CN117437382A - 一种数据中心部件的更新方法及*** - Google Patents

一种数据中心部件的更新方法及*** Download PDF

Info

Publication number
CN117437382A
CN117437382A CN202311746995.1A CN202311746995A CN117437382A CN 117437382 A CN117437382 A CN 117437382A CN 202311746995 A CN202311746995 A CN 202311746995A CN 117437382 A CN117437382 A CN 117437382A
Authority
CN
China
Prior art keywords
pulse
data
identification
component
information
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.)
Granted
Application number
CN202311746995.1A
Other languages
English (en)
Other versions
CN117437382B (zh
Inventor
张定坤
刘昊
闵云川
罗飞
朱欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Cetc Xingtuo Technology Co ltd
Original Assignee
Chengdu Cetc Xingtuo Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Cetc Xingtuo Technology Co ltd filed Critical Chengdu Cetc Xingtuo Technology Co ltd
Priority to CN202311746995.1A priority Critical patent/CN117437382B/zh
Publication of CN117437382A publication Critical patent/CN117437382A/zh
Application granted granted Critical
Publication of CN117437382B publication Critical patent/CN117437382B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Library & Information Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种数据中心部件的更新方法及***，该方法包括构建数据中心部件的标注数据集；训练脉冲神经网络；部署的脉冲神经网络进行识别；部件更换执行子***更换数据中心部件。本发明实现了标识灯的定位识别和标识灯对应的数据中心部件更换交替执行，将标识灯对应的数据中心部件更换过程提前；减少了标识灯识别过程中的计算开销。

