CN109391701A - 云端多计算节点分析系统 - Google Patents
云端多计算节点分析系统 Download PDFInfo
- Publication number
- CN109391701A CN109391701A CN201811587354.5A CN201811587354A CN109391701A CN 109391701 A CN109391701 A CN 109391701A CN 201811587354 A CN201811587354 A CN 201811587354A CN 109391701 A CN109391701 A CN 109391701A
- Authority
- CN
- China
- Prior art keywords
- equipment
- cloud
- analysis
- dust concentration
- concentration data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种云端多计算节点分析系统，包括：多个视频监控设备，分别设置在医院的各个出入口处，用于对于各个出入口处的现场场景分别进行视频监控，以获得多个视频传输流，所述多个视频监控设备包括一个主监控设备，设置在医院的主出入口处；网络上传设备，用于通过网络将所述多个视频传输流上传到云端的多个计算节点，所述多个计算节点包括人流分析节点和车流分析节点；网络接收设备，分别与云端的人流分析节点和云端的车流分析节点连接，用于通过网络接收云端的人流分析节点和云端的车流分析节点分别反馈的分析结果。通过本发明，能够采用云端的人流分析节点和车流分析节点执行对人体和车体的可疑度判断。
Description
技术领域
本发明涉及云计算领域，尤其涉及一种云端多计算节点分析系统。
背景技术
云计算是通过使计算分布在大量的分布式计算机上，而非本地计算机或远程服务器中，企业数据中心的运行将与互联网更相似。这使得企业能够将资源切换到需要的应用上，根据需求访问计算机和存储系统。
好比是从古老的单台发电机模式转向了电厂集中供电的模式。他意味着计算能力也可以作为一种商品进行流通，就像煤气、水电一样，取用方便，费用低廉。最大的不同在于，他是通过互联网进行传输的。
发明内容
为了解决目前无法采用云端的人流分析节点和车流分析节点执行对人体和车体的可疑度判断的技术问题，本发明提供了一种云端多计算节点分析系统。
本发明具备以下几个重要发明点：(1)对多个相邻设备的内部灰尘浓度进行评估，以确定设备所在印刷电路板的实时灰尘浓度，为后续数据判断提供重要的参考数据；(2)在执行针对性的目标误码设备查找之后，对被确定为目标误码设备的内存进行整理操作，以释放目标误码设备的内存，降低目标误码设备的误码率，提高设备的工作性能；(3)采用云端的人流分析节点对多个视频传输流中的相同人体目标分别进行分析，并基于分别分析所获得的多个结果执行对应人体的可疑度判断，同时采用云端的车流分析节点对多个视频传输流中的相同车体目标分别进行分析，并基于分别分析所获得的多个结果执行对应车体的可疑度判断。
根据本发明的一方面，提供了一种云端多计算节点分析系统，所述系统包括：
多个视频监控设备，分别设置在医院的各个出入口处，用于对于各个出入口处的现场场景分别进行视频监控，以获得多个视频传输流，所述多个视频监控设备包括一个主监控设备，设置在医院的主出入口处；
网络上传设备，分别与所述多个视频监控设备连接，用于通过网络将所述多个视频传输流上传到云端的多个计算节点，所述多个计算节点包括人流分析节点和车流分析节点；
网络接收设备，分别与云端的人流分析节点和云端的车流分析节点连接，用于通过网络接收云端的人流分析节点和云端的车流分析节点分别反馈的分析结果；
所述人流分析节点对所述多个视频传输流中的相同人体目标分别进行分析，并基于分别分析所获得的多个结果执行对应人体的可疑度判断；
所述车流分析节点对所述多个视频传输流中的相同车体目标分别进行分析，并基于分别分析所获得的多个结果执行对应车体的可疑度判断；
内存整理设备，与PAL器件连接，用于对被确定为目标误码设备的内存进行整理操作，以释放目标误码设备的内存；
阈值比较设备，与网络上传设备的输出接口连接，用于对所述输出接口的输出数据执行误码率分析，以在获得的误码率超过预设百分比阈值时，发出误码超标信号，还用于在获得的误码率未超过预设百分比阈值时，发出误码正常信号；
来源分析设备，分别与阈值比较设备和网络上传设备的输入接口连接，用于在接收到误码超标信号时，对所述输入接口接收的数据执行数据来源分析，以获得一个或多个数据来源设备，所述来源分析设备还用于在接收到所述误码正常信号时，停止对所述输入接口接收的数据执行数据来源分析；
