一种基于深度学习的机柜布置图绘制方法技术

本发明专利技术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。本发明专利技术包括如下步骤：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服务器进行接受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。本发明专利技术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。效率。效率。

【技术实现步骤摘要】
一种基于深度学习的机柜布置图绘制方法


[0001]本专利技术属于应用通信机房运维
，特别是涉及一种基于深度学习的机柜布置图绘制方法。

技术介绍

[0002]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。

技术实现思路

[0003]本专利技术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。
[0004]为解决上述技术问题，本专利技术是通过以下技术方案实现的：
[0005]本专利技术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：
[0006]步骤S1：视频监本文档来自技高网...

【技术保护点】

【技术特征摘要】
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服务器进行接受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。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。4.根据权利要求3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。5.根据权利要求3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。6.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，采用涅斯捷罗夫梯度加速法...

【专利技术属性】
技术研发人员：贾真，刘佳斌，马艳龙，邓志翔，曹宇，王军，岳静波，宋奇，
申请(专利权)人：中国电信集团系统集成有限责任公司，
类型：发明
国别省市：