CN113807244B - 一种基于深度学习的机柜布置图绘制方法 - Google Patents
一种基于深度学习的机柜布置图绘制方法 Download PDFInfo
- Publication number
- CN113807244B CN113807244B CN202111085701.6A CN202111085701A CN113807244B CN 113807244 B CN113807244 B CN 113807244B CN 202111085701 A CN202111085701 A CN 202111085701A CN 113807244 B CN113807244 B CN 113807244B
- Authority
- CN
- China
- Prior art keywords
- cabinet
- image
- video
- server
- deep learning
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000012423 maintenance Methods 0.000 claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000013136 deep learning model Methods 0.000 claims abstract description 13
- 230000001133 acceleration Effects 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 18
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 4
- 239000013307 optical fiber Substances 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 9
- 238000007689 inspection Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 6
- 238000013459 approach Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000009514 concussion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/174—Form filling; Merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的机柜布置图绘制方法,涉及应用通信机房运维技术领域。本发明包括如下步骤:视频监控图像通过视频流的方式推送到视频流服务器;在视频流服务器启动IO服务器进行接收并交予视频图像识别服务器;视频图像识别服务器将识别的图像标记正、负样本;将标记的正、负样本输入到卷积神经网络进行深度学习模型训练;向训练完成的深度学习模型输入视频监控图像;深度学习模型识别出设备机柜的实体信息集。本发明通过卷积神经网络改进涅斯捷罗夫梯度加速法算法,训练机柜识别模型,能够根据视频流图像快速识别机柜中设备的信息,快速发现机柜错误指示灯和异常显示数值,代替了传统人力巡检,提高员工的运维效率。
Description
技术领域
本发明属于应用通信机房运维技术领域,特别是涉及一种基于深度学习的机柜布置图绘制方法。
背景技术
目前,在进行网络布线时,操作人员需要预先计算用于安装在机柜内的配线架和交换机的数量,并通过人工的方式,在画图软件中规划配线架和交换机在机柜内的位置,以生成机柜布置图。由于用户操作画图软件时一般需要手动执行多步操作,现有技术中,生成机柜布置图的过程较为繁琐,故生成机柜布置图的效率较低;同时由运维组提报机柜布置图,提报流程繁琐,处理故障工作滞后,效率低下,容易形成提报不及时等问题。
发明内容
本发明的目的在于提供一种基于深度学习的机柜布置图绘制方法,通过卷积神经网络改进涅斯捷罗夫梯度加速法算法,解决了现有的网络运维保障工作的时效性低、人员投入成本大的问题。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明为一种基于深度学习的机柜布置图绘制方法,包括如下步骤:
步骤S1:视频监控图像通过视频流的方式推送到视频流服务器;
步骤S2:在视频流服务器启动IO服务器进行接收并交予视频图像识别服务器;
步骤S3:视频图像识别服务器将识别的图像标记正、负样本;
步骤S4:将标记的正、负样本输入到卷积神经网络进行深度学习模型训练;
步骤S5:向训练完成的深度学习模型输入视频监控图像;
步骤S6:深度学习模型识别出设备机柜的实体信息集;