PAL器件，与所述来源分析设备连接，用于对所述来源分析设备中获得的各个数据来源设备分别进行输出数据的误码率分析，以将误码率最高的数据来源设备作为目标误码设备，以及在所述PAL器件中，当各个数据来源设备的误码率相同时，将各个数据来源设备都作为目标误码设备；
时钟供应设备，分别与所述内存整理设备、所述阈值比较设备、所述来源分析设备和所述PAL器件连接，用于为所述内存整理设备、所述阈值比较设备、所述来源分析设备和所述PAL器件提供相同的时钟信号；
信号通知设备，与实时统计设备连接，用于接收网络上传设备所在印刷电路板的灰尘浓度数据，并在网络上传设备所在印刷电路板的灰尘浓度数据超于最大浓度阈值时，进行相应的语音报警操作；
第一感应设备，设置在网络上传设备的内部，用于对网络上传设备的内部的灰尘浓度执行现场检测操作，以获得第一灰尘浓度数据；
第二感应设备，设置在网络接收设备的内部，用于对网络接收设备的内部的灰尘浓度执行现场检测操作，以获得第二灰尘浓度数据；
第三感应设备，设置在主监控设备的内部，用于对主监控设备的内部的灰尘浓度执行现场检测操作，以获得第三灰尘浓度数据；
实时统计设备，分别与所述第一感应设备、第二感应设备和第三感应设备连接，用于接收所述第一灰尘浓度数据、所述第二灰尘浓度数据和所述第三灰尘浓度数据，并对所述第一灰尘浓度数据、所述第二灰尘浓度数据和所述第三灰尘浓度数据执行加权估算操作，以获得所述网络上传设备所在印刷电路板的灰尘浓度数据，在所述实时统计设备中，所述第一权重值大于所述第二权重值且大于所述第三权重值，所述第一权重值取值范围在0.5到2之间，所述第二权重值和所述第三权重值的取值范围在0.25到1之间；
其中，在所述实时统计设备中，对所述第一灰尘浓度数据、所述第二灰尘浓度数据和所述第三灰尘浓度数据执行加权估算操作，以获得所述网络上传设备所在印刷电路板的灰尘浓度数据包括：将所述第一灰尘浓度数据和第一权重值相乘以获得第一乘积，将所述第二灰尘浓度数据和第二权重值相乘以获得第二乘积，将所述第三灰尘浓度数据和第三权重值相乘以获得第三乘积，将所述第一乘积、所述第二乘积和所述第三乘积相加以获得所述网络上传设备所在印刷电路板的灰尘浓度数据。
更具体地，在所述云端多计算节点分析系统中，所述系统还包括：闪光灯控制器，位于主监控设备的一侧，用于基于实时环境亮度控制闪光灯的开闭。
更具体地，在所述云端多计算节点分析系统中，所述系统还包括：闪光灯控制器基于实时环境亮度控制闪光灯的开闭包括：当实时环境亮度小于等于预设亮度阈值时，打开闪光灯。
更具体地，在所述云端多计算节点分析系统中：闪光灯控制器基于实时环境亮度控制闪光灯的开闭包括：当实时环境亮度大于预设亮度阈值时，关闭闪光灯。
更具体地，在所述云端多计算节点分析系统中：闪光灯控制器基于实时环境亮度控制闪光灯的开闭包括：当实时环境亮度小于等于预设亮度阈值时，打开闪光灯并根据实时环境亮度调整闪光灯的闪光亮度，实时环境亮度越低，闪光灯的闪光亮度越高。
更具体地，在所述云端多计算节点分析系统中，所述系统还包括：GPS定位设备，设置在网络上传设备的一侧。
更具体地，在所述云端多计算节点分析系统中：所述GPS定位设备用于提供所述网络上传设备当前的GPS位置。
更具体地，在所述云端多计算节点分析系统中：可替换地，采用北斗星导航设备替换GPS定位设备。
根据本发明的另一方面，还提供了一种云端多计算节点分析方法，所述方法包括使用一种如上述的云端多计算节点分析系统，用于采用云端计算节点分析的模式对源自医院的各个出入口处的多个视频传输流进行人流车流分析。
附图说明
以下将结合附图对本发明的实施方案进行描述，其中：
图1为根据本发明实施方案示出的云端多计算节点分析系统所使用的多计算节点的结构示意图。
具体实施方式
下面将参照附图对本发明的云端多计算节点分析系统的实施方案进行详细说明。
现有技术中，被普遍接受的云计算特点如下：
(1)超大规模：
″云″具有相当的规模，Google云计算已经拥有100多万台服务器，Amazon、IBM、微软、Yahoo等的″云″均拥有几十万台服务器。企业私有云一般拥有数百上千台服务器。″云″能赋予用户前所未有的计算能力。
(2)虚拟化：
云计算支持用户在任意位置、使用各种终端获取应用服务。所请求的资源来自″云″，而不是固定的有形的实体。应用在″云″中某处运行，但实际上用户无需了解、也不用担心应用运行的具体位置。只需要一台笔记本或者一个手机，就可以通过网络服务来实现我们需要的一切，甚至包括超级计算这样的任务。
(3)高可靠性：
″云″使用了数据多副本容错、计算节点同构可互换等措施来保障服务的高可靠性，使用云计算比使用本地计算机可靠。
为了克服上述不足，本发明搭建了一种云端多计算节点分析系统，能够有效解决相应的技术问题。
图1为根据本发明实施方案示出的云端多计算节点分析系统所使用的多计算节点的结构示意图。图1中示例性地示出了3个计算节点，实际使用中，根据需求，计算节点的数量不限于3个。
根据本发明实施方案示出的云端多计算节点分析系统包括：
