一种基于低成本红外热视技术的机柜内小动物入侵检测方法及系统技术方案

本发明专利技术涉及一种基于低成本红外热视技术的机柜内小动物入侵检测方法及系统，在机房机柜的多个位置部署红外热成像传感器，用以采集红外热数据，并将红外热数据传输至上位机，然后所述上位机将采集到的红外热数据直接输入深度学习检测网络模型，采用目标检测算法识别出是否存在小动物；若有小动物入侵，则上位机控制驱赶装置动作，对入侵的小动物进行驱赶。本发明专利技术无需将热力数据转化为图像数据，并且直接深度提取低分辨率的热力数据，所能达到的效果远远超越高分辨率的模块。

An Intrusion Detection Method and System for Small Animals in Cabinet Based on Low Cost Infrared Thermovision Technology

The present invention relates to an intrusion detection method and system for small animals in cabinet based on low-cost infrared thermal vision technology. Infrared thermal imaging sensors are deployed at multiple locations of cabinet in cabinet to collect infrared thermal data and transmit infrared thermal data to host computer. The host computer then inputs the collected infrared thermal data directly into the depth learning detection network model and adopts the target. Detection algorithm identifies whether there are small animals; if there are small animals invading, the host computer controls the action of the driving device to drive the invading small animals away. The invention does not need to convert thermal data into image data, and directly extracts low-resolution thermal data in depth. The effect can be far beyond the high-resolution module.

【技术实现步骤摘要】
一种基于低成本红外热视技术的机柜内小动物入侵检测方法及系统
本专利技术涉及监控
，特别是一种基于低成本红外热视技术的机柜内小动物入侵检测方法及系统。
技术介绍
随着社会经济的快速发展，企业的信息化建设也在逐渐深入，IDC（InternetDataCenter，互联网数据中心）机房的数量和规模也在不断扩大，机房机柜以及服务器的数量也不断增加，故机房的运行、维护和管理的工作也随之增加。机房由于机柜等设备数量较多，分布较为密集，且机柜内经常有蛇鼠小动物入侵而难以被发现，小动物可能会咬断机房电缆、光纤等，会对机房的正常运行造成不良的后果，引发严重的事故。虽然目前部分机房已经部署老鼠夹、老鼠板等防小动物设备，且工作管理人员也会定期对机房机柜进行全面的排查，但这样将耗费大量的时间以及人力，且这种检查方式效率低下并且不能及时发现小动物入侵，常常是在已经引发事故后才开始排查问题，造成不必要的损失。当下的机房运行管理需要一种智能的、实时的机柜内小动物入侵检测系统，而红外热视技术作为当下兴起的一种技术，将其运用到机房机柜动物入侵检测上来，是一种很有效的手段。但是市面上常用的红外热视仪一般原理都是拍摄机柜内部的红外图像数据，根据视觉图像数据来判断是否有动物入侵，这种方式对拍摄的图像要求较高，模块成本也较高。另一种常用的方法是使用红外测温原理，根据采集的温度数据形成热力图像，来判断动物入侵情况，而这种情况的测温模块一都是单点测温，无法同时对一个面的温度数据进行采集，这样部署起来的成本是巨大的。同时这种测温技术仅仅在小动物存在活动的情况下才能检测出来，若动物入侵后有一段时间没有存在运动，则模块无法检测到入侵的动物是否已经离开，这对机房的安全有效管理将造成巨大的问题。
技术实现思路
有鉴于此，本专利技术的目的是提出一种基于低成本红外热视技术的机柜内小动物入侵检测方法及系统，无需将热力数据转化为图像数据，并且直接深度提取低分辨率的热力数据，所能达到的效果远远超越高分辨率的模块。本专利技术采用以下方案实现：一种基于低成本红外热视技术的机柜内小动物入侵检测方法，具体包括以下步骤：步骤S1：在机房机柜的多个位置部署红外热成像传感器，用以采集红外热数据，并将红外热数据传输至上位机；步骤S2：所述上位机将采集到的红外热数据直接输入深度学习检测网络模型，采用目标检测算法识别出是否存在小动物；步骤S3：若有小动物入侵，则上位机控制驱赶装置动作，对入侵的小动物进行驱赶。进一步地，步骤S1中，所述红外热数据为二维平面的温度分布数据，并且所述红外热数据以点阵的形式传输至上位机。进一步地，步骤S2具体为：步骤S21：将红外热数据以点阵的形式输入训练好的深度学习检测网络模型中；步骤S22：所述训练好的深度学习检测网络模型获取有小动物存在的点阵区域，并且经分类网络，判断入侵小动物的种类。进一步地，所述深度学习检测网络模型包括基础网络、区域提议网络、FastR-CNN检测网络；其中基础网络选用ZFNet，实现对采集的温度数据高纬度深层的特征提取，生成温度特征数据；区域提议网络在基础网络的特征基础上继续使用3*3卷积生成尺寸与深度都一致的特征向量，通过并行的两个1*1卷积操作计算是否含有目标的置信度和相应的提议位置区域坐标，生成提议区域；所述FastR-CNN检测网络根据区域提议网络所生成的提议区域，在每个提议区域上进行感兴趣区域池化操作，然后通过并行的两组全连接层计算目标种类的置信度和目标位置坐标。进一步地，所述分类网络采用深度残差网络ResNet，包括49层卷积层，除了第一层是7*7卷积外，其余皆为1*1卷积和3*3卷积，特殊功能单元为残差单元，最后一层为Softmax分类层，训练时采用的损失函数是SoftmaxLoss。进一步地，所述驱赶装置包括超声波发生器、电磁波发生器以及报警系统。进一步地，步骤S3具体为：若有小动物入侵，上位机根据识别出的具体的动物类型产生相应的电磁波以及超声波来对其进行驱赶。本专利技术还提供了一种基于上文所述的基于低成本红外热视技术的机柜内小动物入侵检测方法的系统，包括红外热成像系统、无线传输模块、上位机、以及驱赶装置；所述红外热成像系统用以采集机房机柜的红外热数据，所述驱赶装置用以根据上位机的指令进行驱赶动作；所述上位机内设置有深度学习检测网络模型以及分类网络，用以将采集到的红外热数据直接输入深度学习检测网络模型，采用目标检测算法识别出是否存在小动物，并且通过分类网络识别出小动物的类型，并控制所述驱赶装置进行相应的驱赶动作。进一步地，所述红外热成像系统包括一个以上的部署在机房机柜中的低分辨率红外热视模块。进一步地，所述驱赶装置包括超声波发生器、电磁波发生器以及报警系统。与现有技术相比，本专利技术有以下有益效果：1、本专利技术采用了低分辨率红外热模块，大大降低了部署的成本。2、本专利技术基于机器学习算法对热成像进行分析处理，不仅识别出小动物入侵，同时还能识别具体何种动物，其中在动物识别上面，引入卷积神经网络目标检测算法，无需将采集温度数据生成图像，直接将温度数据经深度学习网络训练，检测动物入侵。3、本专利技术设置联动报警装置以及驱赶装置，针对不同的动物，驱赶装置会产生特定的电磁波和超声波，无需人为驱赶动物。附图说明图1为本专利技术实施例的系统原理示意图。图2为本专利技术实施例的FasterR-CNN网络结构图。图3为本专利技术实施例的分类网络的流程图。图4为本专利技术实施例的硬件结构图。图5为本专利技术实施例的安装位置示意图。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。如图1所示，本实施例提供了一种基于低成本红外热视技术的机柜内小动物入侵检测方法，具体包括以下步骤：步骤S1：在机房机柜的多个位置部署红外热成像传感器，用以采集红外热数据，并将红外热数据传输至上位机；步骤S2：所述上位机将采集到的红外热数据直接输入深度学习检测网络模型，采用目标检测算法识别出是否存在小动物；步骤S3：若有小动物入侵，则上位机控制驱赶装置动作，对入侵的小动物进行驱赶。在本实施例中，步骤S1中，所述红外热数据为二维平面的温度分布数据，并且所述红外热数据以点阵的形式传输至上位机。在本实施例中，步骤S2具体为：步骤S21：将红外热数据以点阵的形式输入训练好的深度学习检测网络模型中；步骤S22：所述训练好的深度学习检测网络模型获取有小动物存在的点阵区域，并且经分类网络，判断入侵小动物的种类。在本实施例中，所述深度学习检测网络模型包括基础网络、区域提议网络、FastR-CNN检测网络；其中基础网络选用ZFNet，实现对采集的温度数据高纬度深层的特征提取，生成温度特征数据；区域提议网络在基础网络的特征基础上继续使用3*3卷积生成尺寸与深度本文档来自技高网...