Description

一种数据中心部件的更新方法及***
技术领域
本发明涉及智能部件更换技术领域，特别是一种数据中心部件的更新方法及***。
背景技术
随着智能时代的发展，数据中心对于能源的需求逐步提高，为了进一步降低成本，数据中心多建立在电力资源丰富的发电厂周围，通过远程控制***实现数据中心部件的更换；数据中心部件为可拆卸的计算模块。
现有数据中心部件更换***功能实现成本高昂，智能化方法对于边缘算力要求高。现有方法多采用激光雷达定位标识灯，图片识别检测标识灯获取部件的状态信息，在完成定位和识别后，更换标识灯对应部件；由于标识灯的定位识别过程和标识灯对应数据中心部件的更换过程不能交替执行，导致数据中心部件更换过程滞后。
由于识别标识灯方法采用卷积神经网络，而且卷积神经网络内部采用大量的浮点数计算，卷积神经网络的网络结构会逐渐复杂，从而导致标识灯的定位和识别的计算规模迅速扩大。
发明内容
鉴于此，本发明提供一种数据中心部件的更新方法及***。
本发明公开了一种数据中心部件的更新方法，其包括：
步骤1：构建数据中心部件的标注数据集：标注采集的原始图片的标识灯状态信息并构建标注数据集，通过图像增强扩充标注数据集；
步骤2：训练脉冲神经网络：构建脉冲神经网络的神经元、输入层、隐藏层、输出层后结合分层聚类改进脉冲神经网络，在训练过程中更新脉冲神经网络的稀疏度和调整超参数后，部署脉冲神经网络；
步骤3：部署的脉冲神经网络进行识别：部署的脉冲神经网络根据输入的实时图片判断标识灯的状态信息，将坐标信息和时间信息组成的结构体数据作为输出并更新部件标识数据库；
步骤4：部件更换执行子***更换数据中心部件：在完成部件标识数据库的坐标信息的排列后，读取坐标信息中的坐标信息，构建粒子群算法，结合更新出发点寻找最优路径，完成数据中心部件的更换。
进一步地，所述步骤1包括：
步骤11：采集原始图片：通过图像采集模块采集部件标识灯的原始图片，原始图片包括采集更换过程中标识灯被顶部更换模块遮挡的图片；
步骤12：提取原始图片中标识灯图片并为其标注状态：
步骤13：构建标注数据集：分割标注框内的标识灯图片，以得到单个标识灯的图片；将该标注框对应的标识灯状态作为该单个标识灯图片标注的标签；对于步骤12中的所有标识灯图片，重复执行步骤13，以得到所需的标注数据集；
步骤14：图像增强扩充标注数据集：对标注数据集中的图片进行亮度、对比度以及角度调整，并进行随机的裁剪和拼接，最后统一图片的尺寸。
进一步地，所述步骤12包括：
通过标注框标注图片中绿色标识灯信息，且标注框中绿色区域覆盖标注框中心坐标点和绿色区域占标注框总面积的五分之一至三分之一，标注为正常状态，标注框为框选标识灯特征的矩形；
通过标注框标注图片中红色标识灯信息，且标注框中红色区域覆盖标注框中心坐标点和红色区域占标注框总面积的五分之一至三分之一，标注为故障状态；
通过标注框标注图片中黄色标识灯信息，且标注框中黄色区域覆盖标注框中心坐标点和黄色区域占标注框总面积的五分之一至三分之一，标注为空缺状态；
通过标注框标注图片中蓝色标识灯信息，且标注框中蓝色区域覆盖标注框中心坐标点和蓝色区域占标注框总面积的五分之一至三分之一，标注为维护状态。
进一步地，在所述步骤2中，构建脉冲神经网络的神经元包括：
若接收到兴奋脉冲，则神经元当前值加上兴奋脉冲数量；
若接收到抑制脉冲，则神经元当前值减去抑制脉冲的总数量，总数量减到零为止；若一个短时间间隔内接收到兴奋脉冲和抑制脉冲，则先接收到的脉冲信号有效；
若一个长时间间隔内未接收到脉冲信号，则按照接收到一个抑制脉冲处理；
若脉冲数量总和大于神经元的阈值，则脉冲神经元发送脉冲，一个短时间间隔内，脉冲神经元对输入脉冲无反应；
用加减法运算代替卷积神经网络中的浮点数计算。
进一步地，在所述步骤2中，构建输入层、隐藏层和输出层包括：
构建输入层的方法为：
输入层的神经元数量取决于图像的像素分辨率，同时标识灯图片为RGB彩色图片；RGB具有3个通道，每个通道具有与标识灯图片像素的宽度和高度的乘积相同的神经元数量；
在图像脉冲生成模块中完成泊松神经编码，首先预设一个时间步的时间，在每一个时间步中，3个颜色通道的像素产生脉冲的概率和像素值呈现比例关系，产生的脉冲数量符合泊松分布的规律，通过3个颜色通道脉冲编码叠加得到整个图片的脉冲数据，叠加表示3个颜色通道的脉冲数据同时输入；
构建隐藏层的方法为：
隐藏层的层数为三层，隐藏层脉冲神经元数量可调整，调整的方法为：实时监测隐藏层神经元激活情况并在训练过程中调整神经元数量，在神经元激活较少的情况下减少隐藏层神经元数量，在神经元激活较多的情况下增加隐藏层神经元数量；
初始隐藏层神经元数量等于输入层和输出层神经元数量的平均值；
构建输出层的方法为：
输出层存在4个神经元，分别代表正常状态、故障状态、空缺状态和维护状态；4个神经元分别输出4种标识灯的分类结果；
输入层、隐藏层和隐藏层之间通过突触连接，突触表示神经元之间的连接权重。
进一步地，在所述步骤2中，分层聚类改进脉冲神经网络包括：
计算两个特征向量的欧式距离，特征向量为3个颜色通道的脉冲数据的时间间隔；
采用分层聚类，将具有相同的标识灯特征作为聚类簇，聚类簇表示相似时间间隔的脉冲数据的集合，脉冲数据由单个标识灯图片生成；
将代表不同标识灯特征的聚类簇进行标注，聚类簇标注和状态信息一致，标签和手工标注一致，分为正常状态、空缺状态、故障状态和维护状态；在数据样本过大时，聚类簇标注可部分代替标注，然后重新排列脉冲数据，相同标签的脉冲数据放置在一起；
脉冲神经网络在进行特征对比时，优先对比同一标签下标识灯特征，以便于脉冲神经网络更快地学习不同分类情况下输入到输出的映射关系。
进一步地，在所述步骤2中，更新脉冲神经网络的稀疏度包括：
将突触状态描述为存活和消亡，根据脉冲神经网络梯度的变化调整稀疏度，将稀疏度作为优化参数导入脉冲神经网络反复训练；其中，存活表示突触的权重对脉冲神经网络产生影响，消亡表示突触的权重对脉冲神经网络没有影响；稀疏度是存活的突触数占总突触数目的比值；
调整超参数包括：
调整脉冲神经网络的超参数，每次调参网络参数后，重新调整模型的稀疏度；超参数包括三层隐藏层对应的神经元数目和突触权重；
部署脉冲神经网络包括：
选取最优模型参数部署在边缘计算平台上，并将其作为部署的脉冲神经网络，运行部署的脉冲神经网络以识别标识灯的状态信息；最优模型在准确率最高的模型基础上，调整脉冲神经网络的稀疏度；稀疏度的取值为脉冲神经网络模型准确率下降预设比例以内的稀疏度最小值。
进一步地，所述步骤3包括：
步骤31：输入实时图片，以部件更换执行子***的位置为基准，在距离部件标识灯固定位置时，才拍摄标识灯图片，图片只截取纵向轴线附近区域，纵向轴线附近区域的宽度与实时图片宽度相同，长度为实时图片长度的十分之一，且位于实时图片的中心位置；
根据标识灯之间的位置比例，横向分割标识灯图片的纵向轴线附近区域并将其作为单个标识灯图片；位置比例为标识灯位于固定的空间位置所存在的位置比例关系；
单个标识灯图片由图像脉冲生成模块生成图像脉冲数据和对应的名称索引，名称索引作为图像脉冲数据文件的命名，将图像脉冲数据传送到脉冲神经网络子***；读取坐标生成模块的坐标信息、***执行的时间信息、图像脉冲数据对应的名称索引并发送到部件标识数据库数据；
步骤32：部署的脉冲神经网络识别：识别分割后的单个标识灯图片，并将其和部署的脉冲神经网络的内部标识灯特征对比，判断标识灯的状态信息；
步骤33：输出结构体数据：以名称索引作为索引信息，增加部署的脉冲神经网络识别的标识灯状态信息、坐标信息和时间信息组成结构体数据并将其作为输出；
步骤34：更新部件标识数据库：将结构体数据传输到部件标识数据库中，更新部件标识数据库的方法为：
调整索引信息，以坐标信息为索引信息检索，若存在相同坐标信息，则只更新名称索引、状态信息和时间信息，并将原有数据删除；
以坐标信息为索引检索，若不存在相同坐标信息，将结构体数据作为新建数据存储到部件标识数据库。
进一步地，所述步骤4包括：
步骤41：读取部件标识数据库：将坐标信息作为索引信息，对数据进行坐标排序；排序方法为对坐标信息对应二维坐标的两个值的和进行增序排列；
部件更换执行子***实时提取部件标识数据库中的数据，在维护成功后，更新标识灯的状态信息；维护失败，则更新结构体数据中状态信息至故障状态；
步骤42：读取二维坐标信息：提取坐标信息中二维坐标信息，结合实地场景构建栅格地图；
步骤43：更新出发点：读取部件更换执行子***的坐标信息，并将其与栅格网络中的坐标信息对比，判断部件更换执行子***在栅格地图中的位置；
步骤44：构建粒子群算法寻找最优路径：
步骤45：执行数据中心部件更换：到达未识别的坐标位置处，调整顶部更换模块高度更换数据中心部件，判断是否处于合适更换高度的方法为：
若空缺状态处于图像采集模块中前方摄像头的中心位置，更新当前高度作为零点高度，根据标识灯和部件的相对位置进一步自动调整顶部更换模块；
若空缺状态位置不处于图像采集模块中前方摄像头的中心位置，计算移动距离，调整顶部更换模块。
进一步地，所述步骤44包括：
初始化多个模拟粒子，模拟粒子表示部件更换执行子***的二维坐标，优先生成出发点附近点坐标代表的粒子；
更新模拟粒子的速度和位置，进行坐标约束；坐标约束为不能通过实地场景中的障碍物部分；
记录模拟粒子的路径，路径为模拟粒子经过多个坐标形成的序列，只保留空缺状态和故障状态部件的路径信息；
以时间最小作为约束，反复迭代局部的模拟粒子，寻找途经所有处于空缺状态和故障状态对应坐标和未识别坐标的时间最短路径；
在执行路径过程中经过未识别坐标且未识别坐标对应的状态信息为空缺状态和故障状态，重新进行粒子群算法寻找时间最短路径；
在时间最短路径的基础上，按优先级选择转换为最优路径；最优路径为在满足优先级选择的情况下同时满足时间约束；其中，时间约束表示最优路径的执行时间小于时间最短路径的执行时间的两倍；优先级选择为：当存在空缺状态和故障状态时，优先执行标识灯对应的数据中心部件更换过程，当不存在空缺状态和故障状态时，优先执行标识灯的定位识别过程以调整路径。
本发明还公开了一种数据中心部件的更新***，用于实现上述任一项所述的数据中心部件的更新方法，其包括图像和坐标采集子***、数据生成子***、脉冲神经网络子***、部件标识子***和部件更换执行子***；图像和坐标采集子***包括图像采集模块和坐标采集模块，数据生成子***包括图像脉冲生成模块和坐标生成模块，脉冲神经网络子***包括脉冲神经网络模块和标注数据集，部件标识子***包括部件标识数据库，部件更换执行子***包括底盘运动模块和顶部更换模块；
图像采集模块为拍摄标识灯的摄像头，坐标采集模块为提取坐标的传感器，图像采集模块用于将摄像头拍摄的标识灯图片传输到图像脉冲生成模块，坐标采集模块将数据直接发送到坐标生成模块；
图像脉冲生成模块用于采用泊松编码生成图像脉冲数据和对应的名称索引，将图像脉冲数据传送到脉冲神经网络子***；名称索引作为图像脉冲数据文件的命名；数据生成子***用于将坐标生成模块的坐标信息、***执行的时间信息、图像脉冲数据对应的名称索引发送到部件标识数据库；坐标生成模块通过坐标采集模块的坐标提取传感器生成底盘运动模块的坐标信息；
脉冲神经网络模块用于接收图像脉冲生成模块发送的图像脉冲数据和对应的名称索引，以及接收坐标生成模块发送的的坐标信息；标注数据集用于存储图像脉冲数据以及对应的名称索引和标注；名称索引为生成图像脉冲数据时***产生的区分索引，标注为手工备注标识灯的标签，标签包括正常状态、空缺状态、故障状态和维护状态；
部件标识数据库存储数据中心部件各个状态标识灯信息；标识灯信息包括名称索引、状态信息、坐标信息和时间信息，坐标信息为部件更换执行子***所在的二维坐标，时间信息为部件更换执行子***内部的时间，每个坐标信息和时间信息与唯一的脉冲数据的名称索引对应；
部件更换执行子***读取部件标识子***的部件标识数据库，控制底盘运动模块到达故障状态对应的位置，通过顶部更换模块更换数据中心部件。
进一步地，所述底盘运动模块沿地面固定轨迹行走，图像采集模块和标识灯的距离保持不变，标识灯和部件的相对位置保持不变；顶部更换模块配有部件检测装置，部件检测装置为取下部件后，测试部件的电气和信号属性的装置；其中，相对位置为真实空间中标识灯和部件的几何位置的相对关系。
由于采用了上述技术方案，本发明具有如下的优点：
1、实现标识灯的定位识别和标识灯对应数据中心部件更换交替执行，将标识灯对应数据中心部件更换过程提前。
2、通过脉冲神经网络实现标识灯识别，减少标识灯识别过程中的计算开销。
3、减少数据中心部件更换执行子***的执行时间，实现数据中心部件的快速更换。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中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实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例的数据中心部件更换***的示意图；
图2为本发明实施例的智能更换数据中心部件方法的流程图；
图3为本发明实施例的构建标注数据集的方法的流程图；
