CN110210275A - 一种资源端口人工智能识别装置及其方法 - Google Patents

一种资源端口人工智能识别装置及其方法 Download PDF

Info

Publication number
CN110210275A
CN110210275A CN201810177439.XA CN201810177439A CN110210275A CN 110210275 A CN110210275 A CN 110210275A CN 201810177439 A CN201810177439 A CN 201810177439A CN 110210275 A CN110210275 A CN 110210275A
Authority
CN
China
Prior art keywords
module
port
image
resource
backstage
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.)
Granted
Application number
CN201810177439.XA
Other languages
English (en)
Other versions
CN110210275B (zh
Inventor
张显东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Little Soldier Crossing River Mdt Infotech Ltd
Original Assignee
Guangzhou Little Soldier Crossing River Mdt Infotech Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Little Soldier Crossing River Mdt Infotech Ltd filed Critical Guangzhou Little Soldier Crossing River Mdt Infotech Ltd
Priority to CN201810177439.XA priority Critical patent/CN110210275B/zh
Publication of CN110210275A publication Critical patent/CN110210275A/zh
Application granted granted Critical
Publication of CN110210275B publication Critical patent/CN110210275B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F13/00—Interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
    • G06F13/38—Information transfer, e.g. on bus
    • G06F13/382—Information transfer, e.g. on bus using universal interface adapter
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Information Transfer Between Computers (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种资源端口人工智能识别装置及其方法。一种资源端口人工智能识别装置，包括：图像获取模块，用于获取资源端口的图像；端口识别模块，根据所述图像获取模块所获取的图像，判断哪些端口连接有线端；通讯模块，与外部的后台进行通信，获取资源端口实际接通的信息；比较判断模块，根据端口识别模块和所述通讯模块的信息，判断哪些有线端连接的端口，而实际没有与后台实际接通；以及，图像增强模块，根据所述比较判断模块获取的信息，在所述图像获取模块的所获取的图像上，针对有线端连接而实际没有与后台接通的端口，输出提示图像。

Description

一种资源端口人工智能识别装置及其方法
技术领域
本发明涉及一种资源端口人工智能识别装置及其方法，尤其涉及一种用于电信光资源端口人工智能识别装置及其方法。
背景技术
现在，在电信运营商的运营中，端口是有限而又宝贵的资源。资源端口包括但不限于交换箱端口。如光交换箱大量使用在电信运营商的用户宽带接入等应用场景中，当特定用户需要接入宽带的时候，运营商工作人员在光交换箱上，将用户的网络信号线接入光交换箱的某端口，然后在后台将由该端口所接入接通的网络信号线接通。往往有不少用户没有续费，则其网络信号线虽然也仍然接在光交换箱上，但实际上其在后台没有接通。随着时间的积累，光交换箱的有限的端口被占据满了，其中会有一定量的后台没有接通的网络信号线。光交换箱的有限的端口是运营商重要的资源，其维护人员随着流动，在现场的维护人员仅仅凭借光交换箱端口是否接线，不能有效的掌握光交换箱的有限的端口的实际使用状况，从而严重制约新用户的发展。而且光交换箱的端口，其端口分布复杂，就算有后台的接通数据，也不能有效的识别出哪些端口被无效的占用。
发明内容
本发明所要解决的技术问题是提供一种能够帮助资源端口，例如交换箱端口的现场工作人员简便、有效的识别出被占用的，实际上又没有与后台接通的端口。
对此，本发明首先提供一种资源端口人工智能识别装置，包括：
图像获取模块，用于获取资源端口的图像；
端口识别模块，根据所述图像获取模块所获取的图像，判断哪些端口连接有线端；
通讯模块，与外部的后台进行通信，获取资源端口实际接通的信息；
比较判断模块，根据端口识别模块和所述通讯模块的信息，判断哪些有线端连接的端口，而实际没有与后台实际接通；以及，
图像增强模块，根据所述比较判断模块获取的信息，在所述图像获取模块的所获取的图像上，针对有线端连接而实际没有与后台接通的端口，输出提示图像。
相应的，本发明还提供一种采用所述的资源端口人工智能识别装置的方法，包括如下步骤：
图像获取步骤，所述图像获取模块获取资源端口的图像；
端口识别步骤，所述端口识别模块根据所述图像获取模块所获取的图像，判断哪些端口连接有线端；
通讯步骤，所述通讯模块，与外部的后台进行通信，获取资源端口实际接通的信息；
比较判断步骤，所述比较判断模块根据端口识别模块和所述通讯模块的信息，判断哪些有线端连接的端口，而实际没有与后台实际接通；以及，
图像增强步骤，所述图像增强模块根据所述比较判断模块获取的信息，在所述图像获取模块的所获取的图像上，针对有线端连接而实际没有与后台接通的端口，输出提示图像。
优选的，所述端口识别步骤采用基于神经网络技术的图像处理技术。
随着AI(人工智能)技术的发展，可以采用基于神经网络技术方式进行识别，即采用深度学习的方式，先所述端口识别模块各种端口连接的图像进行学习，然后根据学习的结果不断调整识别算法。这样能够有效的提高识别的成功率。
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。基于深度置信网络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。
深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如，人脸识别或面部表情识别)。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分.不同的学习框架下建立的学习模型很是不同.例如，卷积神经网络(Convolutional neuralnetworks，简称CNNs)就是一种深度的监督学习下的机器学习模型，而深度置信网(DeepBelief Nets，简称DBNs)就是一种无监督学习下的机器学习模型。
与现有技术相比，本发明的优势在于，随着图像识别技术和增强现实技术的逐渐成熟，将该技术有效的应用于运营商运维的场景中，极大的提高了运维的效率，也提高了现有资源的使用率。
附图说明
图1是本发明资源端口人工智能识别装置一种实施例的结构示意图。
具体实施方式
下面结合附图，对本发明的较优的实施例作进一步的详细说明：
如图1所示，一种资源端口人工智能识别装置，包括：
图像获取模块，用于获取资源端口的图像；
端口识别模块，根据所述图像获取模块所获取的图像，判断哪些端口连接有线端；
通讯模块，与外部的后台进行通信，获取资源端口实际接通的信息；
比较判断模块，根据端口识别模块和所述通讯模块的信息，判断哪些有线端连接的端口，而实际没有与后台实际接通；以及，
图像增强模块，根据所述比较判断模块获取的信息，在所述图像获取模块的所获取的图像上，针对有线端连接而实际没有与后台接通的端口，输出提示图像。
相应的，本发明还提供一种采用所述的资源端口人工智能识别装置的方法，包括如下步骤：
图像获取步骤，所述图像获取模块获取资源端口的图像；
端口识别步骤，所述端口识别模块根据所述图像获取模块所获取的图像，判断哪些端口连接有线端；
通讯步骤，所述通讯模块，与外部的后台进行通信，获取资源端口实际接通的信息；
比较判断步骤，所述比较判断模块根据端口识别模块和所述通讯模块的信息，判断哪些有线端连接的端口，而实际没有与后台实际接通；以及，
图像增强步骤，所述图像增强模块根据所述比较判断模块获取的信息，在所述图像获取模块的所获取的图像上，针对有线端连接而实际没有与后台接通的端口，输出提示图像。
优选的，所述端口识别步骤采用基于神经网络技术的图像处理技术。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (3)

1.一种资源端口人工智能识别装置，其特征在于，包括：
图像获取模块，用于获取资源端口的图像；
端口识别模块，根据所述图像获取模块所获取的图像，判断哪些端口连接有线端；
通讯模块，与外部的后台进行通信，获取资源端口实际接通的信息；
比较判断模块，根据端口识别模块和所述通讯模块的信息，判断哪些有线端连接的端口，而实际没有与后台实际接通；以及，
图像增强模块，根据所述比较判断模块获取的信息，在所述图像获取模块的所获取的图像上，针对有线端连接而实际没有与后台接通的端口，输出提示图像。
2.一种采用如权利要求1所述的资源端口人工智能识别装置的方法，其特征在于，包括如下步骤：
图像获取步骤，所述图像获取模块获取资源端口的图像；
端口识别步骤，所述端口识别模块根据所述图像获取模块所获取的图像，判断哪些端口连接有线端；
通讯步骤，所述通讯模块，与外部的后台进行通信，获取资源端口实际接通的信息；
比较判断步骤，所述比较判断模块根据端口识别模块和所述通讯模块的信息，判断哪些有线端连接的端口，而实际没有与后台实际接通；以及，
图像增强步骤，所述图像增强模块根据所述比较判断模块获取的信息，在所述图像获取模块的所获取的图像上，针对有线端连接而实际没有与后台接通的端口，输出提示图像。
3.如权利要求2所述的方法，其特征在于，所述端口识别步骤采用基于神经网络技术的图像处理技术。
CN201810177439.XA 2018-02-28 2018-02-28 一种资源端口人工智能识别装置及其方法 Active CN110210275B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810177439.XA CN110210275B (zh) 2018-02-28 2018-02-28 一种资源端口人工智能识别装置及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810177439.XA CN110210275B (zh) 2018-02-28 2018-02-28 一种资源端口人工智能识别装置及其方法

Publications (2)

Publication Number Publication Date
CN110210275A true CN110210275A (zh) 2019-09-06
CN110210275B CN110210275B (zh) 2023-10-13

Family

ID=67779012

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810177439.XA Active CN110210275B (zh) 2018-02-28 2018-02-28 一种资源端口人工智能识别装置及其方法

Country Status (1)

Country Link
CN (1) CN110210275B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1878250A (zh) * 2005-06-10 2006-12-13 上海乐金广电电子有限公司 与机顶盒的外部输出端口连接的设备识别方法
US20090219827A1 (en) * 2002-07-30 2009-09-03 Brocade Communication Systems, Inc. Registered state change notification for a fibre channel network
CN103188108A (zh) * 2011-12-28 2013-07-03 财团法人工业技术研究院 监测管理装置、数据中心的监测管理系统及监测管理方法
CN105426242A (zh) * 2015-11-17 2016-03-23 腾讯科技（深圳）有限公司 数据传递方法和装置
CN105594144A (zh) * 2013-06-11 2016-05-18 瑞典爱立信有限公司 用于光网络的安全监视
CN107111801A (zh) * 2014-11-11 2017-08-29 美国北卡罗来纳康普公司 用于通信系统的多层智能基础设施管理系统及相关装备和方法
CN107517126A (zh) * 2017-08-17 2017-12-26 重庆软易科技有限公司 一种批量安装网络设备的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090219827A1 (en) * 2002-07-30 2009-09-03 Brocade Communication Systems, Inc. Registered state change notification for a fibre channel network
CN1878250A (zh) * 2005-06-10 2006-12-13 上海乐金广电电子有限公司 与机顶盒的外部输出端口连接的设备识别方法
CN103188108A (zh) * 2011-12-28 2013-07-03 财团法人工业技术研究院 监测管理装置、数据中心的监测管理系统及监测管理方法
CN105594144A (zh) * 2013-06-11 2016-05-18 瑞典爱立信有限公司 用于光网络的安全监视
CN107111801A (zh) * 2014-11-11 2017-08-29 美国北卡罗来纳康普公司 用于通信系统的多层智能基础设施管理系统及相关装备和方法
CN105426242A (zh) * 2015-11-17 2016-03-23 腾讯科技（深圳）有限公司 数据传递方法和装置
CN107517126A (zh) * 2017-08-17 2017-12-26 重庆软易科技有限公司 一种批量安装网络设备的方法

Also Published As

Publication number Publication date
CN110210275B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
Li et al. Learning IoT in edge: Deep learning for the Internet of Things with edge computing
CN109829443B (zh) 基于图像增强与3d卷积神经网络的视频行为识别方法
CN107577985B (zh) 基于循环生成对抗网络的人脸头像卡通化的实现方法
CN105787458B (zh) 基于人工设计特征和深度学习特征自适应融合的红外行为识别方法
CN110490095A (zh) 一种基于神经网络的多模态特征融合调制识别方法和系统
Huang et al. Visualizing deep learning-based radio modulation classifier
CN107818785A (zh) 一种从多媒体文件中提取信息的方法及终端设备
CN107145833A (zh) 人脸区域的确定方法和装置
CN106951867A (zh) 基于卷积神经网络的人脸识别方法、装置、系统及设备
CN106469302A (zh) 一种基于人工神经网络的人脸肤质检测方法
CN106909882A (zh) 一种应用于保安机器人的人脸识别系统及方法
CN110175555A (zh) 人脸图像聚类方法和装置
CN111476849B (zh) 对象颜色识别方法、装置、电子设备以及存储介质
CN108509892A (zh) 用于生成近红外图像的方法和装置
CN110163154A (zh) 基于人工智能的视频监控系统
CN109871845A (zh) 证件图像提取方法及终端设备
KR102309111B1 (ko) 딥러닝 기반 비정상 행동을 탐지하여 인식하는 비정상 행동 탐지 시스템 및 탐지 방법
CN109977867A (zh) 一种基于机器学习多特征融合的红外活体检测方法
CN110046544A (zh) 基于卷积神经网络的数字手势识别方法
CN109271912A (zh) 视频分类方法、装置、电子设备及存储介质
CN111723239A (zh) 一种基于多模态的视频标注方法
CN109886154A (zh) 基于Inception V3的多数据集联合训练的行人外观属性识别方法
CN108073851A (zh) 一种抓取手势识别的方法、装置及电子设备
CN113191479A (zh) 联合学习的方法、系统、节点及存储介质
CN107832721A (zh) 用于输出信息的方法和装置

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
DD01 Delivery of document by public notice
DD01 Delivery of document by public notice

Addressee: Liu Banggao

Document name: Notice of Qualified Procedures