基于异构AI框架的太空机器视觉平台及其计算训练方法与流程

本发明涉及航空航天信息服务领域，应用于空天信息综合服务平台中，具体涉及基于异构ai框架的太空机器视觉平台及其计算训练方法。

背景技术：

1、在当前的航空航天领域中，太空机器视觉平台作为集成gis、北斗导航、遥感监测及气象数据分析的综合性服务平台，正逐步展现其在数字战场构建、智慧城市管理等多元化应用场景中的关键作用。这一平台的运行基于海量的多源数据，涵盖地球观测的各个方面，但这也直接导致了数据处理的复杂度急剧上升。传统方法在处理此类数据时，受限于手动解译的耗时性与识别精度的不稳定，难以高效应对大数据背景下对时效性和准确度的双重要求。

2、随着人工智能技术，尤其是深度学习的兴起，为这一困境带来了转机。深度学习以其强大的模式识别和自动特征提取能力，革新了遥感影像解译的范式。国内外研究者积极探索将深度学习应用于智能遥感解译，已取得显著成果，极大地提高了遥感数据处理的速度与精度，促进了遥感技术与人工智能技术的深度融合。

3、智能遥感解译体系的构建，围绕三大核心要素展开：一是建立广泛而标准的遥感影像样本库，作为智能解译的基础训练资源；二是研发高效、准确的遥感智能解译算法与模型，利用深度学习框架实现自动化识别与分类；三是依托高性能计算硬件平台，确保大规模数据处理的高效运行。这三者的有机结合，不仅为遥感技术的进步开辟了新路径，也为人工智能技术的应用拓展了新领域。

4、尽管深度学习技术的突破性进展为遥感图像分析带来了变革，特别是在自动特征提取与模式识别上的卓越能力，显著提升了遥感数据处理的智能化水平。然而，现有技术实施中仍存在若干未充分解决的技术难题：

5、1、样本库构建的标准化与开放性不足：高质量的遥感影像样本库是智能解译模型训练的基石，但目前缺乏统一标准和广泛共享的样本资源，限制了模型的泛化能力和跨区域应用的灵活性。

6、2、算法模型的通用性与适应性问题：尽管深度学习模型在特定场景下展现了高精度，但在面对不同分辨率、成像条件或复杂环境变化时，模型往往需要大量的定制化调整，通用性和适应性亟待提升。

7、3、计算资源的高效利用与成本控制：大规模遥感数据处理对计算硬件提出了极高要求，但在实际部署中，如何平衡计算效率与经济成本，特别是在实时处理与大规模并行计算方面，仍是待解决的挑战。

8、因此，迫切需要一种创新的解决方案，能够系统地应对上述技术障碍，通过优化平台架构、提升算法模型的普适性与自适应能力，以及实现计算资源的高效配置，从而在保障数据解译质量的同时，推动太空机器视觉平台向着更高效、经济、可持续的方向发展。

技术实现思路

1、基于背景技术中的现状，本发明的目的在于解决现有技术中的局限性问题，因此提出了基于异构ai框架的太空机器视觉平台及其计算训练方法。

2、本发明主要面向航空航天领域的数据ai智能处理（如遥感、气象、频谱等数据），构建了融合不同ai框架的分布式ai计算服务，从而有效实现遥感影像的智能解译过程。本发明同时对底层ai框架进行了封装，上层服务接口也实现了统一调用，使得上层算法模型开发者可依据实际情况，灵活选择具体的ai框架，进行模型开发与部署，整个太空机器视觉平台从而具有了高度灵活性与可扩展性。

3、本发明采用了以下技术方案来实现目的：

4、一种基于异构ai框架的太空机器视觉平台，平台的架构包括应用层、服务层和系统层；其中，应用层包括相互连接的数字底座模块和解译大脑模块，服务层包括相互连接的数据服务模块和底层ai框架；数字底座模块用于为来自多种行业应用以及解译大脑模块的多源数据提供统一的数据接入、存储和管理服务；解译大脑模块连接底层ai框架，底层ai框架中封装有多种ai服务和多类ai算法模型；解译大脑模块用于依据上层算法模型开发者的选择指令数据，调用底层ai框架中的某个具体的ai服务或ai算法模型，进行开发或部署操作；数据服务模块用于为数字底座模块提供来自底层ai框架的数据接入、存储和管理服务；系统层用于提供平台运行及行业应用计算所需的软硬件资源。

5、具体的，数字底座模块中整合有大数据技术子模块、云计算技术子模块、容器技术子模块和微服务架构技术子模块；数字底座模块接收的来自多种行业应用的多源数据包括：遥感数据、gis数据、位置数据、气象数据和频谱数据。