多个视频监控设备，分别设置在医院的各个出入口处，用于对于各个出入口处的现场场景分别进行视频监控，以获得多个视频传输流，所述多个视频监控设备包括一个主监控设备，设置在医院的主出入口处；
网络上传设备，分别与所述多个视频监控设备连接，用于通过网络将所述多个视频传输流上传到云端的多个计算节点，所述多个计算节点包括人流分析节点和车流分析节点；
网络接收设备，分别与云端的人流分析节点和云端的车流分析节点连接，用于通过网络接收云端的人流分析节点和云端的车流分析节点分别反馈的分析结果；
所述人流分析节点对所述多个视频传输流中的相同人体目标分别进行分析，并基于分别分析所获得的多个结果执行对应人体的可疑度判断；
所述车流分析节点对所述多个视频传输流中的相同车体目标分别进行分析，并基于分别分析所获得的多个结果执行对应车体的可疑度判断；
内存整理设备，与PAL器件连接，用于对被确定为目标误码设备的内存进行整理操作，以释放目标误码设备的内存；
阈值比较设备，与网络上传设备的输出接口连接，用于对所述输出接口的输出数据执行误码率分析，以在获得的误码率超过预设百分比阈值时，发出误码超标信号，还用于在获得的误码率未超过预设百分比阈值时，发出误码正常信号；
来源分析设备，分别与阈值比较设备和网络上传设备的输入接口连接，用于在接收到误码超标信号时，对所述输入接口接收的数据执行数据来源分析，以获得一个或多个数据来源设备，所述来源分析设备还用于在接收到所述误码正常信号时，停止对所述输入接口接收的数据执行数据来源分析；
PAL器件，与所述来源分析设备连接，用于对所述来源分析设备中获得的各个数据来源设备分别进行输出数据的误码率分析，以将误码率最高的数据来源设备作为目标误码设备，以及在所述PAL器件中，当各个数据来源设备的误码率相同时，将各个数据来源设备都作为目标误码设备；
时钟供应设备，分别与所述内存整理设备、所述阈值比较设备、所述来源分析设备和所述PAL器件连接，用于为所述内存整理设备、所述阈值比较设备、所述来源分析设备和所述PAL器件提供相同的时钟信号；
信号通知设备，与实时统计设备连接，用于接收网络上传设备所在印刷电路板的灰尘浓度数据，并在网络上传设备所在印刷电路板的灰尘浓度数据超于最大浓度阈值时，进行相应的语音报警操作；
第一感应设备，设置在网络上传设备的内部，用于对网络上传设备的内部的灰尘浓度执行现场检测操作，以获得第一灰尘浓度数据；
第二感应设备，设置在网络接收设备的内部，用于对网络接收设备的内部的灰尘浓度执行现场检测操作，以获得第二灰尘浓度数据；
第三感应设备，设置在主监控设备的内部，用于对主监控设备的内部的灰尘浓度执行现场检测操作，以获得第三灰尘浓度数据；
实时统计设备，分别与所述第一感应设备、第二感应设备和第三感应设备连接，用于接收所述第一灰尘浓度数据、所述第二灰尘浓度数据和所述第三灰尘浓度数据，并对所述第一灰尘浓度数据、所述第二灰尘浓度数据和所述第三灰尘浓度数据执行加权估算操作，以获得所述网络上传设备所在印刷电路板的灰尘浓度数据，在所述实时统计设备中，所述第一权重值大于所述第二权重值且大于所述第三权重值，所述第一权重值取值范围在0.5到2之间，所述第二权重值和所述第三权重值的取值范围在0.25到1之间；
其中，在所述实时统计设备中，对所述第一灰尘浓度数据、所述第二灰尘浓度数据和所述第三灰尘浓度数据执行加权估算操作，以获得所述网络上传设备所在印刷电路板的灰尘浓度数据包括：将所述第一灰尘浓度数据和第一权重值相乘以获得第一乘积，将所述第二灰尘浓度数据和第二权重值相乘以获得第二乘积，将所述第三灰尘浓度数据和第三权重值相乘以获得第三乘积，将所述第一乘积、所述第二乘积和所述第三乘积相加以获得所述网络上传设备所在印刷电路板的灰尘浓度数据。
接着，继续对本发明的云端多计算节点分析系统的具体结构进行进一步的说明。
所述云端多计算节点分析系统中还可以包括：
闪光灯控制器，位于主监控设备的一侧，用于基于实时环境亮度控制闪光灯的开闭。
所述云端多计算节点分析系统中还可以包括：
闪光灯控制器基于实时环境亮度控制闪光灯的开闭包括：当实时环境亮度小于等于预设亮度阈值时，打开闪光灯。
所述云端多计算节点分析系统中：
闪光灯控制器基于实时环境亮度控制闪光灯的开闭包括：当实时环境亮度大于预设亮度阈值时，关闭闪光灯。
所述云端多计算节点分析系统中：
闪光灯控制器基于实时环境亮度控制闪光灯的开闭包括：当实时环境亮度小于等于预设亮度阈值时，打开闪光灯并根据实时环境亮度调整闪光灯的闪光亮度，实时环境亮度越低，闪光灯的闪光亮度越高。
所述云端多计算节点分析系统中还可以包括：
GPS定位设备，设置在网络上传设备的一侧。
所述云端多计算节点分析系统中：
所述GPS定位设备用于提供所述网络上传设备当前的GPS位置。
所述云端多计算节点分析系统中：
可替换地，采用北斗星导航设备替换GPS定位设备。
