CN117037059A - 基于巡检监控的设备管理方法、装置及电子设备 - Google Patents
基于巡检监控的设备管理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117037059A CN117037059A CN202310988121.0A CN202310988121A CN117037059A CN 117037059 A CN117037059 A CN 117037059A CN 202310988121 A CN202310988121 A CN 202310988121A CN 117037059 A CN117037059 A CN 117037059A
- Authority
- CN
- China
- Prior art keywords
- equipment
- video frames
- machine room
- inspection
- key video
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 134
- 238000012544 monitoring process Methods 0.000 title claims abstract description 74
- 238000007726 management method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 44
- 230000002159 abnormal effect Effects 0.000 claims abstract description 43
- 230000008859 change Effects 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000004042 decolorization Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Alarm Systems (AREA)
Abstract
本申请提供基于巡检监控的设备管理方法、装置及电子设备，方法应用于服务器，包括：接收巡检机器人发送巡检监控的视频数据，巡检监控的视频数据为巡检机器人拍摄的机房设备的监控视频的数据；根据预设方式，提取视频数据中显示机房设备的运行状态的多个关键视频帧；将关键视频帧与机房设备的正常状态下的图像数据进行比对，得到比对结果；基于比对结果，若确定运行状态异常，则进行运行状态异常警报。本申请具有提高机房设备巡检效率的效果。
Description
技术领域
本申请涉及机房巡检的技术领域，具体涉及基于巡检监控的设备管理方法、装置及电子设备。
背景技术
在轨道交通运营公司对轨道交通的日常运维工作中，机房的环境和设备的巡检是重要的工作之一。机房内的设备包括服务器、交换机、消防设备以及视频监控等。巡检的内容包括检测机房消防设施是否齐全、合规，检测机房是否浸、漏水情况等等。通过巡检机房的环境状况以及各类设备的工作状态，能够有效地预防故障的发生，也可以为后期的故障维修提供依据，从而确保轨道交通的稳定及安全。
目前，传统的巡检方法通常采用人工巡检，由于需要巡检的设备的数量庞大且种类繁多，对巡检人员的专业性要求较高，并且这些设备需要巡检人员逐一进行巡检，从而导致机房巡检的效率较低。因此，需要一种方法提高机房设备巡检的效率。
发明内容
本申请提供基于巡检监控的设备管理方法、装置及电子设备，具有提高机房设备巡检效率的效果。
在本申请的第一方面提供了基于巡检监控的设备管理方法，所述方法应用于服务器，包括：
接收巡检机器人发送巡检监控的视频数据，所述巡检监控的视频数据为所述巡检机器人拍摄的机房设备的监控视频的数据；
根据预设方式，提取所述视频数据中显示所述机房设备的运行状态的多个关键视频帧；
将所述关键视频帧与所述机房设备的正常状态下的图像数据进行比对，得到比对结果；
基于所述比对结果，若确定所述运行状态异常，则进行运行状态异常警报。
通过采用上述技术方案，巡检机器人进行自动化的机房设备巡检，巡检机器人能够实时拍摄机房设备的监控视频，并将视频数据传输到服务器。服务器对视频数据进行处理后，提取出显示所述机房设备的运行状态的多个关键视频帧，通过将关键视频帧与机房设备的正常状态下的图像数据进行比对，可以自动检测和识别运行状态异常。减少了人工比对的工作量。通过自动巡检、实时监控、关键视频帧提取、特征比对以及异常警报自动化的功能，实现对机房设备的快速巡检，有效提高了机房设备巡检的效率。
可选的，所述根据预设方式，提取所述视频数据中显示所述机房设备的运行状态的多个关键视频帧，具体包括：
获取所述巡检机器人的实时位置；
判断所述实时位置与预设位置是否一致，若所述实时位置与所述预设位置一致，则获取所述巡检机器人发送的所述视频数据；
对所述视频数据进行视频帧提取，得到多个所述关键视频帧。
通过采用上述技术方案，通过获取巡检机器人的实时位置并与预设位置进行比对，不需要人工干预，***可以自动判断机器人是否到达预设位置，并获取相应的视频数据，从而用于后续进行关键视频帧的提取。
可选的，所述将所述关键视频帧与所述机房设备的正常状态下的图像数据进行比对，得到比对结果之前，所述方法还包括：
发送初始化指令至所述巡检机器人，以使所述巡检机器人对所述机房设备进行初次巡检；
接收所述巡检机器人发送的初次巡检监控的初始视频数据；
根据所述预设方式，提取所述初始视频数据中显示所述机房设备的运行状态的多个初始视频帧；
获取用户对所述机房设备的运行状态的正常判定结果，将多个所述初始视频帧设置为所述机房设备的正常状态下的图像数据。
通过采用上述技术方案，根据预设方式，从初始视频数据中提取出显示机房设备运行状态的多个初始视频帧。这些初始视频帧包含了机房设备的运行状态信息，提供了初始状态的参考数据。通过获取用户对机房设备运行状态的正常判定结果，将多个初始视频帧设置为机房设备的正常状态下的图像数据，使其作为正常状态的参考图像，便于后续服务器判断机房设备的运行状态。
可选的，所述将所述关键视频帧与所述机房设备的正常状态下的图像数据进行比对，得到比对结果之前，所述方法还包括：
获取样本图像数据，所述样本图像数据包括多个所述关键视频帧和多个所述初始视频帧；
将所述样本图像数据输入至轨道交通设备算法模型；
获取所述轨道交通设备算法模型对所述关键视频帧与所述初始视频帧的比对结果；
获取用户输入与所述比对结果对应的所述运行状态；
建立所述比对结果与所述运行状态的映射关系，便于所述轨道交通设备算法模型自动根据所述关键视频帧与所述初始视频帧的比对结果，判断所述运行状态。
通过采用上述技术方案，通过样本图像数据对构建的轨道交通设备算法模型进行训练，获得对关键视频帧与初始视频帧进行比对结果，并根据用户输入的运行状态，建立不同比对结果与不同运行状态的映射关系。便于后续轨道交通设备算法模型根据不同的关键视频帧与初始视频帧进行比对结果，快速判断机房设备的运行状态。
可选的，所述将所述关键视频帧与所述机房设备的正常状态下的图像数据进行比对，得到比对结果，具体包括：
判断所述机房设备的运行状态是否为固定状态，若所述运行状态为固定状态，确定多个所述关键视频帧中与第一初始视频帧相同的第一关键视频帧的第一数量，所述第一关键视频帧为多个所述关键视频帧中的任意一个关键视频帧，所述第一初始视频帧为多个所述初始视频帧中的任意一个初始视频帧；
判断所述第一数量是否大于或等于预设第一阈值，若所述第一数量大于或等于所述预设第一阈值，则确定所述运行状态正常。
通过采用上述技术方案，通过判断运行状态是否为固定状态，并利用第一关键视频帧与第一初始视频帧进行比对分析，可以直接判断设备的运行状态是否正常。这种方法能够快速地判断设备的运行状态，适用于固定状态下的机房设备。通过设定合适的预设第一阈值，可以根据匹配数量来判断设备的正常与异常，提高设备巡检的效率和准确性。
可选的，在所述判断所述机房设备的运行状态是否为固定状态之后，所述方法还包括：
若所述运行状态不是固定状态，判断多个所述关键视频帧中是否存在与所述第一初始视频帧相同的所述第一关键视频帧；
若确定多个所述关键视频帧中存在与所述第一初始视频帧相同的第一关键视频帧，则确定所述第一关键视频帧的第二数量；
判断所述第二数量是否大于或等于预设第二阈值，若确定所述第二数量大于或等于预设第二阈值，则确定所述运行状态异常。
通过采用上述技术方案，通过进一步的比对分析和数量判断，可以在运行状态不是固定的情况下判断设备的正常与异常。通过判断第一关键视频帧的存在和数量，可以提供更准确的判断结果。这种方法能够适应不同运行状态的机房设备，进一步提高设备巡检的效率和准确性。
可选的，所述将所述关键视频帧与所述机房设备的正常状态下的图像数据进行比对，得到比对结果，具体还包括：
获取多个所述关键视频帧中相邻的多个第二关键视频帧；
将多个所述第二关键视频帧进行逐帧比对，确定所述机房设备的实时变化情况；
获取多个所述初始视频帧中相邻的多个第二初始视频帧；
将多个所述第二关键视频帧进行逐帧比对，确定所述机房设备的预设变化情况；
判断所述实时变化情况与所述预设变化情况是否一致，若所述实时变化情况与所述预设变化情况不一致，则确定所述运行状态异常。
通过采用上述技术方案，通过对关键视频帧和初始视频帧中的第二关键视频帧和第二初始视频帧进行逐帧比对，可以分析设备的实时变化情况和预设变化情况，并判断二者是否一致。这种方法能够更细致地分析设备状态的变化，通过与预设变化情况进行比对，可以确认设备的运行状态是否异常。
在本申请的第二方面提供了基于巡检监控的设备管理装置，所述装置为服务器，包括获取模块、图像处理模块、判断模块以及发送模块，其中：
所述获取模块，用于接收巡检机器人发送巡检监控的视频数据，所述巡检监控的视频数据为所述巡检机器人拍摄的机房设备的监控视频的数据；
所述图像处理模块，用于根据预设方式，提取所述视频数据中显示所述机房设备的运行状态的多个关键视频帧；
所述判断模块，用于将所述关键视频帧与所述机房设备的正常状态下的图像数据进行比对，得到比对结果；
所述发送模块，用于基于所述比对结果，若确定所述运行状态异常，则进行运行状态异常警报。
在本申请的第三方面提供了一种电子设备，包括处理器、存储器、用户接口以及网络接口，所述存储器用于存储指令，所述用户接口和所述网络接口均用于与其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行如上述任意一项所述的方法。
在本申请的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有指令，当所述指令被执行时，执行如上述任意一项所述的方法。
综上所述，本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
1.巡检机器人进行自动化的机房设备巡检，巡检机器人能够实时拍摄机房设备的监控视频，并将视频数据传输到服务器。服务器对视频数据进行处理后，提取出显示所述机房设备的运行状态的多个关键视频帧，通过将关键视频帧与机房设备的正常状态下的图像数据进行比对，可以自动检测和识别运行状态异常。减少了人工比对的工作量。通过自动巡检、实时监控、关键视频帧提取、特征比对以及异常警报自动化的功能，实现对机房设备的快速巡检，有效提高了机房设备巡检的效率。
2.通过样本图像数据对构建的轨道交通设备算法模型进行训练，获得对关键视频帧与初始视频帧进行比对结果，并根据用户输入的运行状态，建立不同比对结果与不同运行状态的映射关系。便于后续轨道交通设备算法模型根据不同的关键视频帧与初始视频帧进行比对结果，快速判断机房设备的运行状态。