6、具体的，数据服务模块还用于为数据的导入导出操作、增删改查操作和发布管理操作提供基础服务。

7、具体的，上层算法模型开发者的选择指令数据包括对某个具体的ai服务或ai算法模型的指定数据和对行业应用任务类型的选择数据；其中，行业应用任务类型包括遥感解译、目标识别、地物分类和指数计算。

8、进一步的，系统层的软件资源包括操作系统，硬件资源包括cpu、gpu和npu。

9、进一步的，底层ai框架中封装有两种ai服务，分别为ai计算/推理服务和ai模型训练服务；ai计算/推理服务用于接收来自数字底座模块和数据服务模块的输入数据，调用某个具体的ai算法模型，并在执行ai计算/推理操作后，将ai计算/推理结果反馈给解译大脑模块进行输出呈现；ai模型训练服务用于接收来自数字底座模块和数据服务模块的训练样本数据集，调用某个具体的ai算法模型的训练接口，对其进行模型训练并更新模型参数。

10、进一步的，底层ai框架中封装有三类ai算法模型，分别为pytorch模型、tensorflow模型和mindspore模型；pytorch模型提供基于英伟达gpu的pytorch框架计算/推理与训练服务，tensorflow模型提供基于英伟达gpu的tensorflow框架计算/推理与训练服务，mindspore模型提供基于昇腾npu的mindspore框架计算/推理与训练服务。

11、进一步的，解译大脑模块用于依据上层算法模型开发者的选择指令数据，确定其中包含的ai算法需求，依据ai算法需求的配置信息，判断其指向的ai算法模型的具体类别；解译大脑模块还用于在判断出ai算法模型的具体类别后，若指向pytorch模型和/或tensorflow模型，则调用系统层中的英伟达gpu硬件资源进行计算/推理或训练；若指向mindspore模型，则调用系统层中的昇腾npu硬件资源进行计算/推理或训练。

12、本发明同时提供一种基于异构ai框架的太空机器视觉平台的计算训练方法，该方法的硬件基础为前述的太空机器视觉平台，方法包括相互独立的计算/推理过程和模型训练过程；在计算/推理过程和模型训练过程中，均包括如下步骤：

13、s1、上层算法模型开发者通过数字底座模块向平台输入选择指令数据；

14、s2、解译大脑模块识别并确定选择指令数据中包含的ai算法需求；

15、s3、依据ai算法需求的配置信息，解译大脑模块判断其指向的ai算法模型的具体类别；

16、s4、ai算法模型的具体类别确定后，为其分配并调用对应的硬件资源，进行计算/推理或训练服务，并通过解译大脑模块将服务结果输出呈现。

17、进一步的，步骤s4中，当ai算法模型的具体类别表明其指向pytorch模型和/或tensorflow模型时，则调用系统层中的英伟达gpu硬件资源进行计算/推理或训练；当ai算法模型的具体类别表明其指向mindspore模型时，则调用系统层中的昇腾npu硬件资源进行计算/推理或训练。

18、综上所述，由于采用了本技术方案，本发明的有益效果如下：

19、通过将pytorch、tensorflow和mindspore等多种主流ai框架集成并进行统一封装，本发明提供了一个无缝对接的接口，极大简化了算法模型的部署流程。此设计使得应用层开发者无需关注底层硬件细节，即可轻松调用最适合其任务需求的ai框架及相应计算资源（cpu、gpu和npu等），实现按需分配，有效避免资源闲置，最大化计算资源的利用效率。

20、本发明通过智能调度机制，依据具体任务特性和模型需求，动态分配最合适的计算单元执行任务，确保每一计算任务都能在最适宜的硬件平台上运行，从而显著加速模型的训练和推理过程。这种细粒度的资源调配策略，不仅提升了计算速度，还有效降低了能耗，为持续运行的太空机器视觉平台提供了强有力的性能支撑。

21、本发明平台的设计理念深入考虑了算法与硬件的协同优化，通过底层优化算法，确保了不同ai框架在异构计算环境中的高效运行。这种深度的软硬件一体化设计，不仅解决了兼容性问题，还挖掘了硬件潜能，为复杂空天信息处理提供了高性能计算平台，加速了从数据采集到决策输出的全链条反应速度。

22、随着ai技术的不断演进和新型计算硬件的出现，本发明的异构框架设计具有良好的前瞻性和扩展性。通过简单的接口升级与框架集成，能够快速适应新技术的融入，确保太空机器视觉平台长期保持技术领先和应用广泛性，为未来更多元化的空天新型服务需求提供坚实的技术基础。