[发明专利]一种针对低分辨率的机房服务器故障灯检测方法

说明书

本发明公开了一种基于深度学习的机房服务器故障灯检测方法。利用巡检车上云台相机拍摄的RGB图像，结合图像处理算法与深度学习网络，最终给出检测结果。本发明直接使用监控相机的RGB图像而非专门的工业相机，并且采用监控相机子码流的低分辨率图像,避免了额外开销的同时保证了通信时的网络传输速率。此外，本发明处理移动中拍摄的图像，保证了巡检过程的连续性。

技术领域

本发明属于工业视觉领域，具体说是一种针对低分辨率的机房服务器故障灯检测方法。

背景技术

一般来说，机房服务器出现故障时，上位机只能得到模糊的信息，无法精确定位到故障机柜或者捕捉到错误信息，此时就需要人为地去机房进行故障检测。随着近年来机房规模的扩大以及人力成本的提高，越来越多的机房希望通过机房巡检车进行机柜故障的自动排查。

在机房服务器灯检测中，网格门的遮挡、服务器灯打在网格门上造成的反光现象对传统检测算法造成了极大的干扰。现有的解决方案包括：1、到达每个机柜示教点停车拍照以保证图像清晰度。2、使用高帧率工业相机替代监控相机以避免移动拍摄产生的拖影问题。前者在机柜数量庞大时巡检时间过长，后者会产生额外的开销并限制了巡检车的应用场景。

发明内容

为解决现有技术的问题，本发明专利提供了一种基于低分辨率、低质量图像的机房服务器故障灯检测方法。待传输图像直接使用监控相机在移动过程中拍摄，不可避免地会出现拖影和模糊现象。传统图像处理算法难以解决该问题，因此本发明采用了基于深度学习的服务器故障灯检测方法

本发明为实现上述目的所采用的技术方案是：

一种针对低分辨率的机房服务器故障灯检测方法，包括以下步骤：

获取巡检车在设定坐标区域内移动过程中拍摄的RGB图像；

基于深度学习网络构建故障灯检测模型，并对故障灯检测模型进行训练；

使用训练好的故障灯检测模型对RGB图像进行特征提取，得到图像候选框，并对图像候选框进行非极大值抑制处理，得到检测结果，即RGB图像中服务器灯的坐标信息、类别信息、实例像素坐标信息和置信概率，完成机房服务器故障灯检测。

在巡检车移动过程中，还获取设定坐标区域内的机柜编号信息和机房编号信息。

所述对故障灯检测模型进行训练为，对数据集中的虚拟数据进行补充，并使用补充后的数据集训练模型，具体包括以下步骤：

仅使用数据集中的网口灯、正常状态灯数据训练深度学习网络；

使用训练好的网络对所有机房图像进行监测，以框选出图像中的带有网口灯、正常状态灯的像素坐标；

根据设定的概率，随机将框选区域中像素坐标的RGB通道转换到HSV空间，并依照色环调节偏移值，生成故障灯图像数据及对应标签信息，将其加入到数据集中，并使用补充后的数据集再次训练深度学习网络。

所述类别信息表示服务器灯种类，包括不同颜色的网口灯、指示灯、故障灯。

所述实例像素坐标信息为深度学习网络检测出的服务器灯在RGB图像上的对应的所有像素点。

得到检测结果后，去除误检测实例，并根据去除误检测实例后的检测结果评估服务器灯所在机柜的状态。

所述去除误检测实例，具体为：根据深度学习网络检测结果中的实例像素坐标信息，找出RGB图像中像素数目最多的实例，之后进行判断，去除所有像素数目低于最大像素数目*a的实例，其中a为取值0-1的某数值固定的常数。