图像处理系统及图像设备

技术领域

本申请涉及图像设备技术领域，特别涉及图像处理系统及图像设备。

背景技术

图像设备(例如摄像机或者NVR)广泛应用在各种场景中。为了利用图像算法模型对图 像数据进行检测(例如对图像数据进行目标识别等等)，图像设备需要将图像数据上传到运行 算法模型的服务器。这样，服务器可以通过算法模型对图像数据进行检测(即，服务器对图 像设备上传的图像数据进行在线检测)。然而，图像设备在不上传图像数据时，无法灵活地对 图像数据进行离线检测(即本地检测)。

发明内容

本申请提出了图像处理系统及图像设备，能够利用图像设备灵活地对图像数据进行离线 检测。

根据本申请一个方面，提供一种图像处理系统，包括：

模型训练平台，用于生成经过训练的图像算法模型；

图像设备；

业务平台，用于：

从所述经过训练的图像算法模型中，确定与所述图像设备匹配的一个或多个图像算 法模型；

将所述匹配的一个或多个图像算法模型部署到所述图像设备；

指示所述图像设备将所述图像设备中一个图像处理引擎与所述匹配的一个或多个图 像算法模型中一个图像算法模型关联；

确定与所述图像处理引擎关联的图像处理任务，并将所述图像处理任务发送到所述 图像设备；

其中，所述图像设备用于，在所述图像处理引擎中，基于与所述图像处理引擎关联的图 像算法模型，执行所述图像处理任务而得到任务输出结果，其中，所述任务输出结果包括对 所述图像算法模型中参数项的输出值。

在一些实施例中，所述图像设备还用于：向所述业务平台发送所述任务输出结果；所述 业务平台还用于，接收所述任务输出结果。

在一些实施例中，所述模型训练平台还用于，生成与所述经过训练的图像算法模型对应 的模型描述信息，其中，每个图像算法模型对应的模型描述信息用于描述该图像算法模型中 参数项的参数值的定义；所述业务平台还用于：获取所述模型描述信息；根据所述模型描述 信息，解析所述任务输出结果，以确定与所述任务输出结果对应的事件。

在一些实施例中，所述模型训练平台，还用于：将所述经过训练的图像算法模型存储到 云存储平台，并获取所述经过训练的图像算法模型在所述云存储平台中的访问地址；将所述 经过训练的图像算法模型和所述访问地址发送到所述业务平台。

在一些实施例中，所述业务平台还用于：获取所述图像设备的模型传输模式，所述模型 传输模式用于描述所述图像设备是否支持推送模式和云下载模式，其中，所述推送模式表示 由所述业务平台向所述图像设备推送图像算法模型，所述云下载模式表示从所述云存储平台 下载图像算法模型；根据所述模型传输模式，确定将所述匹配的一个或多个图像算法模型部 署到所述图像设备的传输方式，所述传输方式为推送模式或者云下载模式。

在一些实施例中，所述业务平台根据下述方式将所述一个或多个图像算法模型部署到所 述图像设备：向所述图像设备发送包含所述传输方式的标识的模型预设请求，其中，在所述 传输方式的标识表示推送模式时，所述模型预设请求还包括：所述一个或多个图像算法模型 在所述云存储平台中的访问地址；

所述摄像机还用于：接收所述模型预设请求；在所述传输方式的标识表示云下载模式时， 根据所述访问地址下载所述一个或多个图像算法模型；在所述传输方式的标识表示推送模式 时，接收所述业务平台推送的所述一个或多个图像算法模型。

在一些实施例中，所述图像设备根据下述方式执行所述根据所述访问地址下载所述一个 或多个图像算法模型：根据所述访问地址下载与所述一个或多个图像算法模型对应的数据包； 对所述数据包进行数字签名验证操作，并在通过所述数据签名验证操作后对所述数据包进行 解密操作，而得到所述一个或多个图像算法模型。

在一些实施例中，所述模型训练平台根据下述方式生成经过训练的图像算法模型：获取 一个或多个图像样本集合；根据每个图像样本集合，训练待训练的图像算法模型，得到经过 训练的每个图像算法模型。