【技术保护点】
1.一种基于低成本红外热视技术的机柜内小动物入侵检测方法，其特征在于：包括以下步骤：步骤S1：在机房机柜的多个位置部署红外热成像传感器，用以采集红外热数据，并将红外热数据传输至上位机；步骤S2：所述上位机将采集到的红外热数据直接输入深度学习检测网络模型，采用目标检测算法识别出是否存在小动物；步骤S3：若有小动物入侵，则上位机控制驱赶装置动作，对入侵的小动物进行驱赶。

【技术特征摘要】
1.一种基于低成本红外热视技术的机柜内小动物入侵检测方法，其特征在于：包括以下步骤：步骤S1：在机房机柜的多个位置部署红外热成像传感器，用以采集红外热数据，并将红外热数据传输至上位机；步骤S2：所述上位机将采集到的红外热数据直接输入深度学习检测网络模型，采用目标检测算法识别出是否存在小动物；步骤S3：若有小动物入侵，则上位机控制驱赶装置动作，对入侵的小动物进行驱赶。2.根据权利要求1所述的一种基于低成本红外热视技术的机柜内小动物入侵检测方法，其特征在于：步骤S1中，所述红外热数据为二维平面的温度分布数据，并且所述红外热数据以点阵的形式传输至上位机。3.根据权利要求1所述的一种基于低成本红外热视技术的机柜内小动物入侵检测方法，其特征在于：步骤S2具体为：步骤S21：将红外热数据以点阵的形式输入训练好的深度学习检测网络模型中；步骤S22：所述训练好的深度学习检测网络模型获取有小动物存在的点阵区域，并且经分类网络，判断入侵小动物的种类。4.根据权利要求3所述的一种基于低成本红外热视技术的机柜内小动物入侵检测方法，其特征在于：所述深度学习检测网络模型包括基础网络、区域提议网络、FastR-CNN检测网络；其中基础网络选用ZFNet，实现对采集的温度数据高纬度深层的特征提取，生成温度特征数据；区域提议网络在基础网络的特征基础上继续使用3*3卷积生成尺寸与深度都一致的特征向量，通过并行的两个1*1卷积操作计算是否含有目标的置信度和相应的提议位置区域坐标，生成提议区域；所述FastR-CNN检测网络根据区域提议网络所生成的提议区域，在每个提议区域上进行感兴趣区域池化操作，然后通过并行的两组全连接层计算目标种类的置信度和目标位置坐...

【专利技术属性】
技术研发人员：江灏，范建威，缪希仁，陈静，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35