步骤S7:将识别出的实体信息集传送至机柜图生成服务器;
步骤S8:机柜图生成服务器生成Excel形式的机柜布置图文件;
作为一种优选的技术方案,步骤S1中,视频监控图像通过摄像头视频监控技术获取,得到具有自定义标识信息的机柜图像。
作为一种优选的技术方案,所述步骤S2中,视频流服务器将视频流交予视频图像识别服务器之前,还需对视频流进行处理,具体步骤如下:
步骤S21:视频流数据采集;
步骤S22:视频流数据处理;
步骤S23:视频流数据清理。
作为一种优选的技术方案,所述步骤S22中,视频流数据处理流程具体包括:
对视频流图像进行仿射变换,得到正面显示的机柜图像;
基于颜色阙值去除正面显示的机柜图像的背景,得到机柜的前景图像;
将机柜前景图像中的信号灯状态和数值区域分别按照预设信号灯状态颜色阈值范围和预设数值颜色阈值范围进行掩模处理,得到二值化信号灯图像和二值化数值图像;
对二值化信号灯图像和二值化数值图像进行预设形态学图像操作,得到信号灯识别结果和数值信号识别结果。
作为一种优选的技术方案,所述步骤S23中,对视频流数据清理是对仿射变换后的视频流图像进行,将不包含机柜图像或包含的机柜图像不完整的视频图像进行删除。
作为一种优选的技术方案,步骤S4中,采用涅斯捷罗夫梯度加速法的方法训练参数,具体算法公式如下:
ΔVt=ρΔVt-1-η[▽C(Vt-1-ρΔVt-1)];
式中,t表示时间;△Vt表示此时刻梯度;ρΔVt-1表示上一时刻的更新值;η(▽C)T表示梯度;η[▽C(Vt-1-ρΔVt-1)]表示当前位置计算出来的梯度;ρ是动量因子常数,取值范围为0~1,典型值为0.9。
作为一种优选的技术方案,所述步骤S4中,图像标记正样本为正面显示的机柜图像前景图像、机柜信息以及机柜正常工作状态下的型号灯的状态;图像标记负样本样本为正面显示的机柜图像前景图像、机柜信息以及该机柜故障工作状态下的型号灯的状态。
作为一种优选的技术方案,所述步骤S6中,识别出设备机柜的实体信息集包括:型号信息、网络模块信息、设备位置信息、网线/光纤标识信息、设备指示灯信息并根据深度识别改进算法生成的模型高效的识别匹配设备型号。
作为一种优选的技术方案,所述步骤S7中,若识别出的实体信息集中存在故障灯信号和/或数值信号识别结果中存在数值异常,则进行告警处理,并通知相关运维人员进行处理。
作为一种优选的技术方案,所述步骤S8中,机柜图生成服务器预先设置Excel模板文件;所述Excel模板文件包括对应工作表;所述工作表至少包括表头、列号采集区、用于表达不同机柜的图块和文字的CAD批命令生成区和要素输入区。
本发明具有以下有益效果:
(1)本发明通过卷积神经网络改进涅斯捷罗夫梯度加速法算法,训练机柜识别模型,能够根据视频流图像快速识别机柜中设备的信息,快速发现机柜错误指示灯和异常显示数值,代替了传统人力巡检,提高员工的运维效率;
(2)本发明通过将识别出的实体信息集传送至机柜图生成服务器,机柜图生成服务器生成Excel形式的机柜布置图文件,快速生成机柜图,方便运维人员直观了解机柜分布,提高维修效率。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种基于深度学习的机柜布置图绘制方法步骤图;
图2为本发明的一种基于深度学习的机柜布置图绘制结构示意图;
图3为本发明的深度学习***流程分析图;
图4为本发明机柜布置图生成方式与传统生成方式对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明为一种基于深度学习的机柜布置图绘制方法,包括如下步骤:
步骤S1:视频监控图像通过视频流的方式推送到视频流服务器;
步骤S2:在视频流服务器启动IO服务器进行接收并交予视频图像识别服务器;
步骤S3:视频图像识别服务器将识别的图像标记正、负样本;
步骤S4:将标记的正、负样本输入到卷积神经网络进行深度学习模型训练;
步骤S5:向训练完成的深度学习模型输入视频监控图像;
步骤S6:深度学习模型识别出设备机柜的实体信息集;
步骤S7:将识别出的实体信息集传送至机柜图生成服务器;
步骤S8:机柜图生成服务器生成Excel形式的机柜布置图文件;
步骤S4中,采用涅斯捷罗夫梯度加速法的方法训练参数,具体算法公式如下:
ΔVt=ρΔVt-1-η[▽C(Vt-1-ρΔVt-1)];
上述公式中,t表示时间;△Vt表示此时刻梯度;ρΔVt-1表示上一时刻的更新值;η(▽C)T表示梯度;η[▽C(Vt-1-ρΔVt-1)]表示当前位置计算出来的梯度;ρ是动量因子常数,取值范围为0~1,典型值为0.9;它的大小决定这动量项作用的强弱,当ρ=0时没有影响,当ρ=1时影响最强,平滑效果明显。
步骤S1中,视频监控图像通过摄像头视频监控技术获取,得到具有自定义标识信息的机柜图像。
步骤S2中,视频流服务器将视频流交予视频图像识别服务器之前,还需对视频流进行处理,具体步骤如下:
