【技术实现步骤摘要】
一种基于深度学习的数据中心机房配电柜检测方法
[0001]本专利技术涉及配电柜检测
，尤其是一种基于深度学习的数据中心机房配电柜检测方法。
技术介绍
[0002]近年来，随着数据中心规模的持续增长，各数据中心科技部门的运维压力与日俱增。在机房的建设与维护中，巡检的问题不可忽视。当前的机房配电柜检测方法主要有两种，一种是人工巡检，一种是通过监控摄像头获取视频图像，并使用图像处理算法进行检测。
[0003]在以往的人工巡检中，大多是运维人员肉眼观察，存在着费时耗力、有巡检盲区和滞后等缺点，这些问题都给机房整体造成了巨大的安全隐患，更为严重的是会影响到整个数据中心系统的安全和稳定。而利用图像处理算法检测大多是使用传统图像处理算法，这种方式虽然相比人工巡检更加智能化，数字化，但是通常只能处理较简单的场景，完成较单一的任务。
[0004]随着数据中心的发展，机房的巡检内容越来越丰富，场景越来越复杂。如何更高效，更快速，更精准地完成巡检任务，是当前设计巡检算法急需解决的问题。
技术实现思路
[0005]本专利技术的目的在于提供一种基于深度学习的数据中心机房配电柜检测方法。
[0006]为实现上述目的，本专利技术采用了以下技术方案：一种基于深度学习的数据中心机房配电柜检测方法，该方法包括下列顺序的步骤：
[0007](1)数据采集：对机房现场设备进行拍照收集样本形成数据集，分为目标检测数据集和实例分割数据集，并将每份数据集按6:2:2的比例划分为训练集、验证集和测试集；>[0008](2)使用标注软件Labelme对数据集中机房需要检测的部件进行目标检测标签标注，得到经过标注的目标检测数据集，对MaskRCNN网络模型所需的仪表盘指针数据进行标注，得到经过标注的实例分割数据集；
[0009](3)搭建Yolov5网络模型，采用经过标注的目标检测数据集对Yolov5网络模型进行训练，得到训练好的Yolov5网络模型；搭建MaskRCNN网络模型，采用经过标注的实例分割数据集对MaskRCNN网络模型进行训练，得到训练好的MaskRCNN网络模型；
[0010](4)将待检测图像输入到训练好的Yolov5网络模型中，获取检测结果，若检测结果中包含仪表盘则进入下一步，否则进入步骤(9)；
[0011](5)获取检测到的仪表盘图像，并使用训练好的MaskRCNN网络模型进行检测，得到带有mask信息的仪表盘指针图像；
[0012](6)采用并行迭代细化算法对仪表盘指针图像进行图像细化；
[0013](7)采用Canny边缘检测算法对细化后的仪表盘指针图像进行边缘检测；
[0014](8)使用霍夫变换对经过边缘检测后的图像进行直线检测，来确定图像中仪表盘
指针的具体位置，根据仪表盘指针倾斜角度对比确定仪表盘读数；
[0015](9)将步骤(4)检测结果中的指示灯检测结果与配电柜正常情况下指示灯信息进行模板匹配，判断是否出现异常情况，若出现异常情况则进行报警；将步骤(8)中获取的仪表盘读数与设定的发出警报的最大值和最小值进行对比，若超过最大值和/或小于最小值进行报警。
[0016]在步骤(3)中，所述Yolov5网络模型的骨架网络采用CSPNet的结构，Yolov5网络模型的损失函数采用三种loss加权平均的方法：
[0017][0018]其中，λ1，λ2，λ3均为平衡系数，是分类损失，为网络置信度损失，为网络预测框的定位损失，同时针对不同预测特征层的采取不同权重：
[0019][0020]式中，表示预测小目标物体的损失，其权重超参数是4.0，表示预测中等目标物体的损失，其权重超参数是1.0，表示预测大目标物体的损失，其权重超参数是0.4。
[0021]在步骤(3)中，所述MaskRCNN网络模型的损失函数为：
[0022][0023]其中，是分类损失，为回归损失，是预测像素点mask的损失，其公式如下：
[0024]的公式如下：
[0025][0026]其中，1
k
表示当第k个通道对应目标的真实类别时为1，否则为0；y表示当前位置的mask的label值，为0或1；x为当前位置的输出值，sigmoid(x)表示输出x经过sigmoid函数变换后的结果；m表示输入的特征图边长的像素数。
[0027]在步骤(7)中，所述Canny边缘检测算法具体包括以下步骤：
[0028](7a)使用高斯滤波器平滑图像，滤除噪声；
[0029](7b)计算图像中每个像素点的梯度强度和方向；
[0030](7c)应用非极大值抑制，消除边缘检测带来的杂散响应；
[0031](7d)应用双阈值检测来确定真实的和潜在的边缘；
[0032](7e)通过抑制孤立的弱边缘最终完成边缘检测。
[0033]在步骤(8)中，所述霍夫变换具体包括以下步骤：
[0034](8a)进行二值化，将图像转化为灰度图；
[0035](8b)映射到霍夫空间，将参数空间从直角坐标系：y＝k*x+b，转化到极坐标系：ρ＝x*cosθ+y*sinθ；其中，k表示直角坐标系中直线的斜率，b表示截距；ρ表示极坐标系下点的极径，θ为点的极角；
[0036](8c)取局部极大值，设定阈值，过滤干扰直线；
[0037](8d)绘制直线、标定角点。
[0038]由上述技术方案可知，本专利技术的有益效果为：第一，本专利技术的成本更低，相对于传统人工运维，基于本专利技术研究成果的无人巡检、少人值守解决方案可大大降低数据中心运维成本；第二，本专利技术可处理复杂业务识别，传统的基于摄像头可见光的远程监控技术路线，只能识别指示灯，无法对指示灯等复杂业务要素进行有效识别，相比传统算法，本专利技术针对设备指示灯与仪器仪表，基于Yolov5的检测算法有更为精准的定位与识别效果，基于MaskRCNN的分割算法有更好的指针提取效果，相比单任务算法，本专利技术能有效进行设备分类、定位及指针分割。
附图说明
[0039]图1为本专利技术的方法流程图；
[0040]图2为本专利技术中YOLOV5网络的结构示意图；
[0041]图3为本专利技术中MaskRCNN网络的结构示意图；
[0042]图4为图像处理算法流程图；
[0043]图5为3x3像素点示意图。
具体实施方式
[0044]如图1所示，一种基于深度学习的数据中心机房配电柜检测方法，该方法包括下列顺序的步骤：
[0045](1)数据采集：对机房现场设备进行拍照收集样本形成数据集，分为目标检测数据集和实例分割数据集，并将每份数据集按6:2:2的比例划分为训练集、验证集和测试集；
[0046](2)使用标注软件Labelme对数据集中机房需要检测的部件进行目标检测标签标注，得到经过标注的目标检测数据集，对MaskRCNN网络模型所需的仪表盘指针数据进行标注，得到经过标注的实例分割数据集；
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的数据中心机房配电柜检测方法，其特征在于：该方法包括下列顺序的步骤：(1)数据采集：对机房现场设备进行拍照收集样本形成数据集，分为目标检测数据集和实例分割数据集，并将每份数据集按6:2:2的比例划分为训练集、验证集和测试集；(2)使用标注软件Labelme对数据集中机房需要检测的部件进行目标检测标签标注，得到经过标注的目标检测数据集，对MaskRCNN网络模型所需的仪表盘指针数据进行标注，得到经过标注的实例分割数据集；(3)搭建Yolov5网络模型，采用经过标注的目标检测数据集对Yolov5网络模型进行训练，得到训练好的Yolov5网络模型；搭建MaskRCNN网络模型，采用经过标注的实例分割数据集对MaskRCNN网络模型进行训练，得到训练好的MaskRCNN网络模型；(4)将待检测图像输入到训练好的Yolov5网络模型中，获取检测结果，若检测结果中包含仪表盘则进入下一步，否则进入步骤(9)；(5)获取检测到的仪表盘图像，并使用训练好的MaskRCNN网络模型进行检测，得到带有mask信息的仪表盘指针图像；(6)采用并行迭代细化算法对仪表盘指针图像进行图像细化；(7)采用Canny边缘检测算法对细化后的仪表盘指针图像进行边缘检测；(8)使用霍夫变换对经过边缘检测后的图像进行直线检测，来确定图像中仪表盘指针的具体位置，根据仪表盘指针倾斜角度对比确定仪表盘读数；(9)将步骤(4)检测结果中的指示灯检测结果与配电柜正常情况下指示灯信息进行模板匹配，判断是否出现异常情况，若出现异常情况则进行报警；将步骤(8)中获取的仪表盘读数与设定的发出警报的最大值和最小值进行对比，若超过最大值和/或小于最小值进行报警。2.根据权利要求1所述的基于深度学习的数据中心机房配电柜检测方法，其特征在于：在步骤(3)中，所述Yolov5网络模型的骨架网络采用CSPNet的结构，Yolov5网络模型的损失函数采...
【专利技术属性】
技术研发人员：李晓洁，甘琎杰，谢贻富，黄育庆，张阳，刘胜军，崔靖，丁正，刘宇，谢飞，
申请(专利权)人：合肥城市云数据中心股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。