[发明专利]一种基于深度学习的服务器部件智能检测方法

权利要求书

1.一种基于深度学习的服务器部件智能检测方法，其特征在于，包括以下步骤：

S10、采集样本图像并进行标注；

S20、对采集的样本图像进行特征增强；

S30、构建基于神经网络的目标检测模型；其中，所述目标检测模型包括特征提取网络和多级特征融合网络，通过所述特征提取网络提取出图像特征信息，通过所述多级特征融合网络构建预测矩阵；

S40、构建Focal Loss损失函数；

S50、利用增强后的图像数据对所述目标检测模型进行训练；其中，每次迭代后根据所述Focal Loss损失函数确定下一次迭代过程的权重和偏置的更新走向；

S60、利用训练后的模型对服务器部件进行检测。

2.如权利要求1所述的基于深度学习的服务器部件智能检测方法，其特征在于，所述特征提取网络包括堆叠的输出卷积层、初始池化层、第一模块层、第二模块层、第三模块层和第四模块层，所述初始卷积层包括一个卷积层、一个归一化层和一个非线性激活层，所述初始卷积层所使用卷积核尺寸为3*3，卷积的步长为2，输出特征通道数为64；所述初始池化层的步长为2；所述初始化层输出按通道分为两部分x_a和x_b，所述第一模块层输出x1_out＝f(x_b)+x_b，第二模块层的输出为x2_out＝f(x1_out)+x1_out，所述第三模块层输出x3_out＝f(x2_out)+x2_out，第四个模块层的输出为x4_out＝f(x3_out)+x3_out，输出图像特征向量y＝x4_out+x_a。

3.如权利要求2所述的基于深度学习的服务器部件智能检测方法，其特征在于，所述多级特征融合网络包括5个下采样层、5个上采样层和全连接层，所述特征向量y先依次与所述5个下采样层的特征进行连接，再复合上5个上采样层的特性向量，然后与所述5个下采样层的特征向量复合，获得5个特征向量，所述5个特征向量作为所述全连接层的输入，输出两个预测矩阵，其中一个矩阵预测边框，另一个矩阵预测类别和置信度。

4.如权利要求1所述的基于深度学习的服务器部件智能检测方法，其特征在于，所述步骤S10具体包括：

S11、实际应用场景下通过拍摄照片或视频的方式获取样本图像；

S12、根据服务器部件构成和组装需求，通过标注工具对样本图像中目标物体进行标注。

5.如权利要求4所述的基于深度学习的服务器部件智能检测方法，其特征在于，所述标注所得标签类别及数量根据具体需求做相应调整，每个标签包括左下角坐标、右上角坐标、标签类别。

6.如权利要求1所述的基于深度学习的服务器部件智能检测方法，其特征在于，所述步骤S20中特征增强包括：增加噪声，亮度变化，色度变化，图像组合。

7.如权利要求6所述的基于深度学习的服务器部件智能检测方法，其特征在于，所述增加噪声具体包括：随机选取增加噪声的像素点个数为1/10个总像素点，并对其进行高斯噪声覆盖；所述亮度变化具体包括：对图像进行随机亮度变化；所述色度变化具体包括：对图像进行随机色度变换，将图像RGB三通道分别随机按0.5，1，1.5调整后再改变通道；所述图像组合具体包括：将四幅图像组合为一张图像。