同时，为了克服上述不足，本发明还搭建了一种云端多计算节点分析方法，所述方法包括使用一种如上述的云端多计算节点分析系统，用于采用云端计算节点分析的模式对源自医院的各个出入口处的多个视频传输流进行人流车流分析。
另外，可编程阵列逻辑PAL(Programmable Array Logic)器件是美国MMI公司率先推出的，他由于输出结构种类很多，设计灵活，因而得到普遍使用。
PAL器件的基本结构是把一个可编程的与阵列的输出乘积项馈送到或阵列，PAL器件所实现的逻辑表达式具有积之和的形式，因而可以描述任意布尔传递函数。
PAL器件从内部结构上来说由五种基本类型构成：(1)基本阵列结构；(2)可编程I/O结构；(3)带反馈的寄存器输出结构；(4)异或结构：(5)算术功能结构。
采用本发明的云端多计算节点分析系统，针对现有技术中采用云端的人流分析节点和车流分析节点执行对人体和车体的可疑度判断的技术问题，通过对多个相邻设备的内部灰尘浓度进行评估，以确定设备所在印刷电路板的实时灰尘浓度，为后续数据判断提供重要的参考数据；尤为关键的是，在执行针对性的目标误码设备查找之后，对被确定为目标误码设备的内存进行整理操作，以释放目标误码设备的内存，降低目标误码设备的误码率，提高设备的工作性能；同时还采用云端的人流分析节点对多个视频传输流中的相同人体目标分别进行分析，并基于分别分析所获得的多个结果执行对应人体的可疑度判断，同时采用云端的车流分析节点对多个视频传输流中的相同车体目标分别进行分析，并基于分别分析所获得的多个结果执行对应车体的可疑度判断。
在本说明书的描述中，参考术语″一个实施例″、″一些实施例″、″示例″、″具体示例″、或″一些示例″等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。
此外，术语″第一″、″第二″仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有″第一″、″第二″的特征可以明示或者隐含地包括至少一个该特征。
虽然本发明已以实施例揭示如上，但其并非用以限定本发明，任何所属技术领域的普通技术人员，在不脱离本发明的精神和范围内，应当可以做出适当的改动和同等替换。因此本发明的保护范围应当以本申请权利要求所界定的范围为准。
Claims (9)
1.一种云端多计算节点分析系统，其特征在于，包括：
多个视频监控设备，分别设置在医院的各个出入口处，用于对于各个出入口处的现场场景分别进行视频监控，以获得多个视频传输流，所述多个视频监控设备包括一个主监控设备，设置在医院的主出入口处；
网络上传设备，分别与所述多个视频监控设备连接，用于通过网络将所述多个视频传输流上传到云端的多个计算节点，所述多个计算节点包括人流分析节点和车流分析节点；
网络接收设备，分别与云端的人流分析节点和云端的车流分析节点连接，用于通过网络接收云端的人流分析节点和云端的车流分析节点分别反馈的分析结果；
所述人流分析节点对所述多个视频传输流中的相同人体目标分别进行分析，并基于分别分析所获得的多个结果执行对应人体的可疑度判断；
所述车流分析节点对所述多个视频传输流中的相同车体目标分别进行分析，并基于分别分析所获得的多个结果执行对应车体的可疑度判断；
内存整理设备，与PAL器件连接，用于对被确定为目标误码设备的内存进行整理操作，以释放目标误码设备的内存；
阈值比较设备，与网络上传设备的输出接口连接，用于对所述输出接口的输出数据执行误码率分析，以在获得的误码率超过预设百分比阈值时，发出误码超标信号，还用于在获得的误码率未超过预设百分比阈值时，发出误码正常信号；
来源分析设备，分别与阈值比较设备和网络上传设备的输入接口连接，用于在接收到误码超标信号时，对所述输入接口接收的数据执行数据来源分析，以获得一个或多个数据来源设备，所述来源分析设备还用于在接收到所述误码正常信号时，停止对所述输入接口接收的数据执行数据来源分析；
PAL器件，与所述来源分析设备连接，用于对所述来源分析设备中获得的各个数据来源设备分别进行输出数据的误码率分析，以将误码率最高的数据来源设备作为目标误码设备，以及在所述PAL器件中，当各个数据来源设备的误码率相同时，将各个数据来源设备都作为目标误码设备；
时钟供应设备，分别与所述内存整理设备、所述阈值比较设备、所述来源分析设备和所述PAL器件连接，用于为所述内存整理设备、所述阈值比较设备、所述来源分析设备和所述PAL器件提供相同的时钟信号；
信号通知设备，与实时统计设备连接，用于接收网络上传设备所在印刷电路板的灰尘浓度数据，并在网络上传设备所在印刷电路板的灰尘浓度数据超于最大浓度阈值时，进行相应的语音报警操作；
第一感应设备，设置在网络上传设备的内部，用于对网络上传设备的内部的灰尘浓度执行现场检测操作，以获得第一灰尘浓度数据；
第二感应设备，设置在网络接收设备的内部，用于对网络接收设备的内部的灰尘浓度执行现场检测操作，以获得第二灰尘浓度数据；