图4为本发明实施例的训练脉冲神经网络方法的流程图；
图5为本发明实施例的脉冲神经网络结构的示意图；
图6为本发明实施例部署的脉冲神经网络输出判定方法的流程图；
图7为本发明实施例部件更换执行子***运行方法的流程图。
具体实施方式
结合附图和实施例对本发明作进一步说明，所描述的实施例仅是本发明实施例一部分实施例，而不是全部的实施例。本领域普通技术人员所获得的所有其他实施例，都应当属于本发明实施例保护的范围。
参见图2，本发明提供了一种数据中心部件的更新方法的实施例，其包括以下步骤：
S1、构建数据中心部件的标注数据集：标注采集的原始图片的标识灯状态信息并构建标注数据集，通过图像增强扩充标注数据集；包括采集原始图片、提取标识灯状态信息图片并标注、构建标注数据集、图像增强扩充标注数据集；
S2、训练脉冲神经网络：构建脉冲神经网络的神经元、输入层、隐藏层、输出层后结合分层聚类改进脉冲神经网络，在训练过程中更新脉冲神经网络的稀疏度和调整超参数后，部署脉冲神经网络；包括构建脉冲神经元、构建输入层、隐藏层和输出层、分层聚类改进脉冲神经网络、更新脉冲神经网络的稀疏度、调整超参数、部署脉冲神经网络；
S3、部署的脉冲神经网络进行识别：部署的脉冲神经网络根据输入的实时图片判断标识灯的状态信息，和坐标信息和时间信息组成结构体数据作为输出并更新部件标识数据库；包括输入实时图片、部署的脉冲神经网络识别、输出结构体数据、更新部件标识数据库；
S4、部件更换执行子***更换数据中心部件：在完成部件标识数据库的坐标信息完成增序排列后，读取坐标信息中的二维坐标信息，构建粒子群算法结合更新出发点寻找最优路径，完成数据中心部件的更换；包括读取部件标识数据库、读取二维坐标信息、更新出发点、构建粒子群算法寻找最优路径、执行数据中心部件更换；
如图3所示，本发明的构建标注数据集的方法，包括以下步骤：
S101、采集原始图片：通过图像采集模块采集部件标识灯的原始图片，原始图片包括采集更换过程中标识灯被顶部更换模块遮挡的图片；
S102、提取标识灯状态信息图片并标注：为判定为有效的原始图片提取标识等状态信息图片，并根据状态分别标注，标注的具体方法为：
通过标注框标注图片中绿色标识灯信息，且标注框中绿色区域覆盖标注框中心坐标点和绿色区域占标注框总面积的五分之一至三分之一，标注为正常状态，标注框为框选标识灯特征的矩形；
通过标注框标注图片中红色标识灯信息，且标注框中红色区域覆盖标注框中心坐标点和红色区域占标注框总面积的五分之一至三分之一，标注为故障状态；
通过标注框标注图片中黄色标识灯信息，且标注框中黄色区域覆盖标注框中心坐标点和黄色区域占标注框总面积的五分之一至三分之一，标注为空缺状态；
通过标注框标注图片中蓝色标识灯信息，且标注框中蓝色区域覆盖标注框中心坐标点和蓝色区域占标注框总面积的五分之一至三分之一，标注为维护状态；
S103、构建标注数据集：直接根据标注框分割原始图片为单个标识灯的图片，将每个标注框对应的标识灯状态信息作为单个标识灯图片的标注的标签；
图片数据包括弱光、强光情况的标识灯图片，其中弱光情况下标识灯图片数量占总图片数量的比例不少于30%，强光情况下标识灯图片数量占总图片数量的比例不少于20%；
S104、图像增强扩充标注数据集：图片调整亮度、对比度、角度，并进行随机的裁剪和拼接，统一图片的尺寸；
如图4所示，本发明的训练脉冲神经网络方法，包括以下步骤：
S201、构建脉冲神经网络的神经元：构建神经元的方法为：
若接收到的兴奋脉冲，神经元当前值加上兴奋脉冲数量；
若接收到的抑制脉冲，神经元当前值减去抑制脉冲的总数量，总数量减到零为止；若一个短时间间隔内同时接收到的兴奋脉冲和抑制脉冲，则先接收到脉冲信号有效；
若一个长时间间隔内未接收到脉冲信号，按接收到一个抑制脉冲处理；
若脉冲数量总和大于神经元的阈值，则脉冲神经元发送脉冲，一个短时间间隔内，脉冲神经元对输入脉冲无反应；
用加减法运算代替卷积神经网络中的浮点数计算；
如图5所示，本发明的脉冲神经网络结构的示意图，具体的结构为：
S202、构建输入层、隐藏层、输出层：脉冲神经网络的网络结构包括了输入层、隐藏层、输出层以及各层之间的突触连接；
构建输入层的方法为：
输入层的神经元数量取决于图像的像素分辨率，同时标识灯图片为RGB彩色图片；RGB具有3个通道，每个通道需要和图片像素的宽度和高度的乘积相同的神经元数量，总的神经元数量为3倍的标识灯图片像素的宽度和高度的乘积；
在图像脉冲生成模块中完成泊松神经编码，首先预设一个时间步的时间，在每一个时间步中，3个颜色通道的像素的产生脉冲的概率和像素值呈现比例关系，产生的脉冲数量符合泊松分布的规律，通过3个颜色通道脉冲编码叠加得到整个图片的脉冲数据，叠加表示3个颜色通道的脉冲数据同时输入；
构建隐藏层的方法为：
隐藏层的层数为三层，隐藏层脉冲神经元数量可以调整，调整的方法为实时监测隐藏层神经元激活情况并在训练过程中调整神经元数量，在神经元激活较少的情况下减少隐藏层神经元数量，在神经元激活较多的情况下增加隐藏层神经元数量；
初始隐藏层神经元数量等于输入层和输出层神经元数量的平均值；
构建输出层的方法为：
输出层存在4个神经元，分别代表正常状态、故障状态、空缺状态、维护状态；4个神经元分别输出4种标识灯的分类结果；
输入层、隐藏层和隐藏层之间通过突触连接，突触表示神经元之间的连接权重；
S203、分层聚类改进脉冲神经网络：改进的方法为：
计算特征向量之间的距离，计算两个特征向量的欧式距离，特征向量为3个颜色通道的脉冲数据的时间间隔；
采用分层聚类，将具有相同标识灯特征作为聚类簇，聚类簇表示相似时间间隔的脉冲数据的集合，脉冲数据由单个标识灯图片生成；
将代表不同标识灯特征的聚类簇进行标注，聚类簇标注和状态信息一致，标签和手工标注一致，分为正常状态、空缺状态、故障状态、维护状态，在数据样本过大时，根据聚类簇标注可以部分代替标注，然后重新排列脉冲数据，相同标签的脉冲数据放置在一起；
脉冲神经网络在进行特征对比时，优先对比同一标签下标识灯特征，脉冲神经网络可以更快地学习不同分类情况下输入到输出的映射关系；
S204、更新脉冲神经网络的稀疏度：将突触状态描述为存活和消亡，存活表示突触的权重对脉冲神经网络产生影响，消亡表示突触的权重对脉冲神经网络没有影响，根据脉冲神经网络的训练过程中梯度的变化调整稀疏度，稀疏度是存活的突触数占总突触数目的比值，将稀疏度作为优化参数导入脉冲神经网络反复训练；
S205、调整超参数：调整脉冲神经网络的超参数，包括三层隐藏层对应神经元数目和突触权重；每次调参网络参数后，需要重新调整模型的稀疏度；
S206、模型部署：选取最优模型参数部署在边缘计算平台上作为部署的脉冲神经网络，运行部署的脉冲神经网络识别标识灯的状态信息，最优模型指在准确率最高的模型基础上调整脉冲神经网络的稀疏度，稀疏度的取值为脉冲神经网络模型准确率下降3%以内的稀疏度的最小值；
如图6所示，本发明的部署的脉冲神经网络输出判定方法，包括以下步骤：
S301、输入实时图片，以部件更换执行子***的位置为基准，在距离部件标识灯固定位置时才执行拍摄标识灯图片过程，图片只截取纵向轴线附近区域，纵向轴线附近区域的宽度与实时图片宽度相同，长度为实时图片长度的十分之一，且位于实时图片的中心位置；
根据标识灯之间的位置比例横向分割标识灯图片的纵向轴线附近区域为单个标识灯图片，位置比例为标识灯位于固定的空间位置所存在的位置的比例关系；
单个标识灯图片由图像脉冲生成模块生成图像脉冲数据和对应的名称索引，名称索引作为图像脉冲数据文件的命名，将图像脉冲数据传送到脉冲神经网络子***；读取坐标生成模块的坐标信息、***执行的时间信息、图像脉冲数据对应名称索引发送到部件标识数据库数据；
S302、部署的脉冲神经网络识别：识别分割后的单个标识灯图片，和部署的脉冲神经网络的内部标识灯特征对比，判断标识灯的状态信息；
S303、输出结构体数据：以名称索引作为索引信息，增加部署的脉冲神经网络识别的标识灯状态信息、坐标信息和时间信息组成结构体数据作为输出；
S304、更新部件标识数据库：将结构体数据传输到部件标识数据库中，更新方法为：
调整索引信息，以坐标信息为索引信息检索，若存在相同坐标信息，则只更新名称索引、状态信息和时间信息，并将原有数据删除；
以坐标信息为索引检索，若不存在相同坐标信息，将结构体数据作为新建数据存储到部件标识数据库；
如图7所示，本发明部件更换执行子***运行方法，包括以下步骤：
S401、读取部件标识数据库：将坐标信息作为索引信息，对数据进行坐标排序，排序方法为对坐标信息对应二维坐标的两个值的和进行增序排列；
部件更换执行子***实时提取部件标识数据库中数据，在维护成功后，更新标识灯的状态信息，若维护失败，更新结构体数据中状态信息至故障状态；部件标识数据库的存储和删除可以并行执行，可以实现***的识别过程和更换过程交替执行；
S402、读取二维坐标信息：将坐标信息中二维坐标信息提取出来，结合实地场景构建栅格地图，以二维矩阵的形式存储；实地场景为真实物理空间中物体之间的关系，主要包括可以行走部分和障碍物部分；
S403、更新出发点：读取部件更换执行子***的坐标信息，和栅格网络中的坐标信息对比，判断部件更换执行子***在栅格地图中的位置；
S404、构建粒子群算法寻找最优路径：构建方法为：
初始化多个模拟粒子，模拟粒子表示部件更换执行子***的二维坐标，优先生成出发点附近点坐标代表的粒子；
更新模拟粒子的速度和位置，进行坐标约束；坐标约束为不能通过实地场景中的障碍物部分；
记录模拟粒子的路径，路径为模拟粒子经过多个坐标形成的序列，只保留空缺状态和故障状态部件的路径信息；
以时间最小作为约束，反复迭代局部的模拟粒子，寻找途经所有处于空缺状态和故障状态对应坐标和未识别坐标的时间最短路径；
在执行路径过程中经过未识别坐标且未识别坐标对应的状态信息为空缺状态和故障状态，重新进行粒子群算法寻找时间最短路径；
在时间最短路径的基础上，按优先级选择转换为最优路径；最优路径为在满足优先级选择的情况下同时满足时间约束，时间约束表示最优路径的执行时间小于时间最短路径的执行时间的两倍；
优先级选择指若存在空缺状态和故障状态时，优先执行标识灯对应数据中心部件更换过程，若不存在空缺状态和故障状态时，优先执行标识灯的定位识别过程，以调整路径；
S405、执行数据中心部件更换：到达未识别的坐标位置处，调整顶部更换模块高度更换数据中心部件，判断是否处于合适更换高度的方法为：
若空缺状态处于图像采集模块中前方摄像头的中心位置，更新当前高度作为零点高度，根据标识灯和部件的相对位置进一步自动调整顶部更换模块；
若空缺状态位置不处于图像采集模块中前方摄像头的中心位置，计算移动距离，调整顶部更换模块。
参见图1，本发明提供了一种数据中心部件的更新***的实施例，用于实现数据中心部件的更新方法，其包括图像和坐标采集子***、数据生成子***、脉冲神经网络子***、部件标识子***、部件更换执行子***；
图像和坐标采集子***包括图像采集模块和坐标采集模块，数据生成子***包括图像脉冲生成模块和坐标生成模块，脉冲神经网络子***包括脉冲神经网络模块和标注数据集，部件标识子***包括部件标识数据库，部件更换执行子***包括底盘运动模块和顶部更换模块；
图像采集模块为拍摄标识灯的摄像头，坐标采集模块为提取坐标的传感器，图像采集模块将摄像头拍摄标识灯图片传输到图像脉冲生成模块，坐标采集模块将数据直接发送到坐标生成模块；坐标生成模块通过坐标采集模块的坐标提取传感器生成底盘运动模块的坐标信息；
数据生成子***的图像脉冲生成模块采用泊松编码生成图像脉冲数据和对应的名称索引，将图像脉冲数据传送到脉冲神经网络子***；数据生成子***将坐标生成模块的坐标信息、***执行的时间信息、图像脉冲数据对应名称索引发送到部件标识数据库；***执行的时间信息中的时间信息为部件更换执行子***内部的时间，包括年、月、日、时、分、秒、时区信息以及工作时长信息，每个坐标信息和时间信息与唯一的脉冲数据的名称索引对应；名称索引作为图像脉冲数据文件的命名，名称索引为生成图像脉冲数据时***产生的区分索引；
脉冲神经网络子***的脉冲神经网络模块接收图像脉冲数据，脉冲神经网络模块是执行脉冲神经网络的网络结构的模块，标注数据集存储图像脉冲数据、对应的名称索引和标注，标注指手工备注标识灯的标签，标签包括正常状态、空缺状态、故障状态和维护状态；脉冲神经网络通过脉冲的加减运算代替浮点数计算，脉冲用0和1表示，模拟生物神经元机制。
部件标识子***的部件标识数据库存储数据中心部件各个状态标识灯信息，标识灯信息包括名称索引、状态信息、位置信息和时间信息，坐标信息由部件更换执行子***所在的二维坐标；
部件更换执行子***读取部件标识子***的部件标识数据库，控制底盘运动模块到达状态信息为故障状态对应的位置信息的二维坐标，通过顶部更换模块更换数据中心部件；
底盘运动模块沿地面固定轨迹行走，图像采集模块和标识灯的距离保持不变，标识灯和部件的相对位置保持不变，相对位置为真实空间中标识灯和部件的几何位置的相对关系，顶部更换模块配有部件检测装置，部件检测装置为取下部件后测试部件的电气和信号属性的装置。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (12)