在一些实施例中，所述业务平台还用于：向所述图像设备发送配置获取请求；所述图像 设备还用于：响应于所述配置获取请求，向所述业务平台发送配置信息，所述配置信息包括： 所述图像设备的固件版本标识、算法版本标识和芯片类型标识；所述业务平台根据下述方式 确定与所述图像设备匹配的一个或多个图像算法模型：从所述经过训练的图像算法模型中， 选定与所述配置信息匹配的一个或多个图像算法模型，并将其作为与所述图像设备匹配的一 个或多个图像算法模型。

在一些实施例中，所述业务平台根据下述方式执行所述选定与所述配置信息匹配的一个 或多个图像算法模型：对于任一个图像算法模型，确定该图像算法模型支持的固件版本是否 与所述固件版本标识匹配；确定该图像算法模型支持的芯片类型是否与所述芯片类型标识匹 配；确定该图像算法模型算法版本是否与所述算法版本标识匹配；在确定与所述固件版本标 识匹配，与所述算法版本标识匹配，且与所述芯片类型标识匹配时，将该图像算法模型选定 为一个与所述配置信息匹配的图像算法模型。

在一些实施例中，所述业务平台根据下述方式确定与所述图像处理引擎关联的图像处理 任务：获取所述图像设备支持的任务类型，所述支持的任务类型包括下述中的至少一种：对 单通道视频流的目标检测、对轮训的多通道视频流的目标检测、对指定图片的目标检测以及 对轮训抓图结果的目标检测；生成与所述支持的任务类型对应且与所述图像处理引擎关联的 一个图像处理任务。

在一些实施例中，所述业务平台还用于：确定所述图像设备是否支持执行所述经过训练 的图像算法模型；在确定所述图像设备支持执行所述经过训练的图像算法模型时，执行所述 从所述经过训练的图像算法模型中，确定与所述图像设备匹配的一个或多个图像算法模型。

根据本申请一个方面，提供一种图像设备，包括：

一个或多个图像处理引擎；

处理器，用于：

接收业务平台发送的包含所述传输方式的标识的模型预设请求，其中，在所述传输方式 的标识表示推送模式时，所述模型预设请求还包括：一个或多个图像算法模型在所述云存储 平台中的访问地址；

在所述传输方式的标识表示云下载模式时，根据所述访问地址下载所述一个或多个图像 算法模型；

在所述传输方式的标识表示推送模式时，接收所述业务平台推送的所述一个或多个图像 算法模型；

接收业务平台将所述一个或多个图像处理引擎中一个图像处理引擎与所述一个或多个图 像算法模型中一个图像算法模型进行关联的指示，并根据该指示将所述一个图像处理引擎与 所述一个图像算法模型关联；

接收与所述一个图像处理引擎关联的图像处理任务；

在所述一个图像处理引擎中，基于与所述一个图像处理引擎关联的图像算法模型，执行 所述图像处理任务而得到任务输出结果，其中，所述任务输出结果包括对所述图像算法模型 中参数项的输出值。

附图说明

图1示出了根据本申请一些实施例的应用场景；

图2示出了根据本申请一些实施例的交互示意图；

图3示出了根据本申请一些实施例的处理数据包的示意图；

图4A、4B和4C分别示出了根据本申请一些实施例的图像设备150的示意图。

具体实施方式

为使本申请的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本申 请进一步详细说明。

图1示出了根据本申请一些实施例的应用场景。如图1所示，应用场景100可以包括用 户终端110、模型训练平台120、业务平台130、云存储平台140和多个图像设备，例如图1示出的图像设备150、160和170，但不限于此。其中，业务平台130可以通过有线或无线通 信网络与用户终端110、模型训练平台120、图像设备150、160和170进行通信。模型训练 平台120也可以通过有线或无线通信网络与云存储平台140通信。图像设备例如可以是网络 摄像机或者网络硬盘录像机(NVR)等能够执行图像算法的设备。业务平台130例如可以包 括一个或多个服务器。

模型训练平台120可以包括一个或多个服务器。换言之，模型训练平台120和业务平台 均可以是单服务器或者服务器集群。模型训练平台120可以生成经过训练的图像算法模型。 这里，图像算法模型例如可以是卷积神经网络等各种深度学习模型，但不限于此。

模型训练平台120可以获取一个或多个图像样本集合。根据每个图像样本集合，模型训 练平台120可以训练与每个图像样本集合对应的待训练的图像算法模型，得到经过训练的每 个图像算法模型。一个图像样本集合可以包括经过标注的多张图片。例如，一个图像样本集 合是关于茶杯的多张素材图片。模型训练平台120可以根据茶杯的多张素材图片，得到能够 对茶杯进行目标检测的图像算法模型。

模型训练平台120可以获取来自用户终端110的图像样本集合。例如，用户终端110可 以与模型训练平台120通信，并将图像样本集合传输到模型训练平台120。又例如，用户终 端110可以将图像样本集合上传到业务平台130。业务平台130可以将图像样本集合上传到 模型训练平台120。这里，用户终端110例如可以是笔记本电脑、平板电脑、移动电话、个人数字助理等终端设备。

模型训练平台120可以将经过训练的图像算法模型上传到云存储平台140。这里，云存 储平台140是指在云端存储数据的设备。模型训练平台120可以获取图像算法模型在云存储 平台140中的访问地址。

业务平台130可以从经过训练的图像算法模型中，确定与图像设备匹配的一个或多个图 像算法模型。换言之，针对应用场景100中任一个图像设备，业务平台可以确定与该图像设 备匹配的一个或多个图像算法模型。例如，业务平台130可以确定与图像设备150匹配的一 个或多个图像算法模型。

为了简化描述，下文以图像设备150为例对图像算法模型的部署过程进行说明。业务平 台130可以将与图像设备150匹配的图像算法模型部署到图像设备150。

在一些实施例中，图像设备150可以包括一个或多个人工智能芯片，例如为GPU芯片等 等。这里，每个人工智能芯片也可以称为一个图像处理引擎。为了对图像设备150中图像处 理引擎进行统一管理，业务平台130还可以确定图像设备150中每个图像处理引擎与图像算 法模型的关联关系。以图像设备150中一个图像处理引擎为例，业务平台130可以指示图像 设备150将该图像处理引擎与一个图像算法模型关联。在一个图像处理引擎与一个图像算法 模型关联时，该图像处理引擎用于运行与其关联的图像算法模型。

业务平台130还可以确定与一个图像处理引擎关联的图像处理任务，并将图像处理任务 发送到图像设备150。这样，图像设备150可以在该图像处理引擎中，基于与该图像处理引 擎关联的图像算法模型，执行与该图像处理引擎关联的图像处理任务而得到任务输出结果。 换言之，图像设备150可以在图像处理引擎中执行相关联的图像处理任务时，调用与该图像 处理引擎关联的图像算法模型。其中，所述任务输出结果包括对图像算法模型中参数项的输 出值。

例如，图像处理任务为目标检测任务时，图像设备150可以在检测到目标时生成表示目 标检测结果的任务输出结果。业务平台130还可以接收图像设备150对图像处理任务的任务 输出结果。

综上，根据本申请的实施例可以通过模型训练平台120训练适合在图像设备中运行的图 像算法模型。模型训练平台120可以随着训练素材(例如图像样本)的数量增加，对图像算 法模型进行增量训练，不断提升图像算法模型的检测效率和检测精度。

另外，根据本申请的实施例可以通过业务平台130可以将模型训练平台120最新训练的 图像算法模型部署到图像设备中。这样，本申请的实施例可以避免图像设备更新固件时才可 以更新图像算法模型的麻烦，而可以灵活地在多个图像设备中部署最新训练的图像算法模型。

另外，本申请实施例的图像设备可以避免将图像数据上传到业务平台并由业务平台利用 图像算法模型进行图像处理(例如目标检测)的麻烦，而可以灵活地在本地执行最新训练的 图像算法模型。这样，本申请的实施例可以充分利用边缘节点(即应用场景中各图像设备) 的算力，而灵活地执行图像处理任务。

另外，本申请的实施例可以通过业务平台130可以灵活地控制各图像设备中图像处理引 擎的图像处理任务。这样，本申请的实施例可以实现对多个图像设备中图像处理任务的统一 管理和实现不同图像设备之间的协同任务处理。例如，对于一个监控区域中多个图像设备， 业务平台130可以控制多个图像设备执行相同的图像处理任务，例如为车辆检测。这样，业 务平台130可以通过多个图像设备的车辆检测操作，对车辆在监控区域中的移动进行跟踪。

在一些实施例中，云存储平台140部署在互联网中。应用场景100中不同图像设备可以 处在不同的网络环境中。例如，一些图像设备所处的网络环境支持访问云存储平台140，另 一些图像设备所处的网络环境不支持访问云存储平台140。图像设备可以按照网络环境设置 模型传输方式。业务平台130还可以获取图像设备150的模型传输模式。模型传输模式用于 描述图像设备150是否支持推送模式和云下载模式，其中，推送模式表示由业务平台130向 图像设备150推送图像算法模型。云下载模式表示从云存储平台下载图像算法模型。例如， 业务平台130可以向图像设备150发送对模型传输模式的获取请求，图像设备150可以向业 务平台130发送包含模型传输模式的响应消息。响应消息中关于模型传输模式的内容示例如 下：

{

"isSupportUploadModelwithURL":true,/*，boolean，表示图像设备150是否支持云下载模式*/

"isSupportUploadModelwithPushBinaryData":true/*表示图像设备150是否支持推送模式*/

}

在模型传输模式表示图像设备150支持云下载模式时，业务平台130向图像设备150发 送图像算法模型在云存储平台140中的访问地址，以便图像设备150根据访问地址下载图像 算法模型。

在模型传输模式表示图像设备150不支持云下载模式且支持推送模式时，业务平台130 将图像算法模型推送到图像设备150。综上，根据本申请的业务平台130通过判断图像设备 是否支持云下载模式和推送模式，可以灵活地确定向图像设备部署图像算法模型的方式。这 样，本申请的实施例通过灵活地确定模型的部署方式，可以提高对网络环境(即图像设备的 网络通信环境)的适应性。

在一些实施例中，为了确定与图像设备150匹配的一个或多个图像算法模型。业务平台 130可以向图像设备150发送配置获取请求。

图像设备150响应于配置获取请求，向业务平台发送配置信息。配置信息例如可以包括 下述中至少一个：图像设备150的固件版本标识、算法版本标识和芯片类型标识。其中，固 件版本标识用于标识图像设备150中固件的版本。芯片类型标识用于标识图像设备150中运 行固件的中央处理器的类型。算法版本标识用于标识图像设备150支持的图像算法模型的版 本。在一些实施例中，配置信息还可以包括图像设备150中图像处理引擎的标识。图像设备 150发送的配置信息的数据示例如下：

业务平台130可以接收来自图像设备150的配置信息。业务平台130可以从经过训练的 图像算法模型中，选定与配置信息匹配的一个或多个图像算法模型，并将其作为与图像设备 150匹配的一个或多个图像算法模型。例如，业务平台130可以判断一个图像算法模型是否 与图像设备150的固件版本标识、算法版本标识和芯片类型标识匹配。

具体而言，业务平台130判断一个图像算法模型支持的固件版本是否与图像设备150的 固件版本标识，判断图像算法模型的算法版本是否与算法版本标识匹配，以及判断图像算法 模型支持的芯片类型是否与芯片类型标识匹配。

在确定与图像设备150的固件版本标识、算法版本标识和芯片类型标识均匹配时，业务 平台130可以确定该图像算法模型与图像设备150匹配。这样，业务平台130可以按照图像 设备150的配置信息，选定与图像设备150相匹配的图像算法模型。

在一些实施例中，图像设备150支持的模型数量与图像处理引擎的数量一致，但不限于 此。例如，图像设备150配置有4个图像处理引擎。图像设备150支持4个图像算法模型。业务平台130可以选定与图像设备150的引擎个数相同的图像算法模型。

在一些实施例中，图像设备150支持的模型数量可以大于图像处理引擎的数量。

在一些实施例中，业务平台130还可以获取图像设备150中未关联图像算法模型的图像 处理引擎的数量。这样，业务平台130可以选定与图像设备150中未关联的模型的图像处理 引擎一致数量的图像算法模型。

在一些实施例中，业务平台130可以根据图像设备150支持的图像算法模型的数量上限 与图像设备150中已有的图像算法模型的数量的差值，保证选定的图像算法模型的数量不超 过该差值。这样，业务平台130可以避免图像设备150中图像算法模型的数量过多，从而节 省图像设备150中存储资源。

在一些实施例中，业务平台130可以根据模型传输模式，确定将所述匹配的一个或多个 图像算法模型部署到图像设备的传输方式。所述传输方式为推送模式或者云下载模式。

在此基础上，业务平台130可以向图像设备150发送包含传输方式的标识的模型预设请 求。其中，在传输方式的标识表示云下载模式时，模型预设请求还包括：所述一个或多个图 像算法模型在云存储平台140中的访问地址。

下面结合图2对部署图像算法模型的过程进行更详细的说明。图2示出了根据本申请一 些实施例的业务平台130与图像设备150的交互流程图。

如图2所示，业务平台130可以执行步骤S201，向图像设备150发送模型预设请求。

在一些实施例中，在接收到模型预设请求后，图像设备150可以执行步骤S202。在步骤 S202中，确定是否支持运行图像算法模型。换言之，图像设备150确定是否具备获取并运行 图像算法模型的能力。例如，图像设备150在未配置图像处理引擎时，不支持图像算法模型。 在配置有图像处理引擎时，图像设备150支持图像算法模型。在不支持图像算法模型时，图 像设备150向业务平台130返回失败消息。这样，业务平台130和图像设备150可以结束当 前操作流程，即结束与部署图像算法模型相关的操作。

在步骤S202中确定支持图像算法模型时，图像设备150可以执行步骤S203。在步骤S203 中，确定图像设备150是否已达到支持的最大模型个数。换言之，步骤S203可以判断图像设 备150中已有的模型个数是否到达图像设备150支持的模型数量上限。在确定图像设备150 已达到支持的最大模型个数时，图像设备150向业务平台返回失败消息。这样，通过步骤S203， 图像设备150可以在获取图像算法模型之前对本地已存储的图像算法模型的数量进行检测， 以保证图像设备150中模型数量不超过模型数量上限。这样，图像设备150可以避免图像算 法模型的数量过多，从而节省图像设备150中存储资源。

在步骤S203中确定图像设备150未到达支持的最大模型个数时，图像设备150可以执行 步骤S204，根据模型预设请求中传输方式的标识，确定传输方式是否为推送模式。在一些实 施例中，模型预设请求为HTTPS请求。步骤S204可以将HTTPS请求中内容类型(Content-Type)作为传输方式的标识。在内容类型为“multipart/form-data”时，步骤S204可 以确定传输方式为推送方式。在内容类型非“multipart/form-data”时，步骤S204可以确定模型 传输方式为云下载方式，即非推送模式。在模型传输方式为云下载方式时，图像设备150可 以执行步骤S205，从模型预设请求中获取访问地址、模型标识、模型名称和模型描述信息， 并根据访问地址从云存储平台140下载与模型标识对应的图像算法模型的数据包。在一些实 施例中，步骤S205可以根据访问地址，与云存储平台140建立通信连接，然后向云存储平台 140发送对图像算法模型的获取请求。图像设备150在接收到对获取请求的响应消息后，从 响应消息中获取图像算法模型的数据包长度。这样，图像设备150可以根据数据包的长度， 从云存储平台140下载图像算法模型的数据包。

在模型传输方式为推送方式时，图像设备150可以执行步骤S206，接收由业务平台130 发送的图像算法模型的数据包。在一些实施例中，步骤S206可以从模型预设请求中获取图像 算法模型的数据包长度。在此基础上，步骤S206可以创建线程去读取接收到的图像算法模型 的数据包。

在一些实施例中，业务平台130向图像设备150发送的模型预设请求还可以包括图像算 法模型与图像处理引擎的关联关系。这样，业务平台130可以通过该关联关系，指示图像设 备150在获取到图像算法模型之后，将图像算法模型与图像处理引擎关联。

图像设备150在执行步骤S205或者步骤S206之后，还可以执行步骤S207。在步骤S207 中，对图像算法模型的数据包进行数字签名验证操作，并在通过数据签名验证操作之后对数 据包进行解密操作和解包操作，而得到图像算法模型。其中，解密操作是指按照数据解密算 法对已加密的数据包进行解密。这样，通过加密传输的方式可以保证图像算法模型的传输安 全性。解包操作是对按照传输协议封装的数据包进行解包，以得到一个或多个图像算法模型。 例如图3示出了步骤S207对数据包的处理过程。根据数据包301中数字签名，步骤S207可 以进行数字签名验证。在数据签名验证成功时，步骤S207可以得到数据包302。基于数据包 302中秘钥签名，步骤S207可以对数据包302进行解密操作，而得到数据包303。通过对数 据包303解包操作，步骤S207可以得到文件数据1、2、3和4。这里，文件数据1、2、3和 4分别为一个图像算法模型。

在模型预设请求包括关联关系时，图像设备150还可以执行步骤S208,将图像算法模型与 图像处理引擎关联。这里，业务平台130通过指示图像设备150将图像算法模型与图像处理 引擎关联，可以对图像设备150中图像处理资源(即图像处理引擎)进行调度管理。这样， 本申请的实施例可以通过业务平台130对多个图像设备中图像处理引擎进行统一调度管理， 从而可以利用多个图像设备进行协同任务处理。

另外说明的是，模型预设请求也可以不包括图像算法模型与图像处理引擎的关联关系。 在图像设备150获取到图像算法模型之后，业务平台130可以指示图像设备150将图像算法 模型与图像处理引擎进行关联。例如，业务平台130可以向图像设备150发送关联请求。关 联请求包括图像算法模型与图像处理引擎的关联关系。这样，图像设备150可以根据关联关 系，将图像算法模型与图像处理引擎进行关联。另外，业务平台130还可以指示图像设备150 解除图像算法模型与图像处理引擎的关联。

例如，图4A示出了图像设备150中图像处理引擎151、152、153和154。另外，图像设备150还存储有图像算法模型155、156、157和158。图4A中未将图像处理引擎与图像算法 模型进行关联。图4B示出了图像设备150中图像算法模型与图像处理引擎关联之后的示意图。图4B通过连线表示图像算法模型与图像处理引擎之间的关联关系。例如，图像算法模型155与图像处理引擎151关联。综上，业务平台130可以控制图像设备150中图像算法模 型是否与图像处理引擎关联。

另外，业务平台130还可以对图像处理引擎进行任务部署操作。即，业务平台130可以 确定图1中图像设备150、160和170中图像处理引擎进行任务部署。以图3中图像处理引擎 151为例，业务平台130生成与图像处理引擎151对应的任务,例如目标检测任务159。业务 平台130可以将图像处理引擎151对应的目标检测任务159发送到图像设备150。图像设备 150可以通过与图像处理引擎151关联的图像算法模型。例如图4C示出了图像设备150中相 关联的图像处理引擎151与图像处理任务159。

在一些实施例中，业务平台130可以获取图像设备150支持的任务类型。这里，可选的 任务类型的范围例如可以包括对单通道视频流的目标检测、对轮训的多通道视频流的目标检 测、对指定图片的目标检测以及对轮训抓图结果的目标检测，但不限于此。图像设备150实 际支持的任务类型可以是任务类型范围中至少一种。

业务平台130可以生成与图像设备150支持的任务类型且与图像处理引擎关联的一个图 像处理任务，例如为任务A。业务平台130可以向图像设备150发送任务A。任务A例如为： 在13:00-14:00的期间，由图像处理引擎151调用图像算法模型155，以执行人脸检测任务。 业务平台130还可以在图像设备150执行任务A之后，指示图像设备150将图像处理引擎151 与图像算法模型156关联。另外，业务平台130可以生成并向图像设备150发送任务B。任务B例如为：在14:00-15:00的期间，由图像处理引擎151调用图像算法模型156，以执行车辆检测任务。

在一些实施例中，业务平台130发送的图像处理任务为对单通道视频流的目标检测任务。 与图像处理任务有关的消息内容示例如下：

如上所述的消息内容可以包括图像处理任务的标识、与图像处理任务关联的图像处理引 擎的标识、图像设备150的通道号、检测帧率和报警间隔。其中，检测帧率是指用于目标检 测的图像帧率。报警间隔表示向业务平台130发送任务输出结果的时间间隔。

在一些实施例中，业务平台130可以业务平台130发送的图像处理任务为对轮训的多通 道视频流的目标检测任务。与图像处理任务有关的消息内容示例如下：

在一些实施例中，业务平台130可以业务平台130发送的图像处理任务为对指定图片的 目标检测任务。与图像处理任务有关的消息内容示例如下：

在一些实施例中，业务平台130可以业务平台130发送的图像处理任务为对轮训的多通 道视频流的目标检测任务。与图像处理任务有关的消息内容示例如下：

另外，业务平台130还可以对图像设备中图像处理任务进行删除操作、修改操作和查询 操作。

在一些实施例中，图像设备150可以针对不同的图像处理任务，生成不同的任务输出结 果，并向业务平台130发送任务输出结果。

在一些实施例中，图像设备150在执行对单通道视频流的目标检测而得到任务输出结果 时，向业务平台130发送包含任务输出结果的消息内容。消息内容示例如下：

如上所述，任务输出结果可以包括“AIOPData”中内容。

在一些实施例中，图像设备150在执行对指定图片的目标检测而得到任务输出结果时， 向业务平台130发送包含任务输出结果的消息内容。消息内容示例如下：

在一些实施例中，图像设备150在执行对轮训的多通道视频流的目标检测而得到任务输 出结果时，向业务平台130发送包含任务输出结果的消息内容。消息内容示例如下：

在一些实施例中，图像设备150在执行对轮训抓图结果的目标检测而得到任务输出结果 时，向业务平台130发送包含任务输出结果的消息内容。消息内容示例如下：

在一些实施例中，模型训练平台120还用于生成与经过训练的图像算法模型对应的模型 描述信息，其中，每个图像算法模型对应的模型描述信息用于描述该图像算法模型中参数项 的定义。。在一些实施例中，图像算法模型的输出结果例如可以是各种参数项的输出值。例 如，一个参数项被定义表示目标类型。该参数项的输出值例如为M1、M2和M3，M1表示 人脸，M2表示车辆，M3表示动物。

业务平台130可以从模型训练平台120获取与图像算法模型对应的模型描述信息。业务 平台130可以根据模型描述信息，解析任务输出结果，以确定与任务输出结果对应的事件。 例如，基于目标检测任务对应的任务输出结果，业务平台130可以解析出任务输出结果中各 参数项的参数值的涵义，从而可以确定能够被用户理解的事件。

在一些实施例中，任务输出结果的数据内容示例如下：

模型描述信息的内容示例如下：

如上所述，图像算法模型的模型描述信息包括参数项“attrType”，表示类别编号。其中， 编号1-6分别定义为：行为、性别、上衣颜色、是否戴眼镜、身高、体型和表情。例如，“attrType” 的参数值为“1”时，“attrType”表示目标的性别。另外，参数项“attrValue”表示参数项 “attrType”中各种编号的取值。例如，在attrType”的参数值为“1”时，“attrValue”取 值0和1分别表示男和女。

在上文的任务输出结果的示例中，"attrType"的输出值为1,"attrValue"的输出值为1。 基于模型描述信息的示例，业务平台130可以确定检测出的目标为男性。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在申请的精神和原则 之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。