本申请涉及一种异物检测方法、装置、计算机设备、存储介质和程序产品。所述方法包括：获取目标机房的待检测图像；将待检测图像输入目标生成对抗网络模型中，确定待检测图像对应的第一重构图像；目标生成对抗网络模型根据目标机房的检测图像样本对初始生成对抗网络模型进行训练得到，检测图像样本为目标机房内不包含异物时采集的图像，异物为不属于目标机房中的运行设备的物体；根据待检测图像和第一重构图像，确定目标机房中的异物检测结果。采用本方法能够提高对目标机房内的异物检测的检测效率。效率。效率。
【技术实现步骤摘要】
异物检测方法、装置、计算机设备、存储介质和程序产品
[0001]本申请涉及人工智能
，特别是涉及一种异物检测方法、装置、计算机设备、存储介质和程序产品。
技术介绍
[0002]随着信息技术的高速发展，许多企业都成立了机房，而企业机房中各机柜的正常运转是保证企业的各项业务正常运行的前提。若机房中出现异物入侵，则有可能对机房中的机器的正常运转产生影响，因此，对机房中的异物进行检测尤为重要。
[0003]传统技术中，通过人工巡检的方式对机房中的异物进行检测，进而发现异物并采取相应的异物清理措施，然而，传统人工巡检的方式对机房中异物检测的检测效率较低。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种能够提高对机房内异物检测的检测效率的异物检测方法、装置、计算机设备、存储介质和程序产品。
[0005]第一方面，本申请提供了一种异物检测方法。该方法包括：
[0006]获取目标机房的待检测图像；
[0007]将该待检测图像输入目标生成对抗网络模型中，确定该待检测图像对应的第一重构图像；该目标生成对抗网络模型根据该目标机房的检测图像样本对初始生成对抗网络模型进行训练得到，该检测图像样本为该目标机房内不包含异物时采集的图像，该异物为不属于该目标机房中的运行设备的物体；
[0008]根据该待检测图像和该第一重构图像，确定该目标机房中的异物检测结果。
[0009]在其中一个实施例中，该根据该待检测图像和该第一重构图像，确定该目标机房中的异物检测结果，包括：
[0010]根据该待检测图像中各第一像素点的像素值和该第一重构图像中各第二像素点的像素值，确定各该第一像素点和各该第一像素点对应的该第二像素点之间的像素差异值；
[0011]根据各该像素差异值和预设差异阈值，确定该目标机房中的异物检测结果。
[0012]在其中一个实施例中，该根据各该像素差异值和预设差异阈值，确定该目标机房中的异物检测结果，包括：
[0013]若各该像素差异值均小于该预设差异阈值，则确定该目标机房中的异物检测结果为无异物。
[0014]在其中一个实施例中，该根据各该像素差异值和预设差异阈值，确定该目标机房中的异物检测结果，包括：
[0015]若存在大于或等于该预设差异阈值的像素差异值，则根据大于或等于该预设差异阈值的像素差异值对应的第一像素点在该待检测图像中的位置，确定该目标机房中的异物的位置；
[0016]根据该目标机房中的异物的位置，确定该异物检测结果。
[0017]在其中一个实施例中，该将该待检测图像输入该目标生成对抗网络模型中，确定该待检测图像对应的第一重构图像，包括：
[0018]根据预设分割规则对该待检测图像进行分割，确定各待检测子图像；
[0019]将各该待检测子图像输入该目标生成对抗网络模型中，确定各该待检测子图像对应的子重构图像；
[0020]将各该子重构图像进行合并，得到该第一重构图像。
[0021]在其中一个实施例中，该方法还包括：
[0022]获取该目标机房的该检测图像样本；
[0023]将该检测图像样本输入该初始生成对抗网络模型，得到该检测图像样本的第二重构图像；
[0024]根据该第二重构图像、该检测图像样本，训练该初始生成对抗网络模型得到该目标生成对抗网络模型。
[0025]在其中一个实施例中，该根据该第二重构图像、该检测图像样本，训练该初始生成对抗网络模型得到该目标生成对抗网络模型，包括：
[0026]根据该检测图像样本与该第二重构图像，确定目标损失值；
[0027]根据该第二重构图像、该检测图像样本和该目标损失值，训练该初始生成对抗网络模型得到该目标生成对抗网络模型。
[0028]在其中一个实施例中，该根据该检测图像样本与该第二重构图像，确定损失目标损失值，包括：
[0029]根据该检测图像样本的输入矩阵和该第二重构图像的输出矩阵的差值，确定第一损失值；
[0030]根据该输入矩阵的向量和该输出矩阵的向量的差值，确定该第二损失值；
[0031]将该输入矩阵和该输出矩阵分别输入该初始生成对抗网络模型对应的生成对抗网络函数，得到该输入矩阵对应的第一数值和该输出矩阵对应的第二数值；
[0032]根据该第一数值与该第二数值的差值确定第三损失值；
[0033]其中，该损失函数包括第一损失函数、第二损失函数和第三损失函数。
[0034]第二方面，本申请还提供了一种异物检测装置。该装置包括：