1.一种数据中心部件的更新方法，其特征在于，包括：
步骤1：构建数据中心部件的标注数据集：标注采集的原始图片的标识灯状态信息并构建标注数据集，通过图像增强扩充标注数据集；
步骤2：训练脉冲神经网络：构建脉冲神经网络的神经元、输入层、隐藏层、输出层后结合分层聚类改进脉冲神经网络，在训练过程中更新脉冲神经网络的稀疏度和调整超参数后，部署脉冲神经网络；
步骤3：部署的脉冲神经网络进行识别：部署的脉冲神经网络根据输入的实时图片判断标识灯的状态信息，将坐标信息和时间信息组成的结构体数据作为输出并更新部件标识数据库；
步骤4：部件更换执行子***更换数据中心部件：在完成部件标识数据库的坐标信息的排列后，读取坐标信息中的坐标信息，构建粒子群算法，结合更新出发点寻找最优路径，完成数据中心部件的更换。
2.根据权利要求1所述的数据中心部件的更新方法，其特征在于，所述步骤1包括：
步骤11：采集原始图片：通过图像采集模块采集部件标识灯的原始图片，原始图片包括采集更换过程中标识灯被顶部更换模块遮挡的图片；
步骤12：提取原始图片中标识灯图片并为其标注状态：
步骤13：构建标注数据集：分割标注框内的标识灯图片，以得到单个标识灯的图片；将该标注框对应的标识灯状态作为该单个标识灯图片标注的标签；对于步骤12中的所有标识灯图片，重复执行步骤13，以得到所需的标注数据集；
步骤14：图像增强扩充标注数据集：对标注数据集中的图片进行亮度、对比度以及角度调整，并进行随机的裁剪和拼接，最后统一图片的尺寸。
3.根据权利要求2所述的数据中心部件的更新方法，其特征在于，所述步骤12包括：
通过标注框标注图片中绿色标识灯信息，且标注框中绿色区域覆盖标注框中心坐标点和绿色区域占标注框总面积的五分之一至三分之一，标注为正常状态，标注框为框选标识灯特征的矩形；
通过标注框标注图片中红色标识灯信息，且标注框中红色区域覆盖标注框中心坐标点和红色区域占标注框总面积的五分之一至三分之一，标注为故障状态；
通过标注框标注图片中黄色标识灯信息，且标注框中黄色区域覆盖标注框中心坐标点和黄色区域占标注框总面积的五分之一至三分之一，标注为空缺状态；
通过标注框标注图片中蓝色标识灯信息，且标注框中蓝色区域覆盖标注框中心坐标点和蓝色区域占标注框总面积的五分之一至三分之一，标注为维护状态。
4.根据权利要求1所述的数据中心部件的更新方法，其特征在于，在所述步骤2中，构建脉冲神经网络的神经元包括：
若接收到兴奋脉冲，则神经元当前值加上兴奋脉冲数量；
若接收到抑制脉冲，则神经元当前值减去抑制脉冲的总数量，总数量减到零为止；若一个短时间间隔内接收到兴奋脉冲和抑制脉冲，则先接收到的脉冲信号有效；
若一个长时间间隔内未接收到脉冲信号，则按照接收到一个抑制脉冲处理；
若脉冲数量总和大于神经元的阈值，则脉冲神经元发送脉冲，一个短时间间隔内，脉冲神经元对输入脉冲无反应；
用加减法运算代替卷积神经网络中的浮点数计算。
5.根据权利要求4所述的数据中心部件的更新方法，其特征在于，在所述步骤2中，构建输入层、隐藏层和输出层包括：
构建输入层的方法为：
输入层的神经元数量取决于图像的像素分辨率，同时标识灯图片为RGB彩色图片；RGB具有3个通道，每个通道具有与标识灯图片像素的宽度和高度的乘积相同的神经元数量；
在图像脉冲生成模块中完成泊松神经编码，首先预设一个时间步的时间，在每一个时间步中，3个颜色通道的像素产生脉冲的概率和像素值呈现比例关系，产生的脉冲数量符合泊松分布的规律，通过3个颜色通道脉冲编码叠加得到整个图片的脉冲数据，叠加表示3个颜色通道的脉冲数据同时输入；
构建隐藏层的方法为：
隐藏层的层数为三层，隐藏层脉冲神经元数量可调整，调整的方法为：实时监测隐藏层神经元激活情况并在训练过程中调整神经元数量，在神经元激活较少的情况下减少隐藏层神经元数量，在神经元激活较多的情况下增加隐藏层神经元数量；
初始隐藏层神经元数量等于输入层和输出层神经元数量的平均值；
构建输出层的方法为：
输出层存在4个神经元，分别代表正常状态、故障状态、空缺状态和维护状态；4个神经元分别输出4种标识灯的分类结果；
输入层、隐藏层和隐藏层之间通过突触连接，突触表示神经元之间的连接权重。
6.根据权利要求5所述的数据中心部件的更新方法，其特征在于，在所述步骤2中，分层聚类改进脉冲神经网络包括：
计算两个特征向量的欧式距离，特征向量为3个颜色通道的脉冲数据的时间间隔；
采用分层聚类，将具有相同的标识灯特征作为聚类簇，聚类簇表示相似时间间隔的脉冲数据的集合，脉冲数据由单个标识灯图片生成；
将代表不同标识灯特征的聚类簇进行标注，聚类簇标注和状态信息一致，标签和手工标注一致，分为正常状态、空缺状态、故障状态和维护状态；在数据样本过大时，聚类簇标注可部分代替标注，然后重新排列脉冲数据，相同标签的脉冲数据放置在一起；
脉冲神经网络在进行特征对比时，优先对比同一标签下标识灯特征，以便于脉冲神经网络更快地学习不同分类情况下输入到输出的映射关系。
7.根据权利要求6所述的数据中心部件的更新方法，其特征在于，在所述步骤2中，更新脉冲神经网络的稀疏度包括：
将突触状态描述为存活和消亡，根据脉冲神经网络梯度的变化调整稀疏度，将稀疏度作为优化参数导入脉冲神经网络反复训练；其中，存活表示突触的权重对脉冲神经网络产生影响，消亡表示突触的权重对脉冲神经网络没有影响；稀疏度是存活的突触数占总突触数目的比值；
调整超参数包括：
调整脉冲神经网络的超参数，每次调参网络参数后，重新调整模型的稀疏度；超参数包括三层隐藏层对应的神经元数目和突触权重；
部署脉冲神经网络包括：
选取最优模型参数部署在边缘计算平台上，并将其作为部署的脉冲神经网络，运行部署的脉冲神经网络以识别标识灯的状态信息；最优模型在准确率最高的模型基础上，调整脉冲神经网络的稀疏度；稀疏度的取值为脉冲神经网络模型准确率下降预设比例以内的稀疏度最小值。
8.根据权利要求1所述的数据中心部件的更新方法，其特征在于，所述步骤3包括：
步骤31：输入实时图片，以部件更换执行子***的位置为基准，在距离部件标识灯固定位置时，才拍摄标识灯图片，图片只截取纵向轴线附近区域，纵向轴线附近区域的宽度与实时图片宽度相同，长度为实时图片长度的十分之一，且位于实时图片的中心位置；
根据标识灯之间的位置比例，横向分割标识灯图片的纵向轴线附近区域并将其作为单个标识灯图片；位置比例为标识灯位于固定的空间位置所存在的位置比例关系；
单个标识灯图片由图像脉冲生成模块生成图像脉冲数据和对应的名称索引，名称索引作为图像脉冲数据文件的命名，将图像脉冲数据传送到脉冲神经网络子***；读取坐标生成模块的坐标信息、***执行的时间信息、图像脉冲数据对应的名称索引并发送到部件标识数据库数据；
步骤32：部署的脉冲神经网络识别：识别分割后的单个标识灯图片，并将其和部署的脉冲神经网络的内部标识灯特征对比，判断标识灯的状态信息；
步骤33：输出结构体数据：以名称索引作为索引信息，增加部署的脉冲神经网络识别的标识灯状态信息、坐标信息和时间信息组成结构体数据并将其作为输出；
步骤34：更新部件标识数据库：将结构体数据传输到部件标识数据库中，更新部件标识数据库的方法为：
调整索引信息，以坐标信息为索引信息检索，若存在相同坐标信息，则只更新名称索引、状态信息和时间信息，并将原有数据删除；
以坐标信息为索引检索，若不存在相同坐标信息，将结构体数据作为新建数据存储到部件标识数据库。
9.根据权利要求1所述的数据中心部件的更新方法，其特征在于，所述步骤4包括：
步骤41：读取部件标识数据库：将坐标信息作为索引信息，对数据进行坐标排序；排序方法为对坐标信息对应二维坐标的两个值的和进行增序排列；
部件更换执行子***实时提取部件标识数据库中的数据，在维护成功后，更新标识灯的状态信息；维护失败，则更新结构体数据中状态信息至故障状态；
步骤42：读取二维坐标信息：提取坐标信息中二维坐标信息，结合实地场景构建栅格地图；
步骤43：更新出发点：读取部件更换执行子***的坐标信息，并将其与栅格网络中的坐标信息对比，判断部件更换执行子***在栅格地图中的位置；
步骤44：构建粒子群算法寻找最优路径：
步骤45：执行数据中心部件更换：到达未识别的坐标位置处，调整顶部更换模块高度更换数据中心部件，判断是否处于合适更换高度的方法为：
若空缺状态处于图像采集模块中前方摄像头的中心位置，更新当前高度作为零点高度，根据标识灯和部件的相对位置进一步自动调整顶部更换模块；
若空缺状态位置不处于图像采集模块中前方摄像头的中心位置，计算移动距离，调整顶部更换模块。
10.根据权利要求9所述的数据中心部件的更新方法，其特征在于，所述步骤44包括：
初始化多个模拟粒子，模拟粒子表示部件更换执行子***的二维坐标，优先生成出发点附近点坐标代表的粒子；
更新模拟粒子的速度和位置，进行坐标约束；坐标约束为不能通过实地场景中的障碍物部分；
记录模拟粒子的路径，路径为模拟粒子经过多个坐标形成的序列，只保留空缺状态和故障状态部件的路径信息；
以时间最小作为约束，反复迭代局部的模拟粒子，寻找途经所有处于空缺状态和故障状态对应坐标和未识别坐标的时间最短路径；
在执行路径过程中经过未识别坐标且未识别坐标对应的状态信息为空缺状态和故障状态，重新进行粒子群算法寻找时间最短路径；
在时间最短路径的基础上，按优先级选择转换为最优路径；最优路径为在满足优先级选择的情况下同时满足时间约束；其中，时间约束表示最优路径的执行时间小于时间最短路径的执行时间的两倍；优先级选择为：当存在空缺状态和故障状态时，优先执行标识灯对应的数据中心部件更换过程，当不存在空缺状态和故障状态时，优先执行标识灯的定位识别过程以调整路径。
11.一种数据中心部件的更新***，用于实现权利要求1-10任一项所述的数据中心部件的更新方法，其特征在于，包括图像和坐标采集子***、数据生成子***、脉冲神经网络子***、部件标识子***和部件更换执行子***；图像和坐标采集子***包括图像采集模块和坐标采集模块，数据生成子***包括图像脉冲生成模块和坐标生成模块，脉冲神经网络子***包括脉冲神经网络模块和标注数据集，部件标识子***包括部件标识数据库，部件更换执行子***包括底盘运动模块和顶部更换模块；
图像采集模块为拍摄标识灯的摄像头，坐标采集模块为提取坐标的传感器，图像采集模块用于将摄像头拍摄的标识灯图片传输到图像脉冲生成模块，坐标采集模块将数据直接发送到坐标生成模块；
图像脉冲生成模块用于采用泊松编码生成图像脉冲数据和对应的名称索引，将图像脉冲数据传送到脉冲神经网络子***；名称索引作为图像脉冲数据文件的命名；数据生成子***用于将坐标生成模块的坐标信息、***执行的时间信息、图像脉冲数据对应的名称索引发送到部件标识数据库；坐标生成模块通过坐标采集模块的坐标提取传感器生成底盘运动模块的坐标信息；
脉冲神经网络模块用于接收图像脉冲生成模块发送的图像脉冲数据和对应的名称索引，以及接收坐标生成模块发送的的坐标信息；标注数据集用于存储图像脉冲数据以及对应的名称索引和标注；名称索引为生成图像脉冲数据时***产生的区分索引，标注为手工备注标识灯的标签，标签包括正常状态、空缺状态、故障状态和维护状态；
部件标识数据库存储数据中心部件各个状态标识灯信息；标识灯信息包括名称索引、状态信息、坐标信息和时间信息，坐标信息为部件更换执行子***所在的二维坐标，时间信息为部件更换执行子***内部的时间，每个坐标信息和时间信息与唯一的脉冲数据的名称索引对应；
部件更换执行子***读取部件标识子***的部件标识数据库，控制底盘运动模块到达故障状态对应的位置，通过顶部更换模块更换数据中心部件。
12.根据权利要求11所述的数据中心部件的更新***，其特征在于，所述底盘运动模块沿地面固定轨迹行走，图像采集模块和标识灯的距离保持不变，标识灯和部件的相对位置保持不变；顶部更换模块配有部件检测装置，部件检测装置为取下部件后，测试部件的电气和信号属性的装置；其中，相对位置为真实空间中标识灯和部件的几何位置的相对关系。
CN202311746995.1A 2023-12-19 2023-12-19 一种数据中心部件的更新方法及*** Active CN117437382B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311746995.1A CN117437382B (zh) 2023-12-19 2023-12-19 一种数据中心部件的更新方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311746995.1A CN117437382B (zh) 2023-12-19 2023-12-19 一种数据中心部件的更新方法及***

Publications (2)

Publication Number Publication Date
CN117437382A true CN117437382A (zh) 2024-01-23
CN117437382B CN117437382B (zh) 2024-03-19

Family

ID=89546530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311746995.1A Active CN117437382B (zh) 2023-12-19 2023-12-19 一种数据中心部件的更新方法及***

Country Status (1)

Country Link
CN (1) CN117437382B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117764996A (zh) * 2024-02-22 2024-03-26 珠海电科星拓科技有限公司 一种智能sot封装芯片引脚缺陷检测的方法

Citations (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090287624A1 (en) * 2005-12-23 2009-11-19 Societe De Commercialisation De Produits De La Recherche Applique-Socpra-Sciences Et Genie S.E.C. Spatio-temporal pattern recognition using a spiking neural network and processing thereof on a portable and/or distributed computer
CN102750532A (zh) * 2012-06-06 2012-10-24 西安电子科技大学 基于部件的目标检测方法
CN106599108A (zh) * 2016-11-30 2017-04-26 浙江大学 一种三维环境中多模态环境地图构建方法
CN107065876A (zh) * 2017-04-28 2017-08-18 西北工业大学 基于改进粒子群优化的移动机器人路径规划方法
CN109906165A (zh) * 2016-08-10 2019-06-18 兹沃公司 使用推断的注意力模型经由收集和存储的元数据提供信息的方法和设备
CN111240319A (zh) * 2019-12-31 2020-06-05 南京理工大学 室外多机器人协同作业***及其方法
CN112055636A (zh) * 2018-01-24 2020-12-08 米沃奇电动工具公司 包括机器学习块的电动工具
CN112734012A (zh) * 2021-01-07 2021-04-30 北京灵汐科技有限公司 脉冲神经网络训练方法、数据处理方法、电子设备和介质
CN112784976A (zh) * 2021-01-15 2021-05-11 中山大学 一种基于脉冲神经网络的图像识别***及方法
CN112967359A (zh) * 2021-03-30 2021-06-15 深圳市优必选科技股份有限公司 数据标注方法、装置、终端设备及存储介质
CN113483747A (zh) * 2021-06-25 2021-10-08 武汉科技大学 基于具有墙角信息的语义地图改进amcl定位方法及机器人
CN113920486A (zh) * 2021-09-24 2022-01-11 阿波罗智联(北京)科技有限公司 交通灯的标注方法、装置、电子设备及路侧计算设备
CN114115197A (zh) * 2021-11-24 2022-03-01 浙大城市学院 燃气轮机状态维修决策***、方法以及存储介质
CN114390755A (zh) * 2021-12-28 2022-04-22 江门市千彩智能科技有限公司 正反贴灯的带触摸开关的遥控控制***及控制盒
CN114964261A (zh) * 2022-05-20 2022-08-30 江南大学 基于改进蚁群算法的移动机器人路径规划方法
CN115034773A (zh) * 2021-03-07 2022-09-09 智慧式有限公司 一种无人自主经营餐厅***与智能终端应用
CN115359394A (zh) * 2022-08-17 2022-11-18 杭州菩公英科技有限公司 一种基于多模态融合的识别方法及其应用
WO2022257329A1 (zh) * 2021-06-08 2022-12-15 浙江大学 一种基于脉冲神经网络的脑机接口解码方法
CN115687911A (zh) * 2022-06-13 2023-02-03 北京融合未来技术有限公司 基于脉冲信号的信号灯检测方法、装置和***
CN116150676A (zh) * 2023-04-19 2023-05-23 山东能源数智云科技有限公司 基于人工智能的设备故障诊断与识别方法及装置
WO2023087863A1 (zh) * 2021-11-19 2023-05-25 江苏科技大学 一种面向物料传输平台的运动学建模策略与路径规划方法
CN116256184A (zh) * 2023-01-19 2023-06-13 国能铁路装备有限责任公司 一种铁路货车健康状态的评价方法、装置、设备及介质
CN116301048A (zh) * 2023-03-27 2023-06-23 太原市徒普斯网络科技有限公司 无人机路径规划方法、***、电子设备以及存储介质
CN116720551A (zh) * 2023-08-02 2023-09-08 苏州浪潮智能科技有限公司 脉冲神经网络的卷积加速方法及卷积加速器
CN116796207A (zh) * 2023-06-29 2023-09-22 东南大学 一种基于脉冲神经网络的自组织映射聚类方法
CN116805391A (zh) * 2023-02-05 2023-09-26 西北工业大学 一种基于脉冲神经网络的航行器视觉目标感知与定位方法
WO2023178737A1 (zh) * 2022-03-24 2023-09-28 中国科学院深圳先进技术研究院 一种基于脉冲神经网络的数据增强方法及装置
US20230305572A1 (en) * 2021-12-29 2023-09-28 China University Of Mining And Technology Method for drivable area detection and autonomous obstacle avoidance of unmanned haulage equipment in deep confined spaces
CN116881832A (zh) * 2023-09-07 2023-10-13 山东能源数智云科技有限公司 旋转机械设备故障诊断模型的构建方法及装置
US20230339112A1 (en) * 2023-03-17 2023-10-26 University Of Electronic Science And Technology Of China Method for robot assisted multi-view 3d scanning measurement based on path planning
CN117215312A (zh) * 2023-10-16 2023-12-12 安徽农业大学 一种基于改进灰狼优化算法的移动机器人路径规划方法

Patent Citations (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090287624A1 (en) * 2005-12-23 2009-11-19 Societe De Commercialisation De Produits De La Recherche Applique-Socpra-Sciences Et Genie S.E.C. Spatio-temporal pattern recognition using a spiking neural network and processing thereof on a portable and/or distributed computer
CN102750532A (zh) * 2012-06-06 2012-10-24 西安电子科技大学 基于部件的目标检测方法
CN109906165A (zh) * 2016-08-10 2019-06-18 兹沃公司 使用推断的注意力模型经由收集和存储的元数据提供信息的方法和设备
CN106599108A (zh) * 2016-11-30 2017-04-26 浙江大学 一种三维环境中多模态环境地图构建方法
CN107065876A (zh) * 2017-04-28 2017-08-18 西北工业大学 基于改进粒子群优化的移动机器人路径规划方法
CN112055636A (zh) * 2018-01-24 2020-12-08 米沃奇电动工具公司 包括机器学习块的电动工具
CN111240319A (zh) * 2019-12-31 2020-06-05 南京理工大学 室外多机器人协同作业***及其方法
CN112734012A (zh) * 2021-01-07 2021-04-30 北京灵汐科技有限公司 脉冲神经网络训练方法、数据处理方法、电子设备和介质
CN112784976A (zh) * 2021-01-15 2021-05-11 中山大学 一种基于脉冲神经网络的图像识别***及方法
CN115034773A (zh) * 2021-03-07 2022-09-09 智慧式有限公司 一种无人自主经营餐厅***与智能终端应用
CN112967359A (zh) * 2021-03-30 2021-06-15 深圳市优必选科技股份有限公司 数据标注方法、装置、终端设备及存储介质
WO2022257329A1 (zh) * 2021-06-08 2022-12-15 浙江大学 一种基于脉冲神经网络的脑机接口解码方法
CN113483747A (zh) * 2021-06-25 2021-10-08 武汉科技大学 基于具有墙角信息的语义地图改进amcl定位方法及机器人
CN113920486A (zh) * 2021-09-24 2022-01-11 阿波罗智联(北京)科技有限公司 交通灯的标注方法、装置、电子设备及路侧计算设备
WO2023087863A1 (zh) * 2021-11-19 2023-05-25 江苏科技大学 一种面向物料传输平台的运动学建模策略与路径规划方法
CN114115197A (zh) * 2021-11-24 2022-03-01 浙大城市学院 燃气轮机状态维修决策***、方法以及存储介质
CN114390755A (zh) * 2021-12-28 2022-04-22 江门市千彩智能科技有限公司 正反贴灯的带触摸开关的遥控控制***及控制盒
US20230305572A1 (en) * 2021-12-29 2023-09-28 China University Of Mining And Technology Method for drivable area detection and autonomous obstacle avoidance of unmanned haulage equipment in deep confined spaces
WO2023178737A1 (zh) * 2022-03-24 2023-09-28 中国科学院深圳先进技术研究院 一种基于脉冲神经网络的数据增强方法及装置
CN114964261A (zh) * 2022-05-20 2022-08-30 江南大学 基于改进蚁群算法的移动机器人路径规划方法
CN115687911A (zh) * 2022-06-13 2023-02-03 北京融合未来技术有限公司 基于脉冲信号的信号灯检测方法、装置和***
CN115359394A (zh) * 2022-08-17 2022-11-18 杭州菩公英科技有限公司 一种基于多模态融合的识别方法及其应用
CN116256184A (zh) * 2023-01-19 2023-06-13 国能铁路装备有限责任公司 一种铁路货车健康状态的评价方法、装置、设备及介质
CN116805391A (zh) * 2023-02-05 2023-09-26 西北工业大学 一种基于脉冲神经网络的航行器视觉目标感知与定位方法
US20230339112A1 (en) * 2023-03-17 2023-10-26 University Of Electronic Science And Technology Of China Method for robot assisted multi-view 3d scanning measurement based on path planning
CN116301048A (zh) * 2023-03-27 2023-06-23 太原市徒普斯网络科技有限公司 无人机路径规划方法、***、电子设备以及存储介质
CN116150676A (zh) * 2023-04-19 2023-05-23 山东能源数智云科技有限公司 基于人工智能的设备故障诊断与识别方法及装置
CN116796207A (zh) * 2023-06-29 2023-09-22 东南大学 一种基于脉冲神经网络的自组织映射聚类方法
CN116720551A (zh) * 2023-08-02 2023-09-08 苏州浪潮智能科技有限公司 脉冲神经网络的卷积加速方法及卷积加速器
CN116881832A (zh) * 2023-09-07 2023-10-13 山东能源数智云科技有限公司 旋转机械设备故障诊断模型的构建方法及装置
CN117215312A (zh) * 2023-10-16 2023-12-12 安徽农业大学 一种基于改进灰狼优化算法的移动机器人路径规划方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
FAKUN WANG等: ""A two-dimensional mid-infrared optoelectronic retina enabling simultaneous perception and encoding"", 《NATURE COMMUNICATIONS》, 6 April 2023 (2023-04-06), pages 1 - 13 *
RUBEN CARINO-ESCOBAR等: ""Spiking Neural Networks Trained with Particle Swarm Optimization for Motor Imagery Classification"", 《ADVANCES IN SWARM INTELLIGENCE》, 15 June 2016 (2016-06-15), pages 245 - 252 *
刘伯威等: ""基于麻雀算法优化粒子群算法的机器人路径规划"", 《中北大学学报（自然科学版）》, vol. 44, no. 4, 30 June 2023 (2023-06-30), pages 374 - 380 *
杨志淳等: ""周期及路径综合优化的配电设备巡检策略"", 《高电压技术》, vol. 46, no. 4, 30 April 2020 (2020-04-30), pages 1424 - 1433 *
贺德强等: ""列车转向架关键部件预防性维修决策优化模型"", 《计算机集成制造***》, vol. 24, no. 5, 31 May 2018 (2018-05-31), pages 1155 - 1161 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117764996A (zh) * 2024-02-22 2024-03-26 珠海电科星拓科技有限公司 一种智能sot封装芯片引脚缺陷检测的方法
CN117764996B (zh) * 2024-02-22 2024-05-24 珠海电科星拓科技有限公司 一种智能sot封装芯片引脚缺陷检测的方法

Also Published As

Publication number Publication date
CN117437382B (zh) 2024-03-19

Similar Documents

Publication Publication Date Title
CN108416307B (zh) 一种航拍图像路面裂缝检测方法、装置及设备
CN109829399B (zh) 一种基于深度学习的车载道路场景点云自动分类方法
CN110929578B (zh) 一种基于注意力机制的抗遮挡行人检测方法
CN110188635B (zh) 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法
CN110298387A (zh) 融入像素级attention机制的深度神经网络目标检测方法
CN110135354B (zh) 一种基于实景三维模型的变化检测方法
CN117437382B (zh) 一种数据中心部件的更新方法及***
CN113160062B (zh) 一种红外图像目标检测方法、装置、设备及存储介质
CN104992223A (zh) 基于深度学习的密集人数估计方法
CN109583483A (zh) 一种基于卷积神经网络的目标检测方法和***
CN113449594A (zh) 一种多层网络组合的遥感影像地类语义分割与面积计算方法
CN110222767A (zh) 基于嵌套神经网络和栅格地图的三维点云分类方法
CN114792372A (zh) 一种基于多头两级注意力的三维点云语义分割方法及***
CN111738164B (zh) 一种基于深度学习的行人检测方法
CN115861619A (zh) 一种递归残差双注意力核点卷积网络的机载LiDAR城市点云语义分割方法与***
CN116385958A (zh) 一种用于电网巡检和监控的边缘智能检测方法
CN115619719A (zh) 一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法
CN116740516A (zh) 基于多尺度融合特征提取的目标检测方法及***
Wang et al. Based on the improved YOLOV3 small target detection algorithm
CN113657414A (zh) 一种物体识别方法
CN117542082A (zh) 一种基于YOLOv7的行人检测方法
CN115063684A (zh) 一种基于遥感影像场景划分的农机轨迹识别方法及其应用方法
CN114694019A (zh) 基于异常检测的遥感影像建筑物迁移提取方法
CN114067360A (zh) 一种行人属性检测方法及装置
CN113298163A (zh) 一种基于LiDAR点云数据的目标识别监测方法

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
GR01 Patent grant
GR01 Patent grant