步骤S21:视频流数据采集;
步骤S22:视频流数据处理;
步骤S23:视频流数据清理。
请参阅图3所示,步骤S22中,视频流数据处理流程具体包括:
对视频流图像进行仿射变换,得到正面显示的机柜图像,仿射变换,又称仿射映射,是指在几何中,一个向量空间进行一次线性变换并接上一个平移,变换为另一个向量空间,从而能够得到视频流图像中正面的机柜图像;
基于颜色阙值去除正面显示的机柜图像的背景,得到机柜的前景图像;
将机柜前景图像中的信号灯状态和数值区域分别按照预设信号灯状态颜色阈值范围和预设数值颜色阈值范围进行掩模处理,得到二值化信号灯图像和二值化数值图像;
对二值化信号灯图像和二值化数值图像进行预设形态学图像操作,得到信号灯识别结果和数值信号,对于地铁机房控制柜的识别,是针对机柜信号灯的识别和电流电压读数的识别,机柜背景常为米自色,通常绿灯常亮代表设备正常运行,而发现有红色灯亮起时,代表设备出现异常,此时需要运维人员进行检修;同样电流值电压值常常在一定范围内波动,若波动范围超过设定國值时,代表设备出现异常,此时也需要运维人员进行检修。
具体的操作方法:通过摄像头获得的机柜图像,对机柜图像进行仿射变换,将处于各种倾斜角度的图像调整为正面显示的机柜图像,再通过感兴趣区域筛选获得局部机柜区域,为感兴趣区域筛选得到的待识别机柜区域,将获取的机柜图像由RGB图像转换为HSV模型,这个模型中的三个参数分别是:H(色调)、S(饱和度)和V(亮度),为后续颜色分割作铺垫;
根据故障显示的红灯,正常状态的绿灯,未亮灯时候的红色底灯和绿灯底灯确定四种状态的信号灯颜色阈值范围,建立掩模对图像进行处理,将非信号灯区域图像素值置为0(即变黑),将信号灯区域像素值置为255,此时图像成为一幅二值化的图像。通过图像处理方法中的形态学操作,对白色区域进行膨胀和腐蚀,获得完整的信号灯区域,其中腐蚀具有消除细小物体的作用,膨胀可以填充物体内细小空洞。
步骤S4中,在使用深度学习技术进行网络训练时,采用涅斯捷罗夫梯度加速法的方法训练参数,ΔVt=ρΔVt-1-η[▽C(Vt-1-ρΔVt-1)]与传统的动量法公式相比,维一的区别并不是在位置Vt-1处,而是多走了一步,计算Vt-1-ρΔVt-1位置处的梯度,NAG方法不仅接近了最优点,而且更有效的减少了震荡。该改进算法解决了现有算法需要人为总结故障规则的问题,并且能够随着训练样本的增多不断优化模型参数,适应环境光照和检测对象设备位置的改。
步骤S6中,识别出设备机柜的实体信息集包括:型号信息、网络模块信息、设备位置信息、网线/光纤标识信息、设备指示灯信息并根据深度识别改进算法生成的模型高效的识别匹配设备型号。
步骤S7中,若识别出的实体信息集中存在故障灯信号和/或数值信号识别结果中存在数值异常,则进行告警处理,并通知相关运维人员进行处理。
步骤S8中,机柜图生成服务器预先设置Excel模板文件;Excel模板文件包括对应工作表;工作表至少包括表头、列号采集区、用于表达不同机柜的图块和文字的CAD批命令生成区和要素输入区。
请参阅图4所示,在传统机柜图生成方式中(左图),需要运维人员手动录入设备信息表,导入到管理***中,后台生成机柜分布图;由图4可以看出,生成数据相对滞后,时效性不强,难于管理;同时需要人工管理,自动化程度不过,过程中易发生错误。
在本专利机柜布置图生成方式中(右图),只需输入监控视频流,基于服务器的知识图谱进行物体识别,确定服务器型号、网卡编号与网线编号关系推测,最后由后台绘制机柜布置图;优点,实时更新数据,卷积网络图像识别,高效识别,无人值守,可对接任意网关***,形成原子能力。
实施例一:
智能机器人或者机房天花板上的摄像头对机房进行智能巡检,采集的视频流通过有限或无线的方式推送到视频流服务器;视频流服务器对采集的视频流进行预处理:对视频流图像进行仿射变换,得到正面显示的机柜图像,仿射变换,又称仿射映射,是指在几何中,一个向量空间进行一次线性变换并接上一个平移,变换为另一个向量空间,从而能够得到视频流图像中正面的机柜图像;基于颜色阙值去除正面显示的机柜图像的背景,得到机柜的前景图像;将机柜前景图像中的信号灯状态和数值区域分别按照预设信号灯状态颜色阈值范围和预设数值颜色阈值范围进行掩模处理,得到二值化信号灯图像和二值化数值图像;对二值化信号灯图像和二值化数值图像进行预设形态学图像操作,得到信号灯识别结果和数值信号识别结果;
相较于传统方法,在使用深度学习技术进行网络训练时,采用涅斯捷罗夫梯度加速法的方法训练参数,ΔVt=ρΔVt-1-η[▽C(Vt-1-ρΔVt-1)]与传统的动量法公式相比,维一的区别并不是在位置Vt-1处,而是多走了一步,计算Vt-1-ρΔVt-1位置处的梯度,NAG方法不仅接近了最优点,而且更有效的减少了震荡。该改进算法解决了现有算法需要人为总结故障规则的问题,并且能够随着训练样本的增多不断优化模型参数,适应环境光照和检测对象设备位置的改变。
同时对仿射变换后的视频流图像进行,将不包含机柜图像或包含的机柜图像不完整的视频图像进行删除,在图像识别前,就清除掉大量视频图像,将没有机柜的图像以及拍摄不完整的机柜图像进行删除,只处理能够显示机柜正面的图像,图像预处理能够优先排除不能作为样本的图片,提高深度学习的模型训练效率;
具体的操作方法:通过摄像头获得的机柜图像,对机柜图像进行仿射变换,将处于各种倾斜角度的图像调整为正面显示的机柜图像,再通过感兴趣区域筛选获得局部机柜区域,为感兴趣区域筛选得到的待识别机柜区域,将获取的机柜图像由RGB图像转换为HSV模型,这个模型中的三个参数分别是:H(色调)、S(饱和度)和V(亮度),为后续颜色分割作铺垫;
根据故障显示的红灯,正常状态的绿灯,未亮灯时候的红色底灯和绿灯底灯确定四种状态的信号灯颜色阈值范围,建立掩模对图像进行处理,将非信号灯区域图像素值置为0(即变黑),将信号灯区域像素值置为255,此时图像成为一幅二值化的图像。通过图像处理方法中的形态学操作,对白色区域进行膨胀和腐蚀,获得完整的信号灯区域,其中腐蚀具有消除细小物体的作用,膨胀可以填充物体内细小空洞。
将预处理好的图片标记正、负样本,用于对模型进行训练。
实施例二:
向训练完成后的模型输入视频监控图像,深度学习模型识别出设备机柜的实体信息集,识别出设备机柜的实体信息集包括:型号信息、网络模块信息、设备位置信息、网线/光纤标识信息、设备指示灯信息并根据深度识别改进算法生成的模型高效的识别匹配设备型号;
并识别出设备机构的操作面板,如:该机柜操作面板的设备指示灯信息,开关信息以及LED显示屏信息;一旦出现异常情况,如:操作面板的开关本应该向上拨动,现在向下拨动了;操作面板的LED指示灯应该是绿灯现在为红灯了;操作面板的显示屏应该数值异常等,得到信号灯识别结果和数值信号,对于地铁机房控制柜的识别,是针对机柜信号灯的识别和电流电压读数的识别,机柜背景常为米自色,通常绿灯常亮代表设备正常运行,而发现有红色灯亮起时,代表设备出现异常,此时需要运维人员进行检修;同样电流值电压值常常在一定范围内波动,若波动范围超过设定國值时,代表设备出现异常,此时也需要运维人员进行检修都能够及时通知维护人员前往检修。
实施例三:
将识别出的实体信息集传送至机柜图生成服务器;机柜图生成服务器生成Excel形式的机柜布置图文件,维修人员能够拿着机柜布置图文件,前往现场快速进行维修。本发明通过基于计算机视觉技术实现依靠自动采集机柜视频图像,代替人工进行巡检,对机房的机柜指示灯及LCD屏幕数值进行实时监控,实现了高效机房维护。
值得注意的是,上述***实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (4)
1.一种基于深度学习的机柜布置图绘制方法,其特征在于,包括如下步骤:
步骤S1:视频监控图像通过视频流的方式推送到视频流服务器;
步骤S2:在视频流服务器启动IO服务器进行接收并交予视频图像识别服务器;
步骤S3:视频图像识别服务器将识别的图像标记正、负样本;
步骤S4:将标记的正、负样本输入到卷积神经网络进行深度学习模型训练;
步骤S5:向训练完成的深度学习模型输入视频监控图像;
步骤S6:深度学习模型识别出设备机柜的实体信息集;
步骤S7:将识别出的实体信息集传送至机柜图生成服务器;
步骤S8:机柜图生成服务器生成Excel形式的机柜布置图文件;
所述步骤S2中,视频流服务器将视频流交予视频图像识别服务器之前,还需对视频流进行处理,具体步骤如下:
步骤S21:视频流数据采集;
步骤S22:视频流数据处理;
步骤S23:视频流数据清理;
所述步骤S22中,视频流数据处理流程具体包括:
对视频流图像进行仿射变换,得到正面显示的机柜图像;
基于颜色阙值去除正面显示的机柜图像的背景,得到机柜的前景图像;
将机柜前景图像中的信号灯状态和数值区域分别按照预设信号灯状态颜色阈值范围和预设数值颜色阈值范围进行掩模处理,得到二值化信号灯图像和二值化数值图像;
对二值化信号灯图像和二值化数值图像进行预设形态学图像操作,得到信号灯识别结果和数值信号识别结果;
所述步骤S23中,对视频流数据清理是对仿射变换后的视频流图像进行,将不包含机柜图像或包含的机柜图像不完整的视频图像进行删除;
所述步骤S4中,采用涅斯捷罗夫梯度加速法的方法训练参数,具体算法公式如下:
ΔVt=ρΔVt-1-η[▽C(Vt-1-ρΔVt-1)]T;
式中,t表示时间;△Vt表示此时刻梯度;ρΔVt-1表示上一时刻的更新值;η(▽C)T表示梯度;η[▽C(Vt-1-ρΔVt-1)]表示当前位置计算出来的梯度;ρ是动量因子常数,取值范围为0~1,典型值为0.9;
所述步骤S6中,识别出设备机柜的实体信息集包括:型号信息、网络模块信息、设备位置信息、网线/光纤标识信息、设备指示灯信息并根据深度识别改进算法生成的模型高效的识别匹配设备型号;
所述步骤S8中,机柜图生成服务器预先设置Excel模板文件;所述Excel模板文件包括对应工作表;所述工作表至少包括表头、列号采集区、用于表达不同机柜的图块和文字的CAD批命令生成区和要素输入区。
2.根据权利要求1所述的一种基于深度学习的机柜布置图绘制方法,其特征在于,所述步骤S1中,视频监控图像通过摄像头视频监控技术获取,得到具有自定义标识信息的机柜图像。
3.根据权利要求1所述的一种基于深度学习的机柜布置图绘制方法,其特征在于,所述步骤S4中,图像标记正样本为正面显示的机柜图像前景图像、机柜信息以及机柜正常工作状态下的型号灯的状态;图像标记负样本样本为正面显示的机柜图像前景图像、机柜信息以及该机柜故障工作状态下的型号灯的状态。
4.根据权利要求1所述的一种基于深度学习的机柜布置图绘制方法,其特征在于,所述步骤S7中,若识别出的实体信息集中存在故障灯信号和/或数值信号识别结果中存在数值异常,则进行告警处理,并通知相关运维人员进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111085701.6A CN113807244B (zh) | 2021-09-16 | 2021-09-16 | 一种基于深度学习的机柜布置图绘制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111085701.6A CN113807244B (zh) | 2021-09-16 | 2021-09-16 | 一种基于深度学习的机柜布置图绘制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807244A CN113807244A (zh) | 2021-12-17 |
CN113807244B true CN113807244B (zh) | 2024-02-27 |
Family
ID=78941232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111085701.6A Active CN113807244B (zh) | 2021-09-16 | 2021-09-16 | 一种基于深度学习的机柜布置图绘制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807244B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832767A (zh) * | 2017-11-14 | 2018-03-23 | 深圳码隆科技有限公司 | 集装箱箱号识别方法、装置及电子设备 |
CN108189043A (zh) * | 2018-01-10 | 2018-06-22 | 北京飞鸿云际科技有限公司 | 一种应用于高铁机房的巡检方法及巡检机器人*** |
CN108345889A (zh) * | 2018-02-27 | 2018-07-31 | 国网上海市电力公司 | 一种利用树莓派对通信机柜进行示数识别的应用方法 |
CN109086781A (zh) * | 2018-08-15 | 2018-12-25 | 北京航空航天大学 | 一种基于深度学习的机柜灯状态识别方法 |
CN110070039A (zh) * | 2019-04-23 | 2019-07-30 | 长讯通信服务有限公司 | 基于深度学习的机房机柜及主控板感知与坐标测量方法及装置 |
CN111862065A (zh) * | 2020-07-28 | 2020-10-30 | 国电南瑞科技股份有限公司 | 基于多任务深度卷积神经网络的输电线路诊断方法和*** |
CN112364740A (zh) * | 2020-10-30 | 2021-02-12 | 交控科技股份有限公司 | 一种基于计算机视觉的无人机房监控方法及*** |
-
2021
- 2021-09-16 CN CN202111085701.6A patent/CN113807244B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832767A (zh) * | 2017-11-14 | 2018-03-23 | 深圳码隆科技有限公司 | 集装箱箱号识别方法、装置及电子设备 |
CN108189043A (zh) * | 2018-01-10 | 2018-06-22 | 北京飞鸿云际科技有限公司 | 一种应用于高铁机房的巡检方法及巡检机器人*** |
CN108345889A (zh) * | 2018-02-27 | 2018-07-31 | 国网上海市电力公司 | 一种利用树莓派对通信机柜进行示数识别的应用方法 |
