[发明专利]一种机房机器人巡检方法及系统

说明书

本发明涉及一种机房机器人巡检方法及系统，包括以下步骤：在预设目标的坐标位置采集若干目标图片，并将若干目标图片分为训练样本集和测试样本集；对训练样本集中的目标图片进行迭代训练输出基础训练深度学习模型；通过减小基础训练深度学习模型的神经网络权重以评估基础训练深度学习模型每个组件的重要性，删除低重要性的组件，并输出剪枝模型；对剪枝模型进行微调，并通过测试样本集评估微调后的模型，以确定微调后的模型是否满足预设要求；基于满足预设要求的模型对机房巡检中采集的若干待检测的目标图片进行检测并输出巡检结果。本发明可以提高检测的实时性，并且缩短机房监控响应时间。

技术领域

本发明属于设备检测领域，尤其涉及一种机房机器人巡检方法及系统。

背景技术

机房巡检是保障机房安全运行的一项重要制度。鉴于传统人工巡检存在工作量大，受巡检员的经验等主观因素影响大，手工记录难以保存等问题，越来越多的智能巡检机器人在机房中得到了实际应用，有效的提高了机房设备自动识别和故障报警的效率，降低了运维人员的劳动强度，为机房无人值守提供了强有力的技术支撑。然而，由于机器人内部工控机的硬件计算能力较差，在进行目标检测任务时，需要大量的算法参数，较大的内存和较长的推理时间，这些情况会导致机房的监控响应时间过长，使其无法满足目标检测实时性的要求。

发明内容

针对上述现有技术中存在的缺陷，本发明的目的在于提供一种机房机器人巡检方法及系统，可以提高检测的实时性，并且缩短机房监控响应时间。

为了达到上述目的，本发明提供一种机房机器人巡检方法，其特征在于，包括以下步骤：

在预设目标的坐标位置采集若干目标图片，并将若干目标图片分为训练样本集和测试样本集；

对训练样本集中的目标图片进行迭代训练输出基础训练深度学习模型；

通过减小基础训练深度学习模型的神经网络权重以评估基础训练深度学习模型每个组件的重要性，删除低重要性的组件，并输出剪枝模型；

对剪枝模型进行微调，并通过测试样本集评估微调后的模型，以确定微调后的模型是否满足预设要求；

基于满足预设要求的模型对机房巡检中采集的若干待检测的目标图片进行检测并输出巡检结果。

在一个实施例中，在采集若干目标图片后，对采集到的目标图片进行标注，以使得每一所述目标图片上标注有至少一个检测目标窗口、与其对应的目标类别、以及检测的结果。

在一个实施例中，所述检测目标窗口为左上角顶点和右下角顶点的两个坐标表示，所述目标类别为根据机房检测需求对目标进行的分类。

在一个实施例中，在进行迭代训练时，获取预训练权重，并通过深度学习YOLOv3算法对训练样本集中标注的目标图片进行迭代训练。

在一个实施例中，通过减小基础训练深度学习模型的神经网络权重以评估基础训练深度学习模型每个组件的重要性，输出剪枝模型具体包括：

通过减小基础训练深度学习模型的神经网络权重，以使得基础训练深度学习模型一半以上的神经网络权重等于或约等于0；

剪去等于或约等于0的神经网络权重对应特征图的通道，以及等于0的神经网络权重对应的上下卷积层的卷积核，并输出剪枝模型。

在一个实施例中，减小基础训练深度学习模型的神经网络权重具体包括：通过带L1正则化项的次梯度法减小每个BN层的权重值，其中，BN层为批标准化层；

设减小的权重值为γ，则其公式为：