲空間。

設備管理功能模塊主要保障視頻網(wǎng)關可用、可管、可控、可靠，包括對網(wǎng)絡、存儲、容器等資源的管理調(diào)度，對微服務、電源、告警、日志、安全認證等的管理，以及固件的在線升級等。

3.2　智能分析流程

智能分析是邊緣智能網(wǎng)關邊緣計算功能的核心部分，它從技術實現(xiàn)上通常包括視頻取流、解碼、抽幀、預處理、推理、后處理以及編碼輸出等主要環(huán)節(jié)，如圖3所示。

圖3 智能分析流程

（1）視頻取流

視頻取流是指從攝像機獲取實時視頻數(shù)據(jù)的過程，通常情況下前端攝像機默認支持GB/T28181國標協(xié)議和ONVIF協(xié)議，并以RTSP格式將視頻流傳遞給邊緣智能網(wǎng)關進行處理分析。

（2）視頻解碼

在視頻傳輸過程中，為了提升傳輸效率，通常會對視頻數(shù)據(jù)進行編碼。視頻編碼的主要作用是將視頻像素數(shù)據(jù)壓縮成為視頻碼流，從而降低視頻的數(shù)據(jù)量，以便于網(wǎng)絡傳輸和存儲。目前視頻業(yè)務中常用的視頻編碼方案為H.264和H.265。解碼與編碼相對應，邊緣智能網(wǎng)關在獲得視頻流后，需對其解碼重構，通過對數(shù)據(jù)協(xié)議（HTTP、RTSP等）、封裝格式（MP4、FLV等）、碼流格式（H.264、H.265等）、顏色空間（YUV、RGB等）進行逆向操作，還原成未經(jīng)壓縮的視頻圖像流。邊緣智能網(wǎng)關既可以采用GPU或CPU硬件解碼，也可以選擇利用FFmpeg等工具進行軟件解碼。解碼的同時，還可以根據(jù)需要進行不同圖像分辨率、碼率、編碼格式、比特深度、顏色空間等之間的格式轉(zhuǎn)換。

（3）抽幀

視頻流從嚴格意義上講就是逐幀播放的單幅畫面，其主要是利用眼睛的視覺暫留特性，從而產(chǎn)生連續(xù)動畫的錯覺。抽幀就是從這些畫面中抽出單幅畫面，通常存在關鍵幀（IPB幀）抽取、均勻間隔抽幀、特定時刻幀抽取等操作模式。不同業(yè)務對及時性的要求直觀反映在抽幀頻率上，時延敏感型業(yè)務需要采用較高的抽幀頻率，如25fps甚至30fps，而實時性要求不高的業(yè)務可選擇較低的抽幀頻率，如每1秒、5秒甚至更長時間才抽取1幀。為提高系統(tǒng)資源效率，系統(tǒng)應對視頻流進行統(tǒng)一抽幀，并將抽幀后的圖片文件按視頻通道、時間戳等信息存入幀池（公共文件夾）中，供不同的算法共用。同時，要盡量減少抽幀圖片在CPU和GPU之間往返數(shù)據(jù)拷貝，降低抽幀時延和內(nèi)存帶寬占用。

（4）預處理

為提高數(shù)據(jù)質(zhì)量、提升AI算法推理效果和運行效率、加速收斂、防止梯度爆炸和塌陷，在進入神經(jīng)網(wǎng)絡前，需對待分析的圖像進行必要的預處理操作。最基本的處理內(nèi)容包括圖像縮放、平移、旋轉(zhuǎn)、透視變換、顏色空間及灰度變換、類型格式轉(zhuǎn)換、邊緣檢測、二值化操作、平滑處理等，實現(xiàn)數(shù)據(jù)標準化、歸一化和增強，適應神經(jīng)網(wǎng)絡結構和處理要求。同時，對樣本數(shù)據(jù)進行提純，消除圖像中無關的信息，恢復有用的真實信息，降低數(shù)據(jù)處理體積，改進特征提取、圖像分割、匹配和識別的可靠性。