CN109086781A (zh) * | 2018-08-15 | 2018-12-25 | 北京航空航天大学 | 一种基于深度学习的机柜灯状态识别方法 |
CN110070039A (zh) * | 2019-04-23 | 2019-07-30 | 长讯通信服务有限公司 | 基于深度学习的机房机柜及主控板感知与坐标测量方法及装置 |
CN111862065A (zh) * | 2020-07-28 | 2020-10-30 | 国电南瑞科技股份有限公司 | 基于多任务深度卷积神经网络的输电线路诊断方法和*** |
CN112364740A (zh) * | 2020-10-30 | 2021-02-12 | 交控科技股份有限公司 | 一种基于计算机视觉的无人机房监控方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113807244A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308447A (zh) | 在电力远程监控中自动提取设备运行参数和运行状态的方法 | |
CN112364740B (zh) | 一种基于计算机视觉的无人机房监控方法及*** | |
CN109271844A (zh) | 基于OpenCV的电气柜电气符号识别方法 | |
CN110119680A (zh) | 一种基于图像识别的电气柜接线自动查错*** | |
CN112560816A (zh) | 一种基于YOLOv4的设备指示灯识别方法及*** | |
CN108875596A (zh) | 一种基于dssnn神经网络的铁路场景图像语义分割方法 | |
CN109409395A (zh) | 在电力监控中采用模板匹配法识别目标物体区域电气符号的方法 | |
CN110991360B (zh) | 一种基于视觉算法的机器人巡检点位智能配置方法 | |
CN110348380A (zh) | 一种可视化接地刀闸状态视频识别***及方法 | |
US11978189B2 (en) | Defect detection method and apparatus | |
CN111209864A (zh) | 一种电力设备目标识别方法 | |
CN114581760B (zh) | 一种机房巡检的设备故障检测方法及*** | |
CN111553176B (zh) | 一种适用于变电站屏柜接线的无线传输检查方法及*** | |
KR102366396B1 (ko) | Rgb-d 데이터와 딥러닝을 이용한 3d객체영역분할 방법과 그 시스템 | |
CN112766795B (zh) | 一种基于云端处理的管廊智能信息管理方法及*** | |
CN113807244B (zh) | 一种基于深度学习的机柜布置图绘制方法 | |
CN113469938A (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及*** | |
CN113657175A (zh) | 配电柜开关状态智能识别方法、***、存储介质及设备 | |
CN117035669A (zh) | 基于人工智能的企业安全生产管理方法及*** | |
CN116523853A (zh) | 一种基于深度学习的芯片检测***及方法 | |
CN114140731B (zh) | 一种牵引变电所异常检测方法 | |
CN113420839B (zh) | 用于堆叠平面目标物体的半自动标注方法及分割定位*** | |
CN113837178A (zh) | 一种基于深度学习的变电站表计自动定位与统一分割方法 | |
CN117351499B (zh) | 一种分合指示状态识别方法、***、计算机设备和介质 | |
CN112634352B (zh) | 一种变电站鱼眼式分合闸状态识别方法与*** |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 1308, 13th floor, East Tower, 33 Fuxing Road, Haidian District, Beijing 100036 Applicant after: China Telecom Digital Intelligence Technology Co.,Ltd. Address before: Room 1308, 13th floor, East Tower, 33 Fuxing Road, Haidian District, Beijing 100036 Applicant before: CHINA TELECOM GROUP SYSTEM INTEGRATION Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |