CN109657737B - 基于红外热视技术的机柜内小动物入侵检测方法及系统 - Google Patents
基于红外热视技术的机柜内小动物入侵检测方法及系统 Download PDFInfo
- Publication number
- CN109657737B CN109657737B CN201910146208.7A CN201910146208A CN109657737B CN 109657737 B CN109657737 B CN 109657737B CN 201910146208 A CN201910146208 A CN 201910146208A CN 109657737 B CN109657737 B CN 109657737B
- Authority
- CN
- China
- Prior art keywords
- infrared thermal
- data
- network
- model
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 83
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000005516 engineering process Methods 0.000 title claims abstract description 19
- 238000013135 deep learning Methods 0.000 claims abstract description 25
- 238000001931 thermography Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 230000009545 invasion Effects 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 241000699666 Mus <mouse, genus> Species 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000009529 body temperature measurement Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 241000270295 Serpentes Species 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 101000713935 Mus musculus Tudor domain-containing protein 7 Proteins 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/19—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using infrared-radiation detection systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geophysics And Detection Of Objects (AREA)
- Burglar Alarm Systems (AREA)
- Toys (AREA)
Abstract
本发明涉及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及系统，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，然后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；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。本发明无需将热力数据转化为图像数据，并且直接深度提取低分辨率的热力数据，所能达到的效果远远超越高分辨率的模块。
Description
技术领域
本发明涉及监控技术领域，特别是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及系统。
背景技术
随着社会经济的快速发展，企业的信息化建设也在逐渐深入，IDC(Internet DataCenter，互联网数据中心)机房的数量和规模也在不断扩大，机房机柜以及服务器的数量也不断增加，故机房的运行、维护和管理的工作也随之增加。机房由于机柜等设备数量较多，分布较为密集，且机柜内经常有蛇鼠小动物入侵而难以被发现，小动物可能会咬断机房电缆、光纤等，会对机房的正常运行造成不良的后果，引发严重的事故。虽然目前部分机房已经部署老鼠夹、老鼠板等防小动物设备，且工作管理人员也会定期对机房机柜进行全面的排查，但这样将耗费大量的时间以及人力，且这种检查方式效率低下并且不能及时发现小动物入侵，常常是在已经引发事故后才开始排查问题，造成不必要的损失。
当下的机房运行管理需要一种智能的、实时的机柜内小动物入侵检测系统，而红外热视技术作为当下兴起的一种技术，将其运用到机房机柜动物入侵检测上来，是一种很有效的手段。但是市面上常用的红外热视仪一般原理都是拍摄机柜内部的红外图像数据，根据视觉图像数据来判断是否有动物入侵，这种方式对拍摄的图像要求较高，模块成本也较高。另一种常用的方法是使用红外测温原理，根据采集的温度数据形成热力图像，来判断动物入侵情况，而这种情况的测温模块一都是单点测温，无法同时对一个面的温度数据进行采集，这样部署起来的成本是巨大的。同时这种测温技术仅仅在小动物存在活动的情况下才能检测出来，若动物入侵后有一段时间没有存在运动，则模块无法检测到入侵的动物是否已经离开，这对机房的安全有效管理将造成巨大的问题。
发明内容
有鉴于此，本发明的目的是提出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及系统，无需将热力数据转化为图像数据，并且直接深度提取低分辨率的热力数据，所能达到的效果远远超越高分辨率的模块。
本发明采用以下方案实现：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，具体包括以下步骤：
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。
进一步地，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。
进一步地，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。
进一步地，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。
进一步地，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。
进一步地，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。
进一步地，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。
本发明还提供了一种基于上文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，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。
进一步地，所述红外热成像系统包括一个以上的部署在机房机柜中的低分辨率红外热视模块。
进一步地，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。
与现有技术相比，本发明有以下有益效果：
1、本发明采用了低分辨率红外热模块，大大降低了部署的成本；
2、本发明基于机器学习算法对热成像进行分析处理，不仅识别出小动物入侵，同时还能识别具体何种动物，其中在动物识别上面，引入卷积神经网络目标检测算法，无需将采集温度数据生成图像，直接将温度数据经深度学习网络训练，检测动物入侵。
3、本发明设置联动报警装置以及驱赶装置，针对不同的动物，驱赶装置会产生特定的电磁波和超声波，无需人为驱赶动物。
附图说明
图1为本发明实施例的系统原理示意图。
图2为本发明实施例的Faster R-CNN网络结构图。
图3为本发明实施例的分类网络的流程图。
图4为本发明实施例的硬件结构图。
图5为本发明实施例的安装位置示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了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，具体包括以下步骤：
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。
在本实施例中，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。
在本实施例中，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。
在本实施例中，所述深度学习检测网络模型包括基础网络、区域提议网络、FastR-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。
特别的，在本实施例中，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(例如蛇鼠等)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，噪声滤波算法可采用卡尔曼滤波、小波降噪等，再进行反向传播更新模型参数，在多次迭代训练后，择优保存模型作为检测阶段的模型，模型一旦训练完毕，即可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，规避风险。
较佳的，在本实施例中，针对不同的动物，本实施例采集不同可能入侵的小动物特征，基于机器学习的目标识别算法进行训练，当存在动物入侵时，可具体识别出何种动物入侵以便判断是否存在危害。具体方法如下：建立深度学习分类模型，深度卷积神经网络的分类流程图如图3所示，输入的红外热视数据经过特征提取后获得深层次的特征值，分类器利用温度特征值信息推导出输入数据属于各类的置信度。
在本实施例中，所述分类网络采用但不限于深度残差网络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。
在本实施例中，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。当上位机识别出机柜存在小动物入侵时，立即触发报警装置提醒机房管理人员。同时，上位机向驱赶装置发送命令，针对识别出的具体动物产生相应的电磁波以及超声波对小动物进行驱赶。例如，若检测装置识别到机柜内部有老鼠入侵时，则产生控制信号，控制超声波传感器发出20KHz的超声波和电磁波发生器发出5KHz电磁波，以驱赶小老鼠，若小老鼠未被驱赶，则增加发生器生成电磁波及超声波的频率。
在本实施例中，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。
本实施例还提供了一种基于上文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，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。
在本实施例中，所述红外热成像系统包括一个以上的部署在机房机柜中的低分辨率红外热视模块(以8*8、16*16等为主)、wifi数据通信模块以及供电模块，其中红外热视模块(仪)负责采集机柜内部的热力温度数据分布，针对机柜内部的分布问题，本实施例所采用的红外热视模块并非拍摄机柜内部的红外图像，而是直接采集一个二维平面的温度分布数据，并且将热力数据以点阵的形式存储通过传输模块发送至服务器端以及上位机端。
在本实施例中，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。
特别的，所述红外热成像系统包括低分辨率红外热成像传感器、MCU最小系统、供电模块等。MCU使用IIC接口与低分辨率红外热成像传感器通信，亦可对热像传感器进行设置，使之在满足设定的温度阈值时自动向MCU发出中断信号。模块硬件结构图如图4所示。
特别的，本实施例的安装示意图如图5所示，模块安装在机柜内部，为避免模块被入侵的小动物所破坏，需将红外热成像传感器(图5中的1)安装在机柜内较高处。为了实现对机柜内部多个死角的检测，该装置随搭载在可实现多角度转动的万向轮上，并随之设计云台控制板，实现对万向轮角度的平稳、安全控制，如图4所示。模块通过无线数据传输将云台的控制角度发送到上位机，上位机可实现对云台角度进行配置，实现对机柜内部各个死角的温度数据采集，从而再经软件算法对数据进行处理。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技.
术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (7)
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。
6.根据权利要求5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系统，其特征在于：所述红外热成像系统包括一个以上的部署在机房机柜中的低分辨率红外热视模块。
7.根据权利要求5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系统，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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910146208.7A CN109657737B (zh) | 2019-02-27 | 2019-02-27 | 基于红外热视技术的机柜内小动物入侵检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910146208.7A CN109657737B (zh) | 2019-02-27 | 2019-02-27 | 基于红外热视技术的机柜内小动物入侵检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109657737A CN109657737A (zh) | 2019-04-19 |
| CN109657737B true CN109657737B (zh) | 2022-09-09 |
Family
ID=66123831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910146208.7A Active CN109657737B (zh) | 2019-02-27 | 2019-02-27 | 基于红外热视技术的机柜内小动物入侵检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109657737B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110031904B (zh) * | 2019-04-19 | 2024-01-26 | 福州大学 | 一种基于低分辨率红外热成像的室内人员存在检测系统 |
| CN110147063A (zh) * | 2019-06-14 | 2019-08-20 | 上海中通吉网络技术有限公司 | 机房监控系统 |
| CN112084882A (zh) * | 2020-08-18 | 2020-12-15 | 深圳英飞拓科技股份有限公司 | 一种行为检测方法、装置及计算机可读存储介质 |
| CN112926558B (zh) * | 2021-05-12 | 2021-10-01 | 广州朗国电子科技股份有限公司 | 动物识别方法和装置 |
| CN113331168A (zh) * | 2021-06-19 | 2021-09-03 | 上海湲睿科技有限公司 | 基于红外感应的野猫感知与驱离装置 |
| CN113591707A (zh) * | 2021-07-30 | 2021-11-02 | 浙江兆晟科技股份有限公司 | 一种基于热成像搜索的群体狩猎方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105748046A (zh) * | 2016-02-05 | 2016-07-13 | 福建农林大学 | 基于红外热像图的温度信息监测方法及其系统 |
| CN108812634A (zh) * | 2018-05-22 | 2018-11-16 | 上海亚明照明有限公司 | 驱鸟装置、方法、计算机可读存储介质、及电子终端 |
| CN109376768A (zh) * | 2018-09-21 | 2019-02-22 | 福州大学 | 一种基于深度学习的航拍图像杆塔标识牌故障诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9858496B2 (en) * | 2016-01-20 | 2018-01-02 | Microsoft Technology Licensing, Llc | Object detection and classification in images |
-
2019
- 2019-02-27 CN CN201910146208.7A patent/CN109657737B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105748046A (zh) * | 2016-02-05 | 2016-07-13 | 福建农林大学 | 基于红外热像图的温度信息监测方法及其系统 |
| CN108812634A (zh) * | 2018-05-22 | 2018-11-16 | 上海亚明照明有限公司 | 驱鸟装置、方法、计算机可读存储介质、及电子终端 |
| CN109376768A (zh) * | 2018-09-21 | 2019-02-22 | 福州大学 | 一种基于深度学习的航拍图像杆塔标识牌故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109657737A (zh) | 2019-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109657737B (zh) | 基于红外热视技术的机柜内小动物入侵检测方法及系统 | |
| CN109726652B (zh) | 一种基于卷积神经网络检测值班人员睡觉行为的方法 | |
| CN110187341B (zh) | 人体活动姿态的监测方法及系统、人体姿态监测器 | |
| CN107782733B (zh) | 金属表面缺陷的图像识别无损检测装置及方法 | |
| CN109635483A (zh) | 一种基于电磁检测的电机和泵故障预测分析系统 | |
| CN109977813A (zh) | 一种基于深度学习框架的巡检机器人目标定位方法 | |
| CN108231079A (zh) | 用于控制电子设备的方法、装置、设备以及计算机可读存储介质 | |
| CN111568314A (zh) | 基于场景识别的清洁方法、装置、清洁机器人和存储介质 | |
| CN109614906A (zh) | 一种基于深度学习的安防系统及安防报警方法 | |
| Raj et al. | IoT-based real-time poultry monitoring and health status identification | |
| CN110737201A (zh) | 一种监护方法、装置、存储介质及空调 | |
| CN106846304A (zh) | 基于红外检测的电气设备检测方法及装置 | |
| CN112123338A (zh) | 一种支持深度学习加速的变电站智能巡检机器人系统 | |
| CN114155492A (zh) | 高空作业安全带挂绳高挂低用识别方法、装置和电子设备 | |
| CN116403377A (zh) | 一种公共场所异常行为与隐患检测装置 | |
| CN111310647A (zh) | 自动识别跌倒模型的生成方法和装置 | |
| CN204740446U (zh) | 智能楼宇联动监控装置 | |
| US11276285B2 (en) | Artificial intelligence based motion detection | |
| JP5403575B2 (ja) | 環境負荷濃度変化判定装置 | |
| CN112528825A (zh) | 一种基于图像识别的车站乘客招援服务方法 | |
| CN114740774B (zh) | 一种通风柜安全操作的行为分析控制系统 | |
| CN115378140A (zh) | 基于图像识别的无人机电力设备巡检系统及方法 | |
| CN113440058A (zh) | 一种扫地机器人针对动物排泄物的识别及处理方法和装置 | |
| CN113376160A (zh) | 一种扫地机器人针对动物排泄物的识别及处理方法和装置 | |
| CN110674764A (zh) | 一种工地裸露土方的检测方法、装置及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |