CN110956086B - 一种基于图像识别技术的机房设备在线识别方法 - Google Patents
一种基于图像识别技术的机房设备在线识别方法 Download PDFInfo
- Publication number
- CN110956086B CN110956086B CN201911018019.8A CN201911018019A CN110956086B CN 110956086 B CN110956086 B CN 110956086B CN 201911018019 A CN201911018019 A CN 201911018019A CN 110956086 B CN110956086 B CN 110956086B
- Authority
- CN
- China
- Prior art keywords
- image
- machine room
- feature
- color
- formula
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005516 engineering process Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000000007 visual effect Effects 0.000 claims abstract description 16
- 238000012423 maintenance Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000013507 mapping Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 18
- 238000004891 communication Methods 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 238000003066 decision tree Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于图像识别技术的机房设备在线识别方法，包括，步骤S1，对机房进行360度全景的图像采集；步骤S2，对采集到的图像进行视觉增强处理，改进图像质量，得到增强彩色图像；步骤S3，对目标设备进行检测和识别，判断机房是否存在安全隐患和异常状态的设备；如果存在则向机房运维人员及时告警和定位。将图像处理技术运用到信息通信机房代替人工巡视工作，对机房实施在线监控和优化信息传输速度，大大降低了巡检的时间。
Description
技术领域
本发明涉及电力通讯技术领域，特别涉及一种基于图像识别技术的机房设备在线识别方法。
背景技术
随着我国的电力通讯正在逐步的呈现开放、智能、互动的一个发展趋势，电力信息正在全面支撑着网络能源与信息的发展与利用。我国电网企业对电力信息通信机房管理方面有着严格的标准和要求，覆盖面广、实时性高成了电网企业的代名词。然而在电力信息通信机房的传统人工巡检过程中，存在着许多弊端：
(1)费力耗时。利用人工巡检进行电力信息通信的检查过程中，不仅大量费力，同时也消耗大量时间。
(2)存在巡视盲区。传统的人工巡视对于机房内的各个电网和控制设备无法检查全面，由于机房较多，设备较多且复杂，利用人工巡视的方法既增加了巡视人员的检查难度，同时由于设备整体较复杂，人工巡视不能覆盖到整个设备，存在一定巡视盲区。
(3)不具有实时性。在传统的人工巡视的过程中，由于机房的设备较多，环境参数无法第一时间反馈给运维人员，一旦温度超过规定标准，设备就会出现断电，断网等突发情况，给机房整体造成巨大的安全隐患，更为严重的是会影响到整个电力系统的安全和稳定。
发明内容
本发明的目的旨在至少解决所述技术缺陷之一。
为此，本发明的目的在于提出一种基于图像识别技术的机房设备在线识别方法，将图像处理技术运用到信息通信机房代替人工巡视工作，对机房实施在线监控和优化信息传输速度，大大降低了巡检的时间。
为了实现上述目的，本发明提供一种基于图像识别技术的机房设备在线识别方法，包括以下步骤：
步骤S1，对机房进行360度全景的图像采集；
步骤S11，在机房多处位置设置全景相机，利用全景相机实时采集机房场景图像；
步骤S12，通过全景图像映射方法将所有采集到的机房场景图像球面映射到三维大坐标系中，并根据机房场景图像的视角进行视野旋转，实现全方位浏览；
步骤S2，对采集到的图像进行视觉增强处理，改进图像质量，得到增强彩色图像；
步骤S21，将采集到的图像由彩色图像转为灰度图像，得到灰度图像后做归一化处理；
步骤S22，将归一化处理后的灰度图像减去原始图像的平滑图像，获得高通图像；
步骤S23，将原始图像和高通图像与不同算子相乘，然后相加得到增强图像；
步骤S24，将增强图像转化为彩色图像，使图像更适合后续的图像分析处理；
步骤S3，对目标设备进行检测和识别，判断机房是否存在安全隐患和异常状态的设备；如果存在则向机房运维人员及时告警和定位；
步骤S31，对增强彩色图像进行金字塔分解与特征提取，首先使用线性滤波器将增强彩色图像分解为多个特征通道，并提取多个特征；
步骤S32，在根据所提取的多个特征生成特征图，使用高斯金字塔对不同特征进行九个尺度下采样，并釆用中央周边差运算来获得初级特征图；
步骤S33，采用特征合并策略将不同维度的多幅特征图合并得到特征显著图；
步骤S34，根据得到的特征显著图定位待注意目标，利用简单线性迭代聚类算法完成对目标的图像分割，产生注视区域；
步骤S35，利用卷积神经网络对注视区域图像进行再次特征提取；
步骤S36，用随机森林算法对再次提取得到特征进行训练，识别设备状态的变化。
在上述任一方案中优选的是，利用全景相机实时采集的机房场景图像至少包括设备场景图像、通道场景图像、管网结构场景图像。
在上述任一方案中优选的是，所述全景图像映射方法包括以下步骤：
步骤S121，将采集到的机房场景图像中点的二维坐标映射到球面中的三维大坐标系中；
步骤S122，构造垂直于投影平面的直线，与球面求交点；
步骤S123，连接球面交点与原点得直线，并与长方体求交点，得像素值；
步骤S124，根据机房场景图像所在视角设置旋转动作转换值，将机房场景图像的投影平面绕三维大坐标系进行旋转，得到全方位浏览。
在上述任一方案中优选的是，在步骤S21中，将采集到的图像由彩色图像转为灰度图像的公式为：
式中，I(x,y)为灰度图像，Ir(x,y)、Ig(x,y)和Ib(x,y)分别为彩色图像中像素(x,y)处的红、绿、蓝色的分量值。
在上述任一方案中优选的是，在步骤S21中，灰度图像后做归一化处理公式为：
式中，Iin(x,y)表示输入的灰度图。
在上述任一方案中优选的是，在步骤S22中，获得高通图像的公式为：
式中，g(x,y)表示得到的高通图像，Iin(x,y)表示输入的灰度图，
表示输入的平滑图像。
在上述任一方案中优选的是，在步骤S23中，得到增强图像的公式为：Inew(x,y)＝AIin(x,y)+Kg(x,y)；
式中，Inew(x,y)为增强图像，A和K为常数作为比例系数，并且A≥0，0≤K≤1。
在上述任一方案中优选的是，在步骤S24中，将增强图像转化为彩色图像的公式为：
式中，
指输入图像的初始彩色图像，
指图像增强处理后的彩色图像，β(x,y)的定义如下：
其中，ε＝0.01，主要是避免分母为0。
在上述任一方案中优选的是，在步骤S31中，使用线性滤波器将增强彩色图像分解为多个特征通道，并提取多个特征，所述特征至少包括图像颜色特征、图像亮度特征、图像方向特征。
在上述任一方案中优选的是，所述图像亮度特征根据三个颜色通道值计算得到，公式为
式中，I为图像亮度特征值；r为图像红颜色通道值，g为图像绿颜色通道值，b为图像蓝颜色通道值。
在上述任一方案中优选的是，四个宽调谐的颜色通道计算公式如下，
式中，R为宽调谐的红颜色通道值，GR为宽调谐的绿颜色通道值，B为宽调谐的蓝颜色通道值。
本发明的基于图像识别技术的机房设备在线识别方法具有以下有益效果：
1、本发明通过全景摄像头实时采集机房设备的信息及运行状态，并利用全景图像映射方法将全景摄像头采集的二维坐标投影到三维大坐标系中，并对其视角进行了旋转，实现了机房场景全方位浏览，并对其自动进行目标检测和识别，此外，还可以根据计算需要自由改变视角的方位、视野的大小、视图的分辨率、视野大小的变化速度等。
2、本发明通过实时采集机房设备运行状态，自动发出警告信息，及时发现问题，提高运检效率，强化生产安全故障快速反应能力。
3、本发明将图像处理技术运用到信息通信机房代替人工巡视工作，对机房实施在线监控和优化信息传输速度，实现对机房设备的全时段、实时的状态识别，大大降低了巡检的时间。
4、本发明将图像识别技术的机房设备在线识别，实现对设备运行状态变化的实时监测，对于提升调度运维工作效率有巨大的积极作用。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明实施例中基于图像识别技术的机房设备在线识别方法的流程图；
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
本发明提供一种基于图像识别技术的机房设备在线识别方法，如图1所示，包括以下步骤：
步骤S1，对机房进行360度全景的图像采集，
步骤S11，在机房多处位置设置全景相机，利用全景相机实时采集机房场景图像；
其中，利用全景相机实时采集的机房场景图像至少包括设备场景图像、通道场景图像、管网结构场景图像。
步骤S12，通过全景图像映射方法将所有采集到的机房场景图像球面映射到三维大坐标系中，并根据机房场景图像的视角进行视野旋转，实现全方位浏览；
其中，全景图像映射方法包括以下步骤：
步骤S121，将采集到的机房场景图像中点的二维坐标映射到球面中的三维大坐标系中；
步骤S122，构造垂直于投影平面的直线，与球面求交点；
步骤S123，连接球面交点与原点得直线，并与长方体求交点，得像素值；
步骤S124，根据机房场景图像所在视角设置旋转动作转换值，将机房场景图像的投影平面绕三维大坐标系进行旋转，得到全方位浏览。
本发明通过全景图通过广角的表现手段以及三维模型形式，尽可能多表现出周围的环境。360度全景图像采集可以节省对机房监控的成本，全面的展示了360度球型范围内的所有景致。
步骤S2，对采集到的图像进行视觉增强处理，改进图像质量，得到增强彩色图像；
步骤S21，将采集到的图像由彩色图像转为灰度图像，得到灰度图像后做归一化处理；
在步骤S21中，将采集到的图像由彩色图像转为灰度图像的公式为：
(1)式中，I(x,y)为灰度图像，Ir(x,y)、Ig(x,y)和Ib(x,y)分别为彩色图像中像素(x,y)处的红、绿、蓝色的分量值。
灰度图像后做归一化处理公式为：
(2)式中，Iin(x,y)表示输入的灰度图。
步骤S22，将归一化处理后的灰度图像减去原始图像的平滑图像，获得高通图像；
获得高通图像的公式为：
(3)式中，g(x,y)表示得到的高通图像，Iin(x,y)表示输入的灰度图，
表示输入的平滑图像。
步骤S23，将原始图像和高通图像与不同算子相乘，然后相加得到增强图像；
得到增强图像的公式为：Inew(x,y)＝AIin(x,y)+Kg(x,y)，(4)；
(4)式中，Inew(x,y)为增强图像，A和K为常数作为比例系数，并且A≥0，0≤K≤1。
步骤S24，将增强图像转化为彩色图像，使图像更适合后续的图像分析处理；
将增强图像转化为彩色图像的公式为：
(5)式中，
指输入图像的初始彩色图像，
指图像增强处理后的彩色图像，β(x,y)的定义如下：
其中，ε表示常数，ε＝0.01，主要是避免分母为0。
本发明图像增强的目的是改善图像的视觉效果，使得图像更适合于机器进行分析处理。使用图像增强技术对图像进行预处理，图像中的噪声信号可以被削弱，目标与背景的对比度得到了增强，与此同时，图像细节会更清晰，从而提高对目标设备进行检测和识别的准确度。
步骤S3，对目标设备进行检测和识别，判断机房是否存在安全隐患和异常状态的设备；如果存在则向机房运维人员及时告警和定位。
目标检测是智能识别的基础步骤，它指的是将一幅图像中感兴趣的目标检测出来。在机房的监控图像中，服务器、指示灯、网线等设备通常仅占图像的一部分内容，大量与设备不相关的内容除了给设备的探测与识别造成干扰，还会占用系统的内存与CPU资源，给后续图像处理工作造成困难。
因此，在不影响成像质量与成像速度的前提下如何有效减少探测图像中的视觉冗余信息，或是尽量少探测那些与任务不相关的冗余信息而直接对目标加以关注，是本发明要解决的难点。
此外，对设备运行状态的监测需要目标识别技术的支持，实现对图像中有意义的事物或现象的分析、描述、判断和识别。目标识别的主要目的是确定图像中是否存在某个目标；如果存在，还要判断出目标是什么，并提供目标的大小、形状、位置等信息。
本发明实现对目标设备的识别步骤如下：
步骤S31，对增强彩色图像进行金字塔分解与特征提取，首先使用线性滤波器将增强彩色图像分解为多个特征通道，并提取多个特征，其中，特征至少包括图像颜色特征、图像亮度特征、图像方向特征。
所述图像亮度特征根据三个颜色通道值计算得到，公式为
式中，I为图像亮度特征值；r为图像红颜色通道值，g为图像绿颜色通道值，b为图像蓝颜色通道值。
四个宽调谐的颜色通道计算公式如下，
式中，R为宽调谐的红颜色通道值，G为宽调谐的绿颜色通道值，B为宽调谐的蓝颜色通道值，Y为宽调谐的黄颜色通道值。
步骤S32，在根据所提取的多个特征生成特征图，使用高斯金字塔对不同特征进行九个尺度下采样，得到I(σ)、R(σ)、G(σ)、B(σ)、Y(σ)，σ＝1,2,...,9，其中，σ为采样值，I(σ)为图像亮度采样值，R(σ)为图像红颜色通道采样值，G(σ)为图像绿颜色通道采样值，B(σ)为图像蓝颜色通道采样值，Y(σ)为图像黄颜色通道采样值。
此外，还釆用中央周边差运算(CenterSurroundDifference)来获得初级特征图。
步骤S33，采用特征合并策略将不同维度的多幅特征图合并得到特征显著图；
具体步骤为：首先计算亮度特征图I(c,s)，两个颜色特征图RG(c,s)、BY(c,s)和方向关注图O(c,s)，计算公式如下，
I(c,s)＝|I(c)ΘI(s)|， (12)；
RG(c,s)＝|R(c)-G(c)|Θ|G(s)-R(s)|， (13)；
BY(c,s)＝|R(c)-Y(c)|Θ|B(s)-Y(s)|， (14)；
O(c,s)＝|O(c,θ)ΘO(s,θ)|， (15)；
其中，Θ为中央周边差运算符，c∈{2,3,4}，s＝c+δ且δ∈{3,4}。
对每个特征图进行归一化操作N(·)，然后对归一化后的所有特征图进行加运算，得到亮度，颜色以及方向特征关注图I′、C′和O′。
其中，
是点对点加法运算符。最后将亮度、颜色和特征关注图I′、C′、O′进行归一化组合得到综合显著图：
步骤S34，根据得到的特征显著图定位待注意目标，利用简单线性迭代聚类算法完成对目标的图像分割，产生注视区域；具体为：首先选择最大熵法来分割综合显著图来获取黑白二值图像，然后选用数学形态学排除图像中存在的不连续的区域，最后将二值图像和原始图像进行叠加操作，得到设备目标。
步骤S35，利用卷积神经网络对注视区域图像进行再次特征提取；
利用卷积神经网络对注视区域图像进行再次特征提取；
其中，S(i,j)表示注视区域图像，m表示要分离的类别数量，i、j表示样本集的类别n是样本数量，I表示图像亮度特征，K表示图像维度。
步骤S36，用随机森林算法对再次提取得到特征进行训练，识别设备状态的变化。
本发明对特征选择时，独立地处理图像表示的每个维度，对每个维度，所有样本的类内离散度计算公式为：
上式中，k表示图像的第k维，m表示要分离的类别数量，X表示图像特征矢量，Di表示来着类别i的样本集，ni是来自类别i的样本数量。
用于测试类间相似度的计算公式如下，
计算类内相似度和类间相似度的比值，
f(k)值最大的维度将被用来分割子节点，选择决策树对图像分类结果与真实分类的交叉熵作为损失函数训练模型。
对于输入的待识别图像，首先使用CNN对其进行深度特征提取，将提取出的深度特征输入决策树，通过分裂函数的选择从根节点开始下降，直到达到叶子结点。在叶节点处，可以获得待识别图像的预测值。
本发明将图像处理技术运用到信息通信机房代替人工巡视工作，对机房实施在线监控和优化信息传输速度，实现对机房设备的全时段、实时的状态识别，大大降低了巡检的时间。本发明将图像识别技术的机房设备在线识别，实现对设备运行状态变化的实时监测，对于提升调度运维工作效率有巨大的积极作用。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求及其等同限定。
Claims (10)
1.一种基于图像识别技术的机房设备在线识别方法，其特征在于，包括以下步骤：
步骤S1，对机房进行360度全景的图像采集；
步骤S11，在机房多处位置设置全景相机，利用全景相机实时采集机房场景图像；
步骤S12，通过全景图像映射方法将所有采集到的机房场景图像球面映射到三维大坐标系中，并根据机房场景图像的视角进行视野旋转，实现全方位浏览；
步骤S2，对采集到的图像进行视觉增强处理，改进图像质量，得到增强彩色图像；
步骤S21，将采集到的图像由彩色图像转为灰度图像，得到灰度图像后做归一化处理；
步骤S22，将归一化处理后的灰度图像减去原始图像的平滑图像，获得高通图像；
步骤S23，将原始图像和高通图像与不同算子相乘，然后相加得到增强图像；
步骤S24，将增强图像转化为彩色图像，使图像更适合后续的图像分析处理；
步骤S3，对目标设备进行检测和识别，判断机房是否存在安全隐患和异常状态的设备；如果存在则向机房运维人员及时告警和定位；
步骤S31，对增强彩色图像进行金字塔分解与特征提取，首先使用线性滤波器将增强彩色图像分解为多个特征通道，并提取多个特征；
步骤S32，在根据所提取的多个特征生成特征图，使用高斯金字塔对不同特征进行九个尺度下采样，并釆用中央周边差运算来获得初级特征图；
步骤S33，采用特征合并策略将不同维度的多幅特征图合并得到特征显著图；
步骤S34，根据得到的特征显著图定位待注意目标，利用简单线性迭代聚类算法完成对目标的图像分割，产生注视区域；
步骤S35，利用卷积神经网络对注视区域图像进行再次特征提取；
步骤S36，用随机森林算法对再次提取得到特征进行训练，识别设备状态的变化。
2.如权利要求1所述的基于图像识别技术的机房设备在线识别方法，其特征在于，利用全景相机实时采集的机房场景图像至少包括设备场景图像、通道场景图像、管网结构场景图像。
3.如权利要求1所述的基于图像识别技术的机房设备在线识别方法，其特征在于，所述全景图像映射方法包括以下步骤：
步骤S121，将采集到的机房场景图像中点的二维坐标映射到球面中的三维大坐标系中；
步骤S122，构造垂直于投影平面的直线，与球面求交点；
步骤S123，连接球面交点与原点得直线，并与长方体求交点，得像素值；
步骤S124，根据机房场景图像所在视角设置旋转动作转换值，将机房场景图像的投影平面绕三维大坐标系进行旋转，得到全方位浏览。
4.如权利要求1所述的基于图像识别技术的机房设备在线识别方法，其特征在于，在步骤S21中，将采集到的图像由彩色图像转为灰度图像的公式为：
式中，I(x,y)为灰度图像，Ir(x,y)、Ig(x,y)和Ib(x,y)分别为彩色图像中像素(x,y)处的红、绿、蓝色的分量值；
在步骤S21中，灰度图像后做归一化处理公式为：
式中，Iin(x,y)表示输入的灰度图。
5.如权利要求1所述的基于图像识别技术的机房设备在线识别方法，其特征在于，在步骤S22中，获得高通图像的公式为：
式中，g(x,y)表示得到的高通图像，Iin(x,y)表示输入的灰度图，
表示输入的平滑图像。
6.如权利要求1所述的基于图像识别技术的机房设备在线识别方法，其特征在于，在步骤S23中，得到增强图像的公式为：Inew(x,y)＝AIin(x,y)+Kg(x,y)；
式中，Inew(x,y)为增强图像，A和K为常数作为比例系数，并且A≥0，0≤K≤1。
7.如权利要求1所述的基于图像识别技术的机房设备在线识别方法，其特征在于，在步骤S24中，将增强图像转化为彩色图像的公式为：
式中，
指输入图像的初始彩色图像，
指图像增强处理后的彩色图像，β(x,y)的定义如下：
其中，ε＝0.01，主要是避免分母为0。
8.如权利要求1所述的基于图像识别技术的机房设备在线识别方法，其特征在于，在步骤S31中，使用线性滤波器将增强彩色图像分解为多个特征通道，并提取多个特征，所述特征至少包括图像颜色特征、图像亮度特征、图像方向特征。
9.如权利要求8所述的基于图像识别技术的机房设备在线识别方法，其特征在于，所述图像亮度特征根据三个颜色通道值计算得到，公式为
式中，I为图像亮度特征值；r为图像红颜色通道值，g为图像绿颜色通道值，b为图像蓝颜色通道值。
10.如权利要求9所述的基于图像识别技术的机房设备在线识别方法，其特征在于，四个宽调谐的颜色通道计算公式如下，
式中，R为宽调谐的红颜色通道值，G R为宽调谐的绿颜色通道值，B为宽调谐的蓝颜色通道值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911018019.8A CN110956086B (zh) | 2019-10-24 | 2019-10-24 | 一种基于图像识别技术的机房设备在线识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911018019.8A CN110956086B (zh) | 2019-10-24 | 2019-10-24 | 一种基于图像识别技术的机房设备在线识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110956086A CN110956086A (zh) | 2020-04-03 |
| CN110956086B true CN110956086B (zh) | 2022-12-09 |
Family
ID=69975690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911018019.8A Active CN110956086B (zh) | 2019-10-24 | 2019-10-24 | 一种基于图像识别技术的机房设备在线识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110956086B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361637A (zh) * | 2021-06-30 | 2021-09-07 | 杭州东方通信软件技术有限公司 | 基站机房的安全隐患识别方法及装置 |
| CN113537063B (zh) * | 2021-07-16 | 2022-09-13 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于综合遥感技术的森林环境遥感监测方法及终端 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108154147A (zh) * | 2018-01-15 | 2018-06-12 | 中国人民解放军陆军装甲兵学院 | 基于视觉注意模型的感兴趣区域检测方法 |
| CN108171748B (zh) * | 2018-01-23 | 2021-12-07 | 哈工大机器人（合肥）国际创新研究院 | 一种面向机器人智能抓取应用的视觉识别与定位方法 |
| CN110363878A (zh) * | 2019-07-31 | 2019-10-22 | 国网天津市电力公司 | 一种基于图像处理技术的机房巡检方法 |
-
2019
- 2019-10-24 CN CN201911018019.8A patent/CN110956086B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110956086A (zh) | 2020-04-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537154B (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
| CN107679495B (zh) | 一种输电线路周边活动工程车辆的检测方法 | |
| CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
| CN110427825A (zh) | 基于关键帧与快速支持向量机融合的视频火焰识别方法 | |
| CN111402224B (zh) | 一种用于电力设备的目标识别方法 | |
| CN110956086B (zh) | 一种基于图像识别技术的机房设备在线识别方法 | |
| CN115294117B (zh) | Led灯珠的缺陷检测方法及相关装置 | |
| CN109118548A (zh) | 一种综合智能水质识别方法 | |
| CN112367400B (zh) | 一种边云协同的电力物联网智能巡检方法及系统 | |
| CN108268832A (zh) | 电力作业监测方法、装置、存储介质和计算机设备 | |
| CN110057820B (zh) | 在线检测氯化氢合成炉氯氢配比的方法、系统及存储介质 | |
| CN113192038A (zh) | 基于深度学习的已有火焰环境中异常烟火识别监测方法 | |
| CN116388379A (zh) | 一种变电站远程红外智能巡检方法及系统 | |
| CN116524224A (zh) | 一种基于机器视觉的烤后烟叶类型检测方法及系统 | |
| Zhang et al. | A novel image detection method for internal cracks in corn seeds in an industrial inspection line | |
| CN117496436A (zh) | 一种基于深浅层特征融合的浮选过程工况识别方法 | |
| CN113052234A (zh) | 一种基于图像特征和深度学习技术的玉石分类方法 | |
| Niu et al. | Electrical equipment identification method with synthetic data using edge-oriented generative adversarial network | |
| CN114998792B (zh) | 一种具有ai网络摄像头的安全监控方法 | |
| CN115802027A (zh) | 基于图像处理的在线监控设备运行异常检测方法 | |
| CN114677667A (zh) | 一种基于深度学习的变电站电气设备红外故障识别方法 | |
| CN111402223B (zh) | 一种利用变电站视频图像的变电站缺陷问题检测方法 | |
| CN113947563A (zh) | 一种基于深度学习的电缆工艺质量动态缺陷检测方法 | |
| CN106980863A (zh) | 一种变电站视频监控中的设备异常诊断模型 | |
| CN112101232A (zh) | 一种基于多分类器的火焰检测方法 |
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 |