（5）智能推理

AI算法模型從構建到實際應用會經(jīng)過訓練（Training）和推理（Inference）兩個階段。訓練就是用大量標記過的數(shù)據(jù)來學習、調(diào)優(yōu)和擬合相應的神經(jīng)網(wǎng)絡模型，使之可以適應特定的功能；推理則是指利用訓練好的模型，使用新數(shù)據(jù)預測或推斷出各種結論。邊緣智能網(wǎng)關的智能分析（推理）效果高低與否，根源在于算法選擇和訓練的好壞，也取決于算法部署和軟硬件適配情況。算法正常加載后，就可以從輸入的抽幀圖片中選取可能包含目標對象的感興趣區(qū)域（ROI），并進行特征提取和檢測分類，計算出目標對象的類別和置信度。

（6）后處理

后處理就是對算法預測的結果進行后期處理，改善輸出效果并進行可視化，如增加識別標簽、標注對象邊界框、分類以及添加用戶自定義的參數(shù)等。

（7）編碼輸出

實際應用中，有時要直接在視頻畫面顯示分析結果，就需要進行編碼操作，通過時間戳、圖片ID等將原始視頻流或抽幀圖片與識別的結構化數(shù)據(jù)進行關聯(lián)，并按照平臺接口規(guī)范重新編碼和輸出顯示。

3.3　定制化設計要點

3.3.1　軟硬件解耦

邊緣智能網(wǎng)關融合了網(wǎng)絡、計算、存儲等基礎能力，并為智能算法及應用提供了基礎的運行環(huán)境。為適應不同業(yè)務場景的應用需求，邊緣智能網(wǎng)關須較強的業(yè)務適應性，支持智能算法、業(yè)務應用及規(guī)則的靈活加載與應用部署。基于軟硬件解耦的理念，邊緣智能網(wǎng)關采用容器化方式對AI算法及應用進行部署和管理。與物理機和虛擬機相比，Docker容器運行環(huán)境更輕量高效、可移植性強，更適合邊緣節(jié)點部署。

在AI算法部署方面，邊緣智能網(wǎng)關支持基礎鏡像、完整鏡像和獨立進程等多種算法部署模式，并支持本地磁盤導入、遠程下載導入及云端算法倉遠程下發(fā)等導入方式，可結合不同場景的需要靈活加載不同的算法模型，滿足了不同場景的業(yè)務需求。（1）基礎鏡像：系統(tǒng)內(nèi)置默認鏡像，提供算法運行所需的通用基礎依賴環(huán)境，僅需提供算法App可執(zhí)行程序包，通過基礎鏡像創(chuàng)建容器，將App程序包放入容器中運行。基礎鏡像模式，算法App文件包較小，但對基礎鏡像的依賴程度比較高。（2）完整鏡像：提供完整算法鏡像，并通過導入的鏡像創(chuàng)建容器運行算法。相較于基礎鏡像，完整鏡像文件較大，但對系統(tǒng)環(huán)境依賴度較小。

（3）獨立進程：算法應用直接在宿主機上運行，不通過docker容器。該模式讓算法應用兼容性更強、更靈活。

3.3.2　外觀結構統(tǒng)一

在外觀接口配置方面，結合使用需求和成本考慮，邊緣智能網(wǎng)關上行通信支持有線和4G/5G無線，可滿足多路視頻流實時回傳和遠程調(diào)閱的需要。攝像頭可以通過以太網(wǎng)口直連邊緣智能網(wǎng)關，也可以通過匯聚交換機轉(zhuǎn)接。在部分場景中，攝像頭還存在遠端供電需求，因此LAN口要保留吉比特、百兆以太網(wǎng)口和POE端口等多種類型。為了方便物聯(lián)網(wǎng)終端的接入，邊緣智能網(wǎng)關還配置了一定數(shù)量的RS485、RS232、CAN、DI/DO等行業(yè)應用場景常用的接口。

定制邊緣智能網(wǎng)關外觀結構和接口布局完全統(tǒng)一，如圖4所示，其兼容不同廠商AI芯片（CPU+GPU/NPU）。外觀結構的統(tǒng)一，有利于降低一線安裝維護人員面對異廠商不同形態(tài)設備時的學習成本，大幅簡化了安裝部署實施過程中的操作復雜度。

圖4 定制邊緣智能網(wǎng)關外觀結構

3.3.3　模塊化設計

為進一步提升邊緣智能網(wǎng)關產(chǎn)品的業(yè)務場景適應性，定制邊緣智能網(wǎng)關采用模塊化的設計理念，即“核心板+主板+通用接口”的設計模式。其中核心板為包含AI芯片模組的主控制板，由CPU、GPU/NPU、內(nèi)存單元、圖像處理單元、編解碼處理單元等組成；主板用于布局通用功能單元的母板/系統(tǒng)板，主要包括電源模塊、4G/5G無線模塊、路由模塊、存儲單元、POE供電模塊等；底板通過260pin的連接器與核心板進行連接，如圖5所示。

圖5 結構爆炸圖

邊緣智能網(wǎng)關各主要部件采用模塊化設計，包括4G/5G通信模組、硬盤、TF/SD卡、算力擴展卡等，可按需增減配，形成多種差異分級的產(chǎn)品規(guī)格，有利于提高產(chǎn)品性價比和競爭力，如圖6所示。

圖6 邊緣智能網(wǎng)關產(chǎn)品規(guī)格

3.3.4　軟件功能架構設計

在軟件功能設計方面，邊緣智能網(wǎng)關以分層架構和模塊化設計為核心，不僅降低了各模塊間的依賴，還實現(xiàn)了功能的靈活配置與動態(tài)加載，可輕松應對多樣業(yè)務場景。各功能模塊之間采用標準化的接口設計，為后續(xù)功能的快速更新與擴展提供了極大便利。更重要的是，它能與北向云平臺、上層智能應用軟件以及智能算法應用無縫對接，確保了高效的數(shù)據(jù)傳輸與處理。其架構設計如圖7所示。

圖7 軟件功能架構

邊緣智能網(wǎng)關軟件功能架構總體分為五層，分別為硬件層、驅(qū)動層、系統(tǒng)層、業(yè)務能力層和用戶層，各層協(xié)同工作，確保各項功能的高效穩(wěn)定運行。硬件層是整個架構的基礎，包括設備CPU、內(nèi)存、網(wǎng)卡等關鍵部件，以及供電單元和硬件接口，為網(wǎng)關提供穩(wěn)定的硬件支持。驅(qū)動層則包含操作系統(tǒng)對硬件的驅(qū)動文件，確保設備能夠被正確識別并順暢運行。系統(tǒng)層作為程序運行的基礎環(huán)境，承載著進程調(diào)度、內(nèi)存管理等重要功能。同時，它還提供了基本維護工具軟件、標準系統(tǒng)調(diào)用庫以及應用軟件通用依賴庫，如NPU固件庫、音視頻編解碼和圖形處理等，為上層應用提供豐富的功能支持。業(yè)務能力層是邊緣智能網(wǎng)關的核心，由核心基礎業(yè)務服務與擴展業(yè)務服務構成。核心基礎業(yè)務服務提供諸如系統(tǒng)管理、網(wǎng)絡管理、視頻通道管理等基礎服務，為上層應用奠定堅實的業(yè)務能力基礎。而擴展業(yè)務服務層則針對實際業(yè)務場景需求和平臺建設情況，實現(xiàn)算法應用的安裝部署、云平臺協(xié)議對接、數(shù)據(jù)交互和設備控制等高級功能。用戶層則服務于操作使用邊緣智能網(wǎng)關本地管理系統(tǒng)的用戶，以及對接邊緣智能網(wǎng)關的外部平臺，確保用戶能夠便捷地管理和使用網(wǎng)關。

4　基于邊緣計算的典型場景與應用實踐

4.1　森林防火

森林火災對自然環(huán)境、人身財產(chǎn)安全的危害性極大，每年全球各地類似事件時有發(fā)生。由于森林環(huán)境的復雜性和廣闊性，傳統(tǒng)的防火方法往往難以及時、準確地發(fā)現(xiàn)火源，從而錯失最佳的滅火時機。基于邊緣計算的森林防火檢測系統(tǒng)，如圖8所示，直接在監(jiān)測點與匯聚點部署邊緣智能網(wǎng)關產(chǎn)品，攝像機數(shù)據(jù)就近接入邊緣智能網(wǎng)關，并在本地進行直接智能分析識別，可快速發(fā)現(xiàn)火情并及時將相關告警信息上報云端通知給相關處理人。相比于傳統(tǒng)集中式的方案，基于邊緣計算的方案在算法靈活性、業(yè)務響應實時性、網(wǎng)絡帶寬成本等方面有著較為明顯的優(yōu)勢，根據(jù)數(shù)據(jù)監(jiān)測統(tǒng)計可以得出其實際的數(shù)據(jù)流量支出不到原來的10%。由于采用了邊緣智能算法分析，其原有的存儲視頻變成了視頻片段和圖片，存儲空間的使用也是快速下降，按照統(tǒng)計計算只有原有存儲支出的8%左右，在提升服務響應的同時，大大降低了服務成本，取得了較好的應用效果。

圖8 基于邊緣計算的森林防火解決方案

4.2　智慧加油站

加油站屬于危化品行業(yè)，如何在日常加油卸油作業(yè)過程中保障人員、財產(chǎn)安全是重中之重。目前，國內(nèi)加油站日常管理主要依靠人為管控、監(jiān)控攝像頭監(jiān)督及人工巡檢等方式，管控手段存在低效性和滯后性，迫切需要將人工智能、邊緣計算等技術應用到日常監(jiān)管工作中，由“人工監(jiān)督”升級為“智能監(jiān)控”，強化加油站安全風險管控。基于邊緣計算的智慧加油站解決方案，如圖9所示，借助部署了AI算法的邊緣智能網(wǎng)關，對加油站人員抽煙打電話等危險行為、加油站工作人員著裝規(guī)范、卸油工作流程等實時監(jiān)測，同時將AI自動判定識別的危險源、危險行為、違規(guī)操作等，進行實時告警，并將信息推送至監(jiān)管中心，從而提高了現(xiàn)場安全生產(chǎn)作業(yè)的監(jiān)控效率，降低了危險事件發(fā)生的概率。

圖9 基于邊緣計算的智慧加油站解決方案

4.3　智能運維

智能運維是通過數(shù)智化手段實現(xiàn)鐵塔站址資源運維生產(chǎn)的自動化、無人化和智能化，包括巡檢作業(yè)、資源管理、出入站管理、電費管理、發(fā)電管理、故障管理等功能的智能化實現(xiàn)。邊緣智能網(wǎng)關是智能運維系統(tǒng)中的重要邊緣節(jié)點，它作為站點智慧大腦，可對機房及設備運行狀態(tài)進行實時監(jiān)測和智能識別，從而實現(xiàn)智能巡檢、智能出入站、智能資管等業(yè)務功能。

（1）智能巡檢

通過攝像頭及AI算法對基站進行遠程周期自動巡檢和事件觸發(fā)巡檢，逐步替代傳統(tǒng)上站巡檢，減少人工上站，提升生產(chǎn)效率。

（2）智能出入站

應用電子圍欄、人形檢測、人臉識別等AI算法，結合智能門禁系統(tǒng)，對出入站的6個關鍵環(huán)節(jié)實現(xiàn)智能化管理。

（3）智能資管

定期自動拍照，AI識別變動，發(fā)現(xiàn)設備差異自動派單核查，保證資源資產(chǎn)數(shù)據(jù)的真實性和準確性，同時實現(xiàn)資源管理的3D展示。

基于邊緣計算的智能運維解決方案如圖10所示。

圖10 基于邊緣計算的智能運維解決方案

經(jīng)天津、遼寧、河南三個省市智能維護試點驗證，基于邊緣計算的智能運維解決方案可大幅降低數(shù)據(jù)傳輸成本、快速發(fā)現(xiàn)異常事件、提升維護效率效益。其具體優(yōu)勢如下：

（1）提升組網(wǎng)兼容性，實現(xiàn)機房內(nèi)多個攝像機統(tǒng)一管理，對國標、onvif、海康大華私協(xié)等各類主流的攝像機協(xié)議進行適配并轉(zhuǎn)換為符合鐵塔標準的統(tǒng)一協(xié)議回傳平臺。

（2）提升邊緣AI能力，實現(xiàn)AI計算能力下沉和攝像機的智能升級，有效減少平臺側(cè)AI計算能力要求，降低攝像機終端成本。

（3）僅將告警相關信息進行回傳，避免攝像機視頻流全量回傳，節(jié)約網(wǎng)絡回傳成本（回傳數(shù)據(jù)量僅占全部本地視頻錄制文件數(shù)據(jù)量的不足1%）

（4）提升設備管理效率，支持攝像機控制功能前置，簡化攝像機控制信令及業(yè)務數(shù)據(jù)鏈路，提升拍照、拉流成功率。

（5）提升安裝調(diào)參效率，通過邊緣網(wǎng)關自適應完成碼流、網(wǎng)絡端口等大多數(shù)參數(shù)設置，簡化一線施工人員對攝像機及邊緣網(wǎng)關參數(shù)配置，有效提升安裝及維護調(diào)參效率。

4.4　市場推廣情況

目前邊緣智能網(wǎng)關產(chǎn)品已廣泛應用于鐵塔視聯(lián)、智能維護、加油站施工安全監(jiān)測等業(yè)務場景。面向鐵塔視聯(lián)業(yè)務，在智慧水利、漁業(yè)禁捕、森林防火/秸稈禁燒、鐵路護路、鄉(xiāng)鎮(zhèn)綜治、智慧社區(qū)、智慧工地等業(yè)務場景進行試點，并分別在河南、云南、福建等地智慧加油站、邊防監(jiān)控、地鐵隧道等場景進行商業(yè)落地。在智能維護方面，我們協(xié)同運營維護部推進智能維護前期試點及深化試點工作，在15省市部署邊緣智能網(wǎng)關6.3萬臺，助力了公司運維專業(yè)化和數(shù)智化能力提升。針對通信發(fā)展部基站施工安全監(jiān)測業(yè)務場景，我們打造基于邊緣智能網(wǎng)關產(chǎn)品的場景化解決方案，完成了端到端業(yè)務流程的測試拉通，并在雄安、四川、江蘇、上海、重慶、鄭州6省市進行試點應用，進一步加強了施工現(xiàn)場的安全質(zhì)量生產(chǎn)管理，提升了安全風險防控能力。截至2024年6月，我們對外提供服務落地合同額達3000余萬元。

5　結束語

算力下沉至邊緣已成為確定性趨勢，在摩爾定律已經(jīng)失效而量子計算遠未成熟之前，智能泛在的邊緣計算將是未來算力網(wǎng)絡的關鍵基礎。隨著技術的不斷成熟和應用場景的拓展，基于邊緣計算的視頻監(jiān)控系統(tǒng)將在更多領域發(fā)揮重要作用，并具有廣闊的應用前景。

作者簡介：

閆亞旗（1988-），男，河南許昌人，高級工程師，碩士，現(xiàn)就職于中國鐵塔股份有限公司，研究方向為物聯(lián)網(wǎng)、邊緣計算、算力網(wǎng)絡相關技術及產(chǎn)品創(chuàng)新。

冉　沛（1981-），男，湖南人，高級工程師，學士，現(xiàn)就職于中國鐵塔股份有限公司，研究方向為物聯(lián)網(wǎng)及邊緣計算。

張　闊（1988-），男，遼寧鞍山人，高級工程師，碩士，現(xiàn)就職于中國鐵塔股份有限公司，研究方向為通信電子和人工智能。

劉文睿（1996-），男，山東曲阜人，工程師，碩士，現(xiàn)就職于中國鐵塔股份有限公司，研究方向為邊緣計算及算力網(wǎng)絡技術。

唐　琳（1998-），女，河北滄州人，碩士，現(xiàn)就職于中國鐵塔股份有限公司，研究方向為算力網(wǎng)絡及邊緣計算。

參考文獻：

[1]周科,楊淑娟,徐雷,吳慶勛.智能城市中的邊緣計算:一項全面調(diào)查[J].IEEE物聯(lián)網(wǎng)雜志,2020,7(1):1.

[2]史文,曹靜,張強,李艷明,徐雷.邊緣計算:視野與挑戰(zhàn)[J].IEEE物聯(lián)網(wǎng)雜志,2016,3(5):637-646.

[3]左丹,李雷,鐘勝明,楊陽,賀瓊林.基于深度邊緣計算的視頻監(jiān)控系統(tǒng)綜述[J].IEEE工業(yè)信息學報,2021,17(3):2025-2036.

[4]Satyanarayanan,M.邊緣計算的興起[J].計算機,2017,50(1):30-39.

[5]王強,任穎,張云,胡林.邊緣計算系統(tǒng)綜述[J].IEEE會議記錄,2020,108(8):1518-1538.

[6]葛暢,白光偉,沈航,等.基于邊緣計算的視頻監(jiān)控框架[J].計算機工程與設計,2019,40(1):32-39.

[7]潘三明,袁明強.基于邊緣計算的視頻監(jiān)控系統(tǒng)及應用[J].電信科學,2020,36(6):6.

摘自《自動化博覽》2024年12月刊