[发明专利]一种基于深度学习的机柜灯状态识别方法

说明书

本发明提供一种基于深度学习的机柜灯状态识别方法，包括以下步骤：初始化模型参数，获得模型与对应的模型参数；通过相机获取机柜灯状态的图片；基于深度学习技术识别图片中的灯和灯组；根据不同机柜状态设置不同的识别目标和判断异常的阈值；基于寻找轮廓的算法获得实际工作中机柜灯组内灯的数量；将所述灯的数量与所述阈值进行比较，进而识别机柜灯的状态。本发明通过引入深度学习技术，能够实现自动识别机柜灯状态的目的，进而判断机柜是否正常工作。本发明无需在机柜内植入软件或串接新的设备，工作过程不受环境影响，工作效率、识别精度和鲁棒性高。

技术领域

本发明涉及机器视觉领域，尤其是一种基于深度学习的机柜灯状态识别方法。

背景技术

长期以来我国的机房均采用人工巡检的作业方式，日常设备机房巡查时人员必须到达现场，造成人力、物力的浪费，人工巡视的及时性受到各种条件制约，人工巡视效果也会受巡检人员的业务能力、工作经验、精神状态等诸多因素的制约，漏检、误检的情况时有发生，稍有不慎就会造成重大经济损失，甚至影响铁路、航空等安全，尤其当其密集时，对其判断存在工作量大、效率低、人工成本高和结果判定主观性强等问题，需向自动化、智能化发展。

现有技术存在一种通过机柜灯图像来判断机柜状态的方法，但是，传统图像处理技术依赖人工提取特征，会受光强变化等影响，工作的鲁棒性低。

有鉴于此，迫切需要设计一种新的机柜灯识别方法。

发明内容

本发明的目的是提供一种具有高精度识别且鲁棒性高的基于深度学习的机柜灯状态识别方法和具有存储功能的装置。

为实现上述目的，本发明的一种技术方案是提供一种基于深度学习的机柜灯状态识别方法，包括以下步骤：初始化模型参数，获得模型与对应的模型参数；通过相机获取机柜灯状态的图片；基于深度学习技术识别图片中的灯和灯组；根据不同机柜状态设置不同的识别目标和判断异常的阈值；基于寻找轮廓的算法获得实际工作中机柜灯组内灯的数量；将所述灯的数量与所述阈值进行比较，进而识别机柜灯的状态。

进一步的，所述初始化模型参数，获得模型与对应的模型参数的步骤具体包括：先采集机柜灯的图片并标注出不同类别的灯和灯组，建立训练集与测试集，设置深度学习技术的训练参数并在训练集上训练，训练出的模型的损失值若收敛，则停止训练，否则继续训练，获得训练模型后在测试集上测试，若测试精度高于阈值，则获得最终模型与对应的模型参数，否则继续训练。

进一步的，所述基于深度学习技术识别图片中的灯和灯组的步骤具体包括：基于改进卷积神经网络的输入机柜图片特征提取，基于候选区域网络的灯和灯组定位和基于快速区域卷积神经网络的灯和灯组分类，实现基于深度学习技术识别出不同类别的灯和灯组。

进一步的，所述候选区域网络的损失函数定义为

其中，i是一次批量迭代中选取的候选框索引，p_i为候选框是目标的概率，如果候选框是正标签，其对应的真实区域标签p_i^*为1，否则，p_i^*为0；t_i表示预测的包围盒的4个参数化坐标向量，t_i^*是对应的真实区域包围盒的坐标向量，分类损失C_cls是针对两个类别(目标和非目标)的对数损失：

对于回归损失，用计算，其中

对于回归，采用4个坐标的参数：

t_x＝(x-x_a)/w_a t_y＝(y-y_a)/h_a