3.通过判断运行状态是否为固定状态，并利用第一关键视频帧与第一初始视频帧进行比对分析，可以直接判断设备的运行状态是否正常。这种方法能够快速地判断设备的运行状态，适用于固定状态下的机房设备。通过设定合适的预设第一阈值，可以根据匹配数量来判断设备的正常与异常，提高设备巡检的效率和准确性。
附图说明
图1是本申请实施例公开的一种基于巡检监控的设备管理方法的流程示意图；
图2是本申请实施例公开的一种机房设备的运行状态的示意图；
图3是本申请实施例公开的基于巡检监控的设备管理装置的结构示意图；
图4是本申请实施例公开的一种电子设备的结构示意图。
附图标记说明：301、获取模块；302、图像处理模块；303、判断模块；304、发送模块；401、处理器；402、通信总线；403、用户接口；404、网络接口；405、存储器。
具体实施方式
为了使本领域的技术人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
在本申请实施例的描述中，“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中，术语“多个”的含义是指两个或两个以上。例如，多个***是指两个或两个以上的***，多个屏幕终端是指两个或两个以上的屏幕终端。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。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
在轨道交通运营公司对轨道交通的日常运维工作中，机房的环境和设备的巡检是重要的工作之一。机房内的设备包括服务器、交换机、消防设备以及视频监控等。巡检的内容包括检测机房消防设施是否齐全、合规，检测机房是否浸、漏水情况等等。通过巡检机房的环境状况以及各类设备的工作状态，能够有效地预防故障的发生，也可以为后期的故障维修提供依据，从而确保轨道交通的稳定及安全。
目前，传统的巡检方法通常采用人工巡检，由于需要巡检的设备的数量庞大且种类繁多，对巡检人员的专业性要求较高，并且这些设备需要巡检人员逐一进行巡检，从而导致机房巡检的效率较低。因此，需要一种方法提高机房设备巡检的效率。
本实施例公开了基于巡检监控的设备管理方法，参照图1，包括如下步骤S110-S140：
S110，接收巡检机器人发送巡检监控的视频数据。
需要说明的是，本申请实施例公开的基于巡检监控的设备管理方法的执行主体为服务器，服务器包括但不限于诸如手机、平板电脑、可穿戴设备、PC(Personal Computer，个人计算机)等电子设备，也可以是运行基于巡检监控的设备管理方法的后台服务器。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在机房内，巡检机器人能够按照预设路线自动行走在机房中，巡检机器人能够按照预设的路线，对机房的内的设备进行自动巡检，并通过摄像头实时拍摄机房设备的监控视频，并发送巡检监控的视频数据至服务器。
S120，根据预设方式，提取视频数据中显示机房设备的运行状态的多个关键视频帧。
巡检机器人在机房内移动时，通过内置的定位模块基于UWB定位技术实时获取位置数据，并将位置数据发送至服务器。服务器获取到巡检机器人的实时位置后，将巡检机器人的实时位置与预设位置进行比对，判断二者是否一致。预设位置为提前设置的最佳拍摄位置，巡检机器人位于预设位置时，能够拍摄出机房设备较为清晰的监控视频。例如，根据巡检机器人的摄像头焦距以及像素，在服务器机柜正前方30厘米位置处能够拍摄服务器较为清晰的监控视频。则将服务器机柜正前方30厘米处的位置设置为预设位置，用户可通过相关定位仪在该位置提前测量出具体的位置数据。
在将巡检机器人的实时位置与预设位置进行比对之前，需要将二者转换到同一坐标系之下，判断实时位置对应的坐标与预设位置对应的坐标是否一致。若实时位置对应的坐标与预设位置对应的坐标一致，表明巡检机器人位于预设位置。服务器发送视频采集指令至巡检机器人，以使巡检机器人停止移动，并实时拍摄并发送机房设备的监控视频的数据。其中，指令是指挥电子设备工作的指示和命令，可以理解为指定执行某种运算或功能实现的某种控制的代码。需要说明的是，巡检机器人位于预设位置时还需要对准机房设备的方向，并控制合适的角度才能够拍摄出清晰的监控视频，由于巡检机器人的方向控制以及摄像头的角度控制仅为相关技术领域的常规技术手段，因此在此不再作进一步赘述。
通过获取巡检机器人的实时位置并与预设位置进行比对，不需要人工干预，***可以自动判断机器人是否到达预设位置，并获取相应的视频数据，从而用于后续进行关键视频帧的提取
最后服务器通过视频数据得到监控视频后，对监控视频进行切分视频帧，即可得到关键视频帧，通过对监控视频切分的多个视频帧，可以显示机房设备的运行状态。
除了可以通过位置比对来判断巡检机器人是否位置预设位置，从而拍摄监控视频，还可以通过服务器实时获取巡检机器人拍摄的监控视频，将监控视频转换成视频帧后，对视频帧进行图像识别，从中提取关键特征，并将关键特征与提前预存的预设特征进行比对，可以使用特征匹配算法或比较特征向量的相似度来判断二者是否一致。预设特征可以是机房设备的某个特征，举例来说，某个服务器的五个并列的绿色常亮指示灯。服务器通过比对判断出关键特征与预设特征一致后，表明巡检机器人位于预设位置，能够拍摄较为清晰的机房设备的监控视频。服务器发送视频采集指令至巡检机器人，以使巡检机器人停止移动，并实时拍摄并发送机房设备的监控视频的数据。需要注意的是，图像识别和特征比对的准确性可能会受到多个因素的影响，包括图像质量、特征选择和算法性能等。因此，可能需要进行实验和优化来提高***的准确性和稳定性。
S130，将关键视频帧与机房设备的正常状态下的图像数据进行比对，得到比对结果。
在此之前，需要获取机房设备在正常状态下的图像数据，以作为后续根据关键视频帧判断机房设备的运行状态是否正常的依据。
用户通过服务器发送初始化指令至巡检机器人，从而使巡检机器人对机房设备进行巡检，并且在巡检机器人进行巡检过程中，巡检机器人通过摄像头拍摄监控视频，并发送初次巡检监控过程的监控视频至服务器，该监控视频对应的数据即初始视频数据。初始视频数据的采集过程可以参照步骤S110-S120的方法，巡检机器人位于预设位置时，服务器发送视频采集指令至巡检机器人，以使巡检机器人停止移动，并实时拍摄并发送机房设备的监控视频的数据。服务器对初始视频数据进行视频帧切分处理后，得到显示机房设备的运行状态的多个初始视频帧。
用户根据多个初始视频帧对机房设备的运行状态进行评判，根据多个初始视频帧的内容判断机房设备的运行状态是否正常。举例来说，参照图2，图2a、图2b、图2c以及图2d分别显示一种机房设备的指示灯的不同亮灭状态，从而根据亮灭状态显示该机房设备的运行状态。图中左侧八个图标为该设备的操纵按钮，右侧为指示设备运行状态的四个指示灯。图2a中四个指示灯从上至下依此为常绿、常绿、常绿、常红，则表明该机房设备的运行状态正常，无需任何操作。图2b中，四个指示灯从上至下依此为常绿、常绿、常绿、常灭，则表明该机房设备的运行状态异常，原因为存在硬件问题。图2c中，四个指示灯从上至下依此为常红、常绿、常绿、常灭，则表明该机房设备的运行状态异常，原因是该机房设备无法从时间同步***中的参考源获取时间。图2d中，四个指示灯从上至下依此为常红、常红、常红、常灭，则表明该机房设备的运行状态异常，原因为网络连接断开。需要说明的是，上述对机房设备的运行状态的举例的方式仅是示例性地，在可能的实施方式中，机房设备的运行状态需要根据不同类型的设备进行确定。
用户通过对多个视频帧进行观看，若评判机房设备的运行状态正常，服务器获取评判结果后，将该多个视频帧设置为该机房设备的正常状态下的图像数据，从而用于后续服务器自动判定该机房设备的运行状态的依据。
通过上述技术方案，根据预设方式，从初始视频数据中提取出显示机房设备运行状态的多个初始视频帧。这些初始视频帧包含了机房设备的运行状态信息，提供了初始状态的参考数据。通过获取用户对机房设备运行状态的正常判定结果，将多个初始视频帧设置为机房设备的正常状态下的图像数据，使其作为正常状态的参考图像，便于后续服务器判断机房设备的运行状态。
本申请实施例公开一种轨道交通设备算法模型，通过该模型，服务器能够实现设备运行状态灯的视觉智能分析，并支持环境、仪表盘以及液晶面板等设备状态的检测识别，并实现针对异常状态进行报警处理。
在构建轨道交通设备算法模型前，首先通过收集大量的机房设备的关键视频帧，以及与关键视频帧对应的初始视频帧，即巡检机器人在同一预设位置拍摄的关键视频帧和初始视频帧。得到大量的关键视频帧和初始视频帧作为样本图像数据后，还需要对图像数据进行预处理，包括去色、二值化等处理方式，由于针对不同类型的样本图像数据需要采用不同的处理方式，因此在此不再作进一步赘述。
接着进行模型构建，根据具体任务需求和样本图像数据特点，选择适合的算法模型。分别对关键视频帧和初始视频帧图像识别以及特征提取，可以采用卷积神经网络（Convolutional Neural Networks，CNN），分别提取出关键视频帧中的第一特征，和初始视频帧的第二特征。再可以使用传统的机器学习算法（如支持向量机、K最近邻等）或深度学习模型（如Siamese网络、孪生网络等）进行第一特征和第二特征的相似度计算，以判断二者是否一致。同时根据采用的模型设计模型的架构，包括网络层的设计、激活函数的选择以及损失函数的定义等。需要说明的是，根据不同的任务需求和样本图像数据特点，需要采用不同的算法模型，以及设计不同的架构，对于模型构建的具体过程中所涉及的技术仅为相关领域的技术人员所采用的常规技术手段，在此不再作进一步赘述。
再进行数据集划分，将收集到的样本图像数据划分为训练集、验证集和测试集。本实施例优选的划分比例是70%的样本图像数据用于训练、15%的样本图像数据用于验证、15%的样本图像数据用于测试，但不同实施例根据数据量的大小和具体任务的复杂性，可以进行相应的调整。
划分后，使用训练集对选定的算法模型进行训练。训练过程中，将输入数据传入模型，通过反向传播算法来优化模型参数，使模型能够逐渐学习并适应数据的特征。迭代调整模型的超参数，如学习率、批次大小等，以获得更好的训练效果。监控训练过程中的性能指标和损失函数，确保模型在训练集上达到合理的准确性和收敛性。还需要进行模型验证和调优，使用验证集对训练好的模型进行评估和验证。通过计算准确率、召回率、F1分数等指标，评估模型在未见过的数据上的性能。根据验证结果，对模型进行调优。可以尝试调整模型结构、增加正则化项、增大训练数据量等手段，进一步提升模型的性能。
基于上述训练以及验证过程，轨道交通设备算法模型得到不同样本图像数据中，关键视频帧与初始视频帧的比对结果，用户再根据不同的比对结果输入对应的机房设备的运行状态，服务器建立比对结果与运行状态的映射关系，从而便于轨道交通设备算法模型自动根据关键视频帧与初始视频帧的比对结果，判断运行状态。在上述示例中，参照图2，图2a、图2b、图2c以及图2d分别显示一种机房设备的指示灯的不同亮灭状态，从而根据亮灭状态显示该机房设备的运行状态。若在初始视频帧中该机房设备的指示灯亮灭状态为图2a的状态，在关键视频帧中该机房设备的指示灯亮灭状态为图2b的状态，轨道交通设备算法模型识别出关键视频帧与初始视频帧不一致，用户再输入该机房设备运行状态异常，服务器建立关键视频帧与初始视频帧不一致，与该机房设备运行状态异常的映射关系。则后续模型再次获取到该机房设备的关键视频帧与初始视频帧不一致时，即指示灯的亮灭状态为图2b或图2c或图2d的状态时，模型判定该机房设备运行状态异常。
整个过程中，需要注意样本图像数据的质量和标注的准确性，确保数据集的代表性和多样性。此外，对于深度学习模型的训练过程，通常需要大量的计算资源和时间。对于实际应用中的性能要求和实时性要求，需要权衡算法的复杂性和计算成本。
通过样本图像数据对构建的轨道交通设备算法模型进行训练，获得对关键视频帧与初始视频帧进行比对结果，并根据用户输入的运行状态，建立不同比对结果与不同运行状态的映射关系。便于后续轨道交通设备算法模型根据不同的关键视频帧与初始视频帧进行比对结果，快速判断机房设备的运行状态。
S140，基于比对结果，若确定运行状态异常，则进行运行状态异常警报。
对轨道交通设备算法模型构建并训练完成后，应用时首先输入多个初始视频帧，再输入多个关键视频帧。模型判断机房设备的运行状态是否为固定状态，即机房设备的外观是否会发生变化，像消防设备外观正常情况下外观应该保持不变，因此运行状态为固定状态。而对于视频监控，由于监控画面会发生变化，因此运行状态不是固定状态。
若机房设备的运行状态为固定状态，则模型先识别多个关键视频帧中与第一初始视频帧相同的第一关键视频帧，其中，第一关键视频帧为多个关键视频帧中的任意一个关键视频帧，第一初始视频帧为多个初始视频帧中的任意一个初始视频帧。再计算第一关键视频帧的数量，标记为第一数量。接着判断第一数量是否大于或等于预设第一阈值，其中，不同实施例中，预设第一阈值的具体数值需要根据实际情况调整，本实施例不做具体限定。当第一数量大于或等于预设第一阈值，表明与初始视频帧相同的关键视频帧数量较多，即根据比对结果，该机房设备的运行状态不变，运行状态正常。当第一数量小于预设第一阈值，表明与初始视频帧的数量较少，根据比对结果，该机房设备的运行状态发生改变，运行状态异常。举例来说，对于消防设备运行状态理论为固定状态，若未被移动，巡检机器人第一次拍摄得到的初始视频帧，应该与后续拍摄得到的关键视频帧基本相同，则表明消防设备的运行状态不变，运行状态正常。若消防设备在巡检机器人第一拍摄得到的初始视频帧后被移动，导致后续拍摄得到的关键视频帧与初始视频帧不同，则表明消防设备的运行状态发生改变，运行状态异常。
通过判断运行状态是否为固定状态，并利用第一关键视频帧与第一初始视频帧进行比对分析，可以直接判断设备的运行状态是否正常。这种方法能够快速地判断设备的运行状态，适用于固定状态下的机房设备。通过设定合适的预设第一阈值，可以根据匹配数量来判断设备的正常与异常，提高设备巡检的效率和准确性。
若机房设备的运行状态不是固定状态，则模型先识别多个关键视频帧中与第一初始视频帧相同的第一关键视频帧，其中，第一关键视频帧为多个关键视频帧中的任意一个关键视频帧，第一初始视频帧为多个初始视频帧中的任意一个初始视频帧。再计算第一关键视频帧的数量，标记为第二数量。接着判断第二数量是否大于或等于预设第二阈值。其中，不同实施例中，预设第二阈值的具体数值需要根据实际情况调整，本实施例不做具体限定。当第二数量大于或等于预设第二阈值，表明与初始视频帧相同的关键视频帧数量较多，即根据比对结果，该机房设备的运行状态不变，运行状态异常。当第一数量小于预设第一阈值，表明与初始视频帧的数量较少，根据比对结果，该机房设备的运行状态发生改变，运行状态正常。举例来说，对于应用于轨道交通的监控视频设备，监控视频的内容理论应该发生改变，运行状态不是固定状态。巡检机器人第一次拍摄得到初始视频帧，当巡检机器人后续拍摄得到关键视频帧，与其中一个初始视频帧相同，则表明视频监控设备可能死机，导致运行状态不变，运行状态异常。
通过进一步的比对分析和数量判断，可以在运行状态不是固定的情况下判断设备的正常与异常。通过判断第一关键视频帧的存在和数量，可以提供更准确的判断结果。这种方法能够适应不同运行状态的机房设备，进一步提高设备巡检的效率和准确性。
进一步地，对于部分运行状态不是固定状态的机房设备，巡检机器人拍摄的关键视频帧不仅应该与初始视频帧不同，还需要机房设备的变化情况保持不变。举例来说，某台服务器的指示灯保持蓝绿交替闪烁时，其运行状态正常，若指示灯的状态不是蓝绿交替闪烁，则表明服务器运行状态异常。
则服务器在判断时，从巡检机器人拍摄的多个关键视频帧中，随机选取相邻的多个第二关键视频帧，输入至轨道交通设备算法模型进行逐帧地特征提取。服务器再逐一对相邻的两个第二关键视频帧进行特征比对，确定机房设备的实时变化情况。同时，从多个初始视频帧中，随机选取相邻的多个第二初始视频帧，输入至轨道交通设备算法模型进行逐帧地特征提取。服务器再逐一对相邻的两个第二初始视频帧进行特征比对，确定机房设备的初始变化情况。最后判断实时变化情况与初始变化情况是否一致，若二者一致，表明机房设备的变化情况保持不变，则机房设备的运行状态正常。若实时变化情况与初始变化情况不一致，表明机房设备的运行状态发生改变，例如指示灯的亮灭情况发生改变，则机房设备的运行状态异常。
通过对关键视频帧和初始视频帧中的第二关键视频帧和第二初始视频帧进行逐帧比对，可以分析设备的实时变化情况和预设变化情况，并判断二者是否一致。这种方法能够更细致地分析设备状态的变化，通过与预设变化情况进行比对，可以确认设备的运行状态是否异常。
确定机房设备的运行状态异常后，服务器向相关人员发送警报通知，通过邮件、短信、即时通讯工具等方式，及时通知相关人员关于异常状态的信息。或者触发声音或灯光警报，服务器控制警报装置，例如声音警报器或灯光警报器，以产生声音或闪烁的灯光来引起注意。同时生成异常报告，包括异常状态的详细描述、时间戳以及相关的设备信息，以作为后续处理和故障排除的参考。
巡检机器人进行自动化的机房设备巡检，巡检机器人能够实时拍摄机房设备的监控视频，并将视频数据传输到服务器。服务器对视频数据进行处理后，提取出显示所述机房设备的运行状态的多个关键视频帧，通过将关键视频帧与机房设备的正常状态下的图像数据进行比对，可以自动检测和识别运行状态异常。减少了人工比对的工作量。通过自动巡检、实时监控、关键视频帧提取、特征比对以及异常警报自动化的功能，实现对机房设备的快速巡检，有效提高了机房设备巡检的效率。
本实施例还公开了基于巡检监控的设备管理装置，装置为服务器，参照图3，包括获取模块301、图像处理模块302、判断模块303以及发送模块304，其中：
获取模块301，用于接收巡检机器人发送巡检监控的视频数据，巡检监控的视频数据为巡检机器人拍摄的机房设备的监控视频的数据。
图像处理模块302，用于根据预设方式，提取视频数据中显示机房设备的运行状态的多个关键视频帧。
判断模块303，用于将关键视频帧与机房设备的正常状态下的图像数据进行比对，得到比对结果。
发送模块304，用于基于比对结果，若确定运行状态异常，则进行运行状态异常警报。
在一种可能的实施方式中，获取模块301，用于获取巡检机器人的实时位置。
判断模块303，用于判断实时位置与预设位置是否一致，若实时位置与预设位置一致，则获取巡检机器人发送的视频数据。
图像处理模块302，用于对视频数据进行视频帧提取，得到多个关键视频帧。
在一种可能的实施方式中，发送模块304，用于发送初始化指令至巡检机器人，以使巡检机器人对机房设备进行初次巡检。
获取模块301，用于接收巡检机器人发送的初次巡检监控的初始视频数据。
图像处理模块302，用于根据预设方式，提取初始视频数据中显示机房设备的运行状态的多个初始视频帧。
获取模块301，用于获取用户对机房设备的运行状态的正常判定结果，将多个初始视频帧设置为机房设备的正常状态下的图像数据。
在一种可能的实施方式中，获取模块301，用于获取样本图像数据，样本图像数据包括多个关键视频帧和多个初始视频帧。
图像处理模块302，用于将样本图像数据输入至轨道交通设备算法模型。
获取模块301，用于获取轨道交通设备算法模型对关键视频帧与初始视频帧的比对结果。
获取模块301，用于获取用户输入与比对结果对应的运行状态。
判断模块303，用于建立比对结果与运行状态的映射关系，便于轨道交通设备算法模型自动根据关键视频帧与初始视频帧的比对结果，判断运行状态。
在一种可能的实施方式中，判断模块303，用于判断机房设备的运行状态是否为固定状态，若运行状态为固定状态，确定多个关键视频帧中与第一初始视频帧相同的第一关键视频帧的第一数量，第一关键视频帧为多个关键视频帧中的任意一个关键视频帧，第一初始视频帧为多个初始视频帧中的任意一个初始视频帧。
判断模块303，用于判断第一数量是否大于或等于预设第一阈值，若第一数量大于或等于预设第一阈值，则确定运行状态正常。
在一种可能的实施方式中，判断模块303，用于若运行状态不是固定状态，判断多个关键视频帧中是否存在与第一初始视频帧相同的第一关键视频帧。
判断模块303，用于若确定多个关键视频帧中存在与第一初始视频帧相同的第一关键视频帧，则确定第一关键视频帧的第二数量。
判断模块303，用于判断第二数量是否大于或等于预设第二阈值，若确定第二数量大于或等于预设第二阈值，则确定运行状态异常。
在一种可能的实施方式中，获取模块301，用于获取多个关键视频帧中相邻的多个第二关键视频帧。
图像处理模块302，用于将多个第二关键视频帧进行逐帧比对，确定机房设备的实时变化情况。
图像处理模块302，用于获取多个初始视频帧中相邻的多个第二初始视频帧。
图像处理模块302，用于将多个第二关键视频帧进行逐帧比对，确定机房设备的预设变化情况。
判断模块303，用于判断实时变化情况与预设变化情况是否一致，若实时变化情况与预设变化情况不一致，则确定运行状态异常。
需要说明的是：上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置和方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本实施例还公开了一种电子设备，参照图4，电子设备可以包括：至少一个处理器401，至少一个通信总线402，用户接口403，网络接口404，至少一个存储器405。
其中，通信总线402用于实现这些组件之间的连接通信。
其中，用户接口403可以包括显示屏（Display）、摄像头（Camera），可选用户接口403还可以包括标准的有线接口、无线接口。
其中，网络接口404可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。
其中，处理器401可以包括一个或者多个处理核心。处理器401利用各种接口和线路连接整个服务器内的各个部分，通过运行或执行存储在存储器405内的指令、程序、代码集或指令集，以及调用存储在存储器405内的数据，执行服务器的各种功能和处理数据。可选的，处理器401可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable LogicArray，PLA）中的至少一种硬件形式来实现。处理器401可集成中央处理器401（CentralProcessing Unit，CPU）、图像处理器401（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作***、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器401中，单独通过一块芯片进行实现。
其中，存储器405可以包括随机存储器405（Random Access Memory，RAM），也可以包括只读存储器405（Read-Only Memory）。可选的，该存储器405包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器405可用于存储指令、程序、代码、代码集或指令集。存储器405可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作***的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及的数据等。存储器405可选的还可以是至少一个位于远离前述处理器401的存储装置。如图所示，作为一种计算机存储介质的存储器405中可以包括操作***、网络通信模块、用户接口403模块以及基于巡检监控的设备管理方法的应用程序。
在图4所示的电子设备中，用户接口403主要用于为用户提供输入的接口，获取用户输入的数据；而处理器401可以用于调用存储器405中存储基于巡检监控的设备管理方法的应用程序，当由一个或多个处理器401执行时，使得电子设备执行如上述实施例中一个或多个的方法。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必需的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所披露的装置，可通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其他的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器405中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器405中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储器405包括：U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后，将容易想到本公开的其他实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。
Claims (10)
1.基于巡检监控的设备管理方法，其特征在于，所述方法应用于服务器，包括：
接收巡检机器人发送巡检监控的视频数据，所述巡检监控的视频数据为所述巡检机器人拍摄的机房设备的监控视频的数据；
根据预设方式，提取所述视频数据中显示所述机房设备的运行状态的多个关键视频帧；
将所述关键视频帧与所述机房设备的正常状态下的图像数据进行比对，得到比对结果；
基于所述比对结果，若确定所述运行状态异常，则进行运行状态异常警报。
2.根据权利要求1所述的基于巡检监控的设备管理方法，其特征在于，所述根据预设方式，提取所述视频数据中显示所述机房设备的运行状态的多个关键视频帧，具体包括：
获取所述巡检机器人的实时位置；
判断所述实时位置与预设位置是否一致，若所述实时位置与所述预设位置一致，则获取所述巡检机器人发送的所述视频数据；
对所述视频数据进行视频帧提取，得到多个所述关键视频帧。
3.根据权利要求1所述的基于巡检监控的设备管理方法，其特征在于，所述将所述关键视频帧与所述机房设备的正常状态下的图像数据进行比对，得到比对结果之前，所述方法还包括：
发送初始化指令至所述巡检机器人，以使所述巡检机器人对所述机房设备进行初次巡检；
接收所述巡检机器人发送的初次巡检监控的初始视频数据；
根据所述预设方式，提取所述初始视频数据中显示所述机房设备的运行状态的多个初始视频帧；
获取用户对所述机房设备的运行状态的正常判定结果，将多个所述初始视频帧设置为所述机房设备的正常状态下的图像数据。
4.根据权利要求3所述的基于巡检监控的设备管理方法，其特征在于，所述将所述关键视频帧与所述机房设备的正常状态下的图像数据进行比对，得到比对结果之前，所述方法还包括：
获取样本图像数据，所述样本图像数据包括多个所述关键视频帧和多个所述初始视频帧；
将所述样本图像数据输入至轨道交通设备算法模型；
获取所述轨道交通设备算法模型对所述关键视频帧与所述初始视频帧的比对结果；
获取用户输入与所述比对结果对应的所述运行状态；
建立所述比对结果与所述运行状态的映射关系，便于所述轨道交通设备算法模型自动根据所述关键视频帧与所述初始视频帧的比对结果，判断所述运行状态。
5.根据权利要求3所述的基于巡检监控的设备管理方法，其特征在于，所述将所述关键视频帧与所述机房设备的正常状态下的图像数据进行比对，得到比对结果，具体包括：
判断所述机房设备的运行状态是否为固定状态，若所述运行状态为固定状态，确定多个所述关键视频帧中与第一初始视频帧相同的第一关键视频帧的第一数量，所述第一关键视频帧为多个所述关键视频帧中的任意一个关键视频帧，所述第一初始视频帧为多个所述初始视频帧中的任意一个初始视频帧；
判断所述第一数量是否大于或等于预设第一阈值，若所述第一数量大于或等于所述预设第一阈值，则确定所述运行状态正常。
6.根据权利要求5所述的基于巡检监控的设备管理方法，其特征在于，在所述判断所述机房设备的运行状态是否为固定状态之后，所述方法还包括：
若所述运行状态不是固定状态，判断多个所述关键视频帧中是否存在与所述第一初始视频帧相同的所述第一关键视频帧；
若确定多个所述关键视频帧中存在与所述第一初始视频帧相同的第一关键视频帧，则确定所述第一关键视频帧的第二数量；
判断所述第二数量是否大于或等于预设第二阈值，若确定所述第二数量大于或等于预设第二阈值，则确定所述运行状态异常。
7.根据权利要求3所述的基于巡检监控的设备管理方法，其特征在于，所述将所述关键视频帧与所述机房设备的正常状态下的图像数据进行比对，得到比对结果，具体还包括：
获取多个所述关键视频帧中相邻的多个第二关键视频帧；
将多个所述第二关键视频帧进行逐帧比对，确定所述机房设备的实时变化情况；
获取多个所述初始视频帧中相邻的多个第二初始视频帧；
将多个所述第二关键视频帧进行逐帧比对，确定所述机房设备的预设变化情况；
判断所述实时变化情况与所述预设变化情况是否一致，若所述实时变化情况与所述预设变化情况不一致，则确定所述运行状态异常。
8.基于巡检监控的设备管理装置，其特征在于，所述装置为服务器，包括获取模块(301)、图像处理模块(302)、判断模块(303)以及发送模块(304)，其中：
所述获取模块(301)，用于接收巡检机器人发送巡检监控的视频数据，所述巡检监控的视频数据为所述巡检机器人拍摄的机房设备的监控视频的数据；
所述图像处理模块(302)，用于根据预设方式，提取所述视频数据中显示所述机房设备的运行状态的多个关键视频帧；
所述判断模块(303)，用于将所述关键视频帧与所述机房设备的正常状态下的图像数据进行比对，得到比对结果；
所述发送模块(304)，用于基于所述比对结果，若确定所述运行状态异常，则进行运行状态异常警报。
9.一种电子设备，其特征在于，包括处理器(401)、存储器(405)、用户接口(403)以及网络接口(404)，所述存储器(405)用于存储指令，所述用户接口(403)和所述网络接口(404)均用于与其他设备通信，所述处理器(401)用于执行所述存储器(405)中存储的指令，以使所述电子设备执行如权利要求1-7任意一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有指令，当所述指令被执行时，执行如权利要求1-7任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310988121.0A CN117037059A (zh) | 2023-08-07 | 2023-08-07 | 基于巡检监控的设备管理方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310988121.0A CN117037059A (zh) | 2023-08-07 | 2023-08-07 | 基于巡检监控的设备管理方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117037059A true CN117037059A (zh) | 2023-11-10 |
Family
ID=88639655
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310988121.0A Pending CN117037059A (zh) | 2023-08-07 | 2023-08-07 | 基于巡检监控的设备管理方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117037059A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117390566A (zh) * | 2023-11-27 | 2024-01-12 | 广州汇通国信科技有限公司 | 一种基于卷积神经网络算法的智慧电厂异常检测方法 |
-
2023
- 2023-08-07 CN CN202310988121.0A patent/CN117037059A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117390566A (zh) * | 2023-11-27 | 2024-01-12 | 广州汇通国信科技有限公司 | 一种基于卷积神经网络算法的智慧电厂异常检测方法 |
| CN117390566B (zh) * | 2023-11-27 | 2024-03-29 | 广州汇通国信科技有限公司 | 一种基于卷积神经网络算法的智慧电厂异常检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110400387A (zh) | 一种基于变电站的联合巡检方法、***和存储介质 | |
| CN104123519B (zh) | 一种采用二维码进行电子产品自动检测的***和方法 | |
| CN108124132A (zh) | 一种安全监控方法和装置 | |
| CN113225387B (zh) | 机房可视化监控方法及*** | |
| CN111292327B (zh) | 机房巡检方法、装置、设备及存储介质 | |
| CN117037059A (zh) | 基于巡检监控的设备管理方法、装置及电子设备 | |
| CN111951258A (zh) | 一种基于边缘计算的货架缺货预警分析***及方法 | |
| CN112560816A (zh) | 一种基于YOLOv4的设备指示灯识别方法及*** | |
| CN102879404B (zh) | 工业结构化场景中医用胶囊缺陷自动检测的*** | |
| CN113724478A (zh) | 基于边缘计算的智能安检*** | |
| CN110796754A (zh) | 一种基于图像处理技术的机房巡检方法 | |
| CN110853287A (zh) | 一种基于物联网分布式架构的火焰实时监控***及方法 | |
| CN113269039A (zh) | 一种在岗人员行为识别方法和*** | |
| CN115145788A (zh) | 一种针对智能运维***的检测数据生成方法和装置 | |
| CN109101398A (zh) | Aoi线体监控方法及*** | |
| CN113094325B (zh) | 设备部署方法、装置、计算机***和计算机可读存储介质 | |
| KR20220004606A (ko) | 신호등 식별 방법, 장치, 기기, 저장 매체 및 컴퓨터 프로그램 | |
| CN114222163A (zh) | 一种营业厅智能视频分析*** | |
| CN116737483B (zh) | 一种装配测试交互方法、装置、设备及存储介质 | |
| CN111723767B (zh) | 一种图像处理方法、装置及计算机存储介质 | |
| CN110751055A (zh) | 一种智能制造*** | |
| CN111696095A (zh) | 用于检测物体表面缺陷的方法及装置 | |
| CN116489336A (zh) | 基于虚拟制片的设备监测方法、装置、设备、介质及产品 | |
| CN113916899B (zh) | 基于视觉识别的大输液软袋产品的检测方法、***及装置 | |
| US11320809B2 (en) | Factory management system and control system |
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 |