[0035]第一获取模块，用于获取目标机房的待检测图像；
[0036]第一确定模块，用于将该待检测图像输入目标生成对抗网络模型中，确定该待检测图像对应的第一重构图像；该目标生成对抗网络模型根据该目标机房的检测图像样本对初始生成对抗网络模型进行训练得到，该检测图像样本为该目标机房内不包含异物的图像；该异物为不属于该目标机房中的运行设备的物体；
[0037]第二确定模块，用于根据该待检测图像和该第一重构图像，确定该目标机房中的异物检测结果。
[0038]第三方面，本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现以下步骤：
[0039]获取目标机房的待检测图像；
[0040]将该待检测图像输入目标生成对抗网络模型中，确定该待检测图像对应的第一重
构图像；该目标生成对抗网络模型根据该目标机房的检测图像样本对初始生成对抗网络模型进行训练得到，该检测图像样本为该目标机房内不包含异物时采集的图像，该异物为不属于该目标机房中的运行设备的物体；
[0041]根据该待检测图像和该第一重构图像，确定该目标机房中的异物检测结果。
[0042]第四方面，本申请还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0043]获取目标机房的待检测图像；
[0044]将该待检测图像输入目标生成对抗网络模型中，确定该待检测图像对应的第一重构图像；该目标生成对抗网络模型根据该目标机房的检测图像样本对初始生成对抗网络模型进行训练得到，该检测图像样本为该目标机房内不包含异物时采集的图像，该异物为不属于该目标机房中的运行设备的物体；
[0045]根据该待检测图像和该第一重构图像，确定该目标机房中的异物检测结果。
[0046]第五方面，本申请还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0047]获取目标机房的待检测图像；
[0048]将该待检测图像输入目标生成对抗网络模型中，确定该待检测图像对应的第一重构图像；该目标生成对抗网络模型根据该目标机房的检测图像样本对初始生成对抗网络模型进行训练得到，该检测图像样本为该目标机房内不包含异物时采集的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种异物检测方法，其特征在于，所述方法包括：获取目标机房的待检测图像；将所述待检测图像输入目标生成对抗网络模型中，确定所述待检测图像对应的第一重构图像；所述目标生成对抗网络模型根据所述目标机房的检测图像样本对初始生成对抗网络模型进行训练得到，所述检测图像样本为所述目标机房内不包含异物时采集的图像，所述异物为不属于所述目标机房中的运行设备的物体；根据所述待检测图像和所述第一重构图像，确定所述目标机房中的异物检测结果。2.根据权利要求1所述的方法，其特征在于，所述根据所述待检测图像和所述第一重构图像，确定所述目标机房中的异物检测结果，包括：根据所述待检测图像中各第一像素点的像素值和所述第一重构图像中各第二像素点的像素值，确定各所述第一像素点和各所述第一像素点对应的所述第二像素点之间的像素差异值；根据各所述像素差异值和预设差异阈值，确定所述目标机房中的异物检测结果。3.根据权利要求2所述的方法，其特征在于，所述根据各所述像素差异值和预设差异阈值，确定所述目标机房中的异物检测结果，包括：若各所述像素差异值均小于所述预设差异阈值，则确定所述目标机房中的异物检测结果为无异物。4.根据权利要求2所述的方法，其特征在于，所述根据各所述像素差异值和预设差异阈值，确定所述目标机房中的异物检测结果，包括：若存在大于或等于所述预设差异阈值的像素差异值，则根据大于或等于所述预设差异阈值的像素差异值对应的第一像素点在所述待检测图像中的位置，确定所述目标机房中的异物的位置；根据所述目标机房中的异物的位置，确定所述异物检测结果。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述将所述待检测图像输入所述目标生成对抗网络模型中，确定所述待检测图像对应的第一重构图像，包括：根据预设分割规则对所述待检测图像进行分割，确定各待检测子图像；将各所述待检测子图像输入所述目标生成对抗网络模型中，确定各所述待检测子图像对应的子重构图像；将各所述子重构图像进行合并，得到所述第一重构图像。6.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述方法还包括：获取所述目标机房的所述检测图像样本；将所述检测图像样本输入所述初始生成对抗网络模型，得...
【专利技术属性】
技术研发人员：邓晓雯，
申请(专利权)人：中国工商银行股份有限公司，
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。