[发明专利]基于红外热视技术的机柜内小动物入侵检测方法及系统

权利要求书

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；

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；

所述深度学习检测网络模型包括基础网络、区域提议网络、Fast R-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Fast R-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；

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Softmax Loss；

建立深度学习检测网络模型过后，利用Faster R-CNN目标检测模型通过反向传播算法在训练集上进行训练，训练过程可以在服务器上进行，训练过程中每次迭代的数据输入都执行数据增强操作，每隔十分钟保存一次训练模型文件并在测试集上测试模型性能，择优确定最终的检测模型文件；具体的，服务器端建立深度学习神经网络训练模型，主要分为离线训练阶段以及在线实时监测阶段；离线训练阶段，各种动物的红外温度分布数据以队列的形式投入模型之中进行训练，每一批数据在投入训练之前都先经过降噪处理，噪声滤波算法采用卡尔曼滤波或小波降噪，再进行反向传播更新模型参数，在多次迭代训练后，保存模型作为检测阶段的模型，模型训练完毕，即移植到不同的机房机柜相关处理的智能终端使用，无需重复训练；在实时在线监测阶段，红外热视模块不断采集机柜内部的温度分布数据，将温度数据以点阵的形式输入到训练好的模型当中，获得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，将其结果记录于服务器内，并触发动物驱赶装置，提醒工作人员的同时，控制超声波发生器以及电磁波发生器，产生相应的电波和声波对入侵的动物进行驱赶。

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：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。

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：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。

5.一种基于权利要求1-4任一项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，其特征在于：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。