第三感应设备，设置在主监控设备的内部，用于对主监控设备的内部的灰尘浓度执行现场检测操作，以获得第三灰尘浓度数据；
实时统计设备，分别与所述第一感应设备、第二感应设备和第三感应设备连接，用于接收所述第一灰尘浓度数据、所述第二灰尘浓度数据和所述第三灰尘浓度数据，并对所述第一灰尘浓度数据、所述第二灰尘浓度数据和所述第三灰尘浓度数据执行加权估算操作，以获得所述网络上传设备所在印刷电路板的灰尘浓度数据，在所述实时统计设备中，所述第一权重值大于所述第二权重值且大于所述第三权重值，所述第一权重值取值范围在0.5到2之间，所述第二权重值和所述第三权重值的取值范围在0.25到1之间；
其中，在所述实时统计设备中，对所述第一灰尘浓度数据、所述第二灰尘浓度数据和所述第三灰尘浓度数据执行加权估算操作，以获得所述网络上传设备所在印刷电路板的灰尘浓度数据包括：将所述第一灰尘浓度数据和第一权重值相乘以获得第一乘积，将所述第二灰尘浓度数据和第二权重值相乘以获得第二乘积，将所述第三灰尘浓度数据和第三权重值相乘以获得第三乘积，将所述第一乘积、所述第二乘积和所述第三乘积相加以获得所述网络上传设备所在印刷电路板的灰尘浓度数据。
2.如权利要求1所述的云端多计算节点分析系统，其特征在于，所述系统还包括：
闪光灯控制器，位于主监控设备的一侧，用于基于实时环境亮度控制闪光灯的开闭。
3.如权利要求2所述的云端多计算节点分析系统，其特征在于，所述系统还包括：
闪光灯控制器基于实时环境亮度控制闪光灯的开闭包括：当实时环境亮度小于等于预设亮度阈值时，打开闪光灯。
4.如权利要求3所述的云端多计算节点分析系统，其特征在于：
闪光灯控制器基于实时环境亮度控制闪光灯的开闭包括：当实时环境亮度大于预设亮度阈值时，关闭闪光灯。
5.如权利要求4所述的云端多计算节点分析系统，其特征在于：
闪光灯控制器基于实时环境亮度控制闪光灯的开闭包括：当实时环境亮度小于等于预设亮度阈值时，打开闪光灯并根据实时环境亮度调整闪光灯的闪光亮度，实时环境亮度越低，闪光灯的闪光亮度越高。
6.如权利要求5所述的云端多计算节点分析系统，其特征在于，所述系统还包括：
GPS定位设备，设置在网络上传设备的一侧。
7.如权利要求6所述的云端多计算节点分析系统，其特征在于：
所述GPS定位设备用于提供所述网络上传设备当前的GPS位置。
8.如权利要求7所述的云端多计算节点分析系统，其特征在于：
可替换地，采用北斗星导航设备替换GPS定位设备。
9.一种云端多计算节点分析方法，所述方法包括提供一种如权利要求1-8任一所述的云端多计算节点分析系统，用于采用云端计算节点分析的模式对源自医院的各个出入口处的多个视频传输流进行人流车流分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811587354.5A CN109391701A (zh) | 2018-12-25 | 2018-12-25 | 云端多计算节点分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811587354.5A CN109391701A (zh) | 2018-12-25 | 2018-12-25 | 云端多计算节点分析系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109391701A true CN109391701A (zh) | 2019-02-26 |
Family
ID=65430672
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811587354.5A Pending CN109391701A (zh) | 2018-12-25 | 2018-12-25 | 云端多计算节点分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109391701A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109888873A (zh) * | 2019-03-12 | 2019-06-14 | 奥菲(泰州)光电传感技术有限公司 | 充电模式现场控制系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202120402U (zh) * | 2011-05-04 | 2012-01-18 | 中国人民解放军国防科学技术大学 | 基于云计算的海量视频分析与快速检索系统 |
| CN102740112A (zh) * | 2012-06-18 | 2012-10-17 | 苏州科达科技有限公司 | 一种基于视频监控系统的设备轮巡的控制方法 |
| CN102752574A (zh) * | 2011-04-18 | 2012-10-24 | 中兴通讯股份有限公司 | 一种视频监控系统及方法 |
| CN202773015U (zh) * | 2012-06-19 | 2013-03-06 | 广州市浩云安防科技股份有限公司 | 一种用于视频监控系统图像质量诊断装置 |
| CN103067514A (zh) * | 2012-12-29 | 2013-04-24 | 深圳先进技术研究院 | 用于视频监控分析系统的云计算资源优化的方法和系统 |
| CN103970638A (zh) * | 2013-02-01 | 2014-08-06 | 国际商业机器公司 | 用于存档和备份存储的选择性监控的系统和方法 |
| CN104284141A (zh) * | 2013-07-08 | 2015-01-14 | 株式会社日立制作所 | 视频监视系统 |
| TW201508651A (zh) * | 2013-08-22 | 2015-03-01 | Univ Kun Shan | 人臉偵測之雲端智慧監視系統 |
| CN105629905A (zh) * | 2014-10-30 | 2016-06-01 | 天津中启创科技有限公司 | 一种基于云平台的远程车载监控终端 |
| CN205375730U (zh) * | 2015-11-10 | 2016-07-06 | 深圳华博高科光电技术有限公司 | 安全监控系统 |
| CN106127894A (zh) * | 2016-06-21 | 2016-11-16 | 江苏亿莱顿智能科技有限公司 | 一种智能视频分析系统 |
-
2018
- 2018-12-25 CN CN201811587354.5A patent/CN109391701A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102752574A (zh) * | 2011-04-18 | 2012-10-24 | 中兴通讯股份有限公司 | 一种视频监控系统及方法 |
| CN202120402U (zh) * | 2011-05-04 | 2012-01-18 | 中国人民解放军国防科学技术大学 | 基于云计算的海量视频分析与快速检索系统 |
| CN102740112A (zh) * | 2012-06-18 | 2012-10-17 | 苏州科达科技有限公司 | 一种基于视频监控系统的设备轮巡的控制方法 |
| CN202773015U (zh) * | 2012-06-19 | 2013-03-06 | 广州市浩云安防科技股份有限公司 | 一种用于视频监控系统图像质量诊断装置 |
| CN103067514A (zh) * | 2012-12-29 | 2013-04-24 | 深圳先进技术研究院 | 用于视频监控分析系统的云计算资源优化的方法和系统 |
| CN103970638A (zh) * | 2013-02-01 | 2014-08-06 | 国际商业机器公司 | 用于存档和备份存储的选择性监控的系统和方法 |
| CN104284141A (zh) * | 2013-07-08 | 2015-01-14 | 株式会社日立制作所 | 视频监视系统 |
| TW201508651A (zh) * | 2013-08-22 | 2015-03-01 | Univ Kun Shan | 人臉偵測之雲端智慧監視系統 |
| CN105629905A (zh) * | 2014-10-30 | 2016-06-01 | 天津中启创科技有限公司 | 一种基于云平台的远程车载监控终端 |
| CN205375730U (zh) * | 2015-11-10 | 2016-07-06 | 深圳华博高科光电技术有限公司 | 安全监控系统 |
| CN106127894A (zh) * | 2016-06-21 | 2016-11-16 | 江苏亿莱顿智能科技有限公司 | 一种智能视频分析系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109888873A (zh) * | 2019-03-12 | 2019-06-14 | 奥菲(泰州)光电传感技术有限公司 | 充电模式现场控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rajagopal et al. | FedSDM: Federated learning based smart decision making module for ECG data in IoT integrated Edge–Fog–Cloud computing environments | |
| Wang et al. | Residual life estimation based on bivariate Wiener degradation process with time-scale transformations | |
| JP6609050B2 (ja) | 時間的因果グラフにおける異常フュージョン | |
| Smith et al. | Performability analysis: measures, an algorithm, and a case study | |
| US8918657B2 (en) | Systems, devices, and/or methods for managing energy usage | |
| Kornaros et al. | A survey and taxonomy of on-chip monitoring of multicore systems-on-chip | |
| Sha et al. | Bayesian analysis for step-stress accelerated life testing using Weibull proportional hazard model | |
| CN109564609A (zh) | 利用先进计算机决策平台的计算机攻击的检测缓和与矫正 | |
| CN109284735B (zh) | 鼠情监控方法、装置及存储介质 | |
| CN110347582A (zh) | 埋点测试方法和装置 | |
| CN110490331A (zh) | 知识图谱中节点的处理方法及装置 | |
| US10462026B1 (en) | Probabilistic classifying system and method for a distributed computing environment | |
| US20140351414A1 (en) | Systems And Methods For Providing Prediction-Based Dynamic Monitoring | |
| US12056622B2 (en) | Identifying influential effects to be adjusted in goal seek analysis | |
| WO2023217127A1 (zh) | 一种因果关系确定方法及相关设备 | |
| Stauffert et al. | Towards comparable evaluation methods and measures for timing behavior of virtual reality systems | |
| Huang et al. | A quantitative analysis model of grid cyber physical systems | |
| Guan et al. | Objective Bayesian analysis for competing risks model with Wiener degradation phenomena and catastrophic failures | |
| Kumar et al. | Failure dependent performance analysis of a fault-tolerant multistage interconnection network | |
| CN109391701A (zh) | 云端多计算节点分析系统 | |
| Javed et al. | Predicting networks-on-chip traffic congestion with spiking neural networks | |
| US11442890B1 (en) | On-circuit data activity monitoring for a systolic array | |
| Papageorgiou et al. | Reconstructability-aware filtering and forwarding of time series data in internet-of-things architectures | |
| US10999159B2 (en) | System and method of detecting application affinity using network telemetry | |
| US20200387761A1 (en) | Predictive forecasting of food allocation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190226 |