CN111105590A - 一种报警方法及装置 - Google Patents

一种报警方法及装置 Download PDF

Info

Publication number
CN111105590A
CN111105590A CN201911378646.2A CN201911378646A CN111105590A CN 111105590 A CN111105590 A CN 111105590A CN 201911378646 A CN201911378646 A CN 201911378646A CN 111105590 A CN111105590 A CN 111105590A
Authority
CN
China
Prior art keywords
information
data center
detection
image information
target point
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.)
Pending
Application number
CN201911378646.2A
Other languages
English (en)
Inventor
万亿兵
曾可
卢道和
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.)
WeBank Co Ltd
Original Assignee
WeBank Co 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 WeBank Co Ltd filed Critical WeBank Co Ltd
Priority to CN201911378646.2A priority Critical patent/CN111105590A/zh
Publication of CN111105590A publication Critical patent/CN111105590A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
    • G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种报警方法及装置，尤其涉及数据处理技术领域，方法包括：获取各数据中心设备的图像信息；根据所述图像信息，确定各数据中心设备的检测目标点以及检测目标点的状态信息；若确定任一检测目标点的状态信息为报警状态，则针对该检测目标点对应的数据中心设备进行报警处理。从数据中心设备的图像信息中确定各检测目标点的，所以能够完整的获取所有数据中心设备的检测目标点，并且在本申请实施例中，是通过图像信息确定了各检测目标点的状态，所以也能够全面完整的获取所有数据中心设备的状态，所以通过一次报警方法处理过程，就可以确定各数据中心设备存在的不同类型的故障，提高了检测效率以及报警的准确性。

Description

一种报警方法及装置
技术领域
本发明实施例涉及数据处理技术领域，尤其涉及一种报警方法及装置。
背景技术
数据中心是全球协作的特定设备网络，用来在互联网络基础设施上传递、加速、展示、计算、存储数据信息，它是一整套复杂的设施，它不仅仅包括计算机系统和其它与之配套的设备(例如通信和存储系统)，还包含冗余的数据通信连接、环境控制设备、监控设备以及各种安全装置，上述数据中心的相关设备都作为数据中心设备。
在目标的数据中心运行过程中，通常利用代理agent代理探测的方法来确定运行中的各数据中心设备中存在故障的数据中心设备，但是由于数据中心设备的故障类型多样，现有技术中的agent代理探测只能针对几个类型的数据中心设备的故障进行检测，所以现有技术中检测数据中心设备故障，并进行报警的方法检测准确率低，从而导致报警准确性差的问题。
发明内容
本申请实施例提供一种报警方法及装置，能够准确的确定数据中心设备的故障，并能够针对各种类型的数据中心故障进行报警处理。
一方面，本申请实施例提供一种报警方法，所述方法包括：
获取各数据中心设备的图像信息；
根据所述图像信息，确定各数据中心设备的检测目标点以及检测目标点的状态信息；
若确定任一检测目标点的状态信息为报警状态，则针对该检测目标点对应的数据中心设备进行报警处理。
可选的，所述根据所述图像信息，确定各数据中心设备的检测目标点以及检测目标点的状态信息，包括：
对所述图像信息进行下采样以及上采样处理，得到不同分辨率的图像信息特征，并根据不同分辨率的图像信息特征，得到所述图像信息的特征图；
根据所述图像信息的特征图进行卷积处理，得到所述图像信息的特征图对应的热点信息图；
根据各不同类型的状态信息在所述热点信息图中对应的热点信息，确定各数据中心设备的检测目标点以及检测目标点的状态信息。
可选的，所述根据各不同类型的状态信息在所述热点信息图中对应的热点信息，确定各数据中心设备的检测目标点以及检测目标点的状态信息，包括：
针对一种类型的状态信息对应的热点信息，将每个热点信息与该热点信息的8邻域的热点信息进行比较，若确定该热点信息的值大于其他任一个8邻域的热点信息的值，则确定该热点信息为备选热点信息；
根据设定多个备选热点信息确定多个检测目标点，每个检测目标点对应一个数据中心设备，并将该检测目标点的状态信息作为该数据中心设备检测目标点的状态信息。
可选的，所述对所述图像信息进行上采样以及下采样处理，得到所述图像信息的图像特征图，包括：
根据已训练的沙漏神经网络单元的第一处理单元，对所述图像信息进行多次下采样处理，得到各下采样图像信息；
根据已训练的沙漏神经网络单元的第二处理单元，对所述下采样图像信息进行多次上采样处理，得到各上采样图像信息，其中所述第一处理单元以及所述第二处理单元具有相同池化操作以及卷积操作的操作次数；
根据已训练的沙漏神经网络单元的第三处理单元将各下采样图像以及各上采样图像中尺寸相同的采样图像进行融合，得到所述图像信息的图像特征图，其中已训练的沙漏神经网络单元为已训练的检测模型中的一部分。
可选的，所述获取各数据中心设备的图像信息前，所述方法还包括：
获取训练样本以及待训练检测模型，所述待训练检测模型至少包括待训练沙漏神经网络单元，所述训练样本包括数据中心设备的训练图像信息，所述训练图像信息中包括各数据中心设备的真实目标点，以及各数据中心设备的真实目标点的真实检测框；
根据所述训练样本以及所述待训练沙漏神经网络单元确定训练样本中各数据中心设备的训练检测点以及各数据中心设备的训练检测点的训练检测框；
根据所述训练图像信息以及所述待训练沙漏神经网络单元确定所述训练图像信息的训练图像特征图，根据所述训练图像特征图确定训练检测目标点以及各训练检测目标点的训练检测框；根据各数据中心设备的真实目标点与训练检测点之间的位置信息差调整检测点损失函数，根据各数据中心设备的训练检测点的像素信息与所述检测点在所述训练图像信息中的像素信息之差调整检测点偏移损失函数，根据各数据中心设备的训练检测点的训练检测框与各数据中心设备的真实目标点的真实检测框之差调整检测框损失函数，经过多次迭代训练，直至所述检测点损失函数、所述检测点偏移损失函数以及所述检测框损失函数同时收敛。
可选的，所述检测目标点的状态信息为检测目标点的颜色信息，所述确定任一检测目标点的状态信息为报警状态，则针对该检测目标点对应的数据中心设备进行报警处理，包括：
若确定检测目标点的颜色信息与报警状态对应的颜色信息匹配，则根据所述检测目标点的坐标信息，确定所述检测目标点对应的数据中心设备以及所述数据中心设备的标识信息；
从所述各数据中心设备的图像信息中获得所述检测目标点确定对应的数据中心设备的图像信息；
根据所述数据中心设备的图像信息以及所述标识信息生成报警信息，将所述报警信息发送给报警处理目标对象。
一方面，本申请实施例提供一种报警装置，包括：
获取单元，用于获取各数据中心设备的图像信息；
检测目标点确定单元，用于根据所述图像信息，确定各数据中心设备的检测目标点以及检测目标点的状态信息；
报警单元，用于若确定任一检测目标点的状态信息为报警状态，则针对该检测目标点对应的数据中心设备进行报警处理。
可选的，所述检测目标点确定单元具体用于:
对所述图像信息进行下采样以及上采样处理，得到不同分辨率的图像信息特征，并根据不同分辨率的图像信息特征，得到所述图像信息的特征图；
根据所述图像信息的特征图进行卷积处理，得到所述图像信息的特征图对应的热点信息图；
根据各不同类型的状态信息在所述热点信息图中对应的热点信息，确定各数据中心设备的检测目标点以及检测目标点的状态信息。
可选的，所述检测目标点确定单元具体用于：
针对一种类型的状态信息对应的热点信息，将每个热点信息与该热点信息的8邻域的热点信息进行比较，若确定该热点信息的值大于其他任一个8邻域的热点信息的值，则确定该热点信息为备选热点信息；
根据设定多个备选热点信息确定多个检测目标点，每个检测目标点对应一个数据中心设备，并将该检测目标点的状态信息作为该数据中心设备检测目标点的状态信息。
可选的，所述检测目标点确定单元具体用于:
根据已训练的沙漏神经网络单元的第一处理单元，对所述图像信息进行多次下采样处理，得到各下采样图像信息；
根据已训练的沙漏神经网络单元的第二处理单元，对所述下采样图像信息进行多次上采样处理，得到各上采样图像信息，其中所述第一处理单元以及所述第二处理单元具有相同池化操作以及卷积操作的操作次数；
根据已训练的沙漏神经网络单元的第三处理单元将各下采样图像以及各上采样图像中尺寸相同的采样图像进行融合，得到所述图像信息的图像特征图，其中已训练的沙漏神经网络单元为已训练的检测模型中的一部分。
可选的，所述装置还包括：
训练单元，用于获取训练样本以及待训练检测模型，所述待训练检测模型至少包括待训练沙漏神经网络单元，所述训练样本包括数据中心设备的训练图像信息，所述训练图像信息中包括各数据中心设备的真实目标点，以及各数据中心设备的真实目标点的真实检测框；
根据所述训练样本以及所述待训练沙漏神经网络单元确定训练样本中各数据中心设备的训练检测点以及各数据中心设备的训练检测点的训练检测框；
根据所述训练图像信息以及所述待训练沙漏神经网络单元确定所述训练图像信息的训练图像特征图，根据所述训练图像特征图确定训练检测目标点以及各训练检测目标点的训练检测框；根据各数据中心设备的真实目标点与训练检测点之间的位置信息差调整检测点损失函数，根据各数据中心设备的训练检测点的像素信息与所述检测点在所述训练图像信息中的像素信息之差调整检测点偏移损失函数，根据各数据中心设备的训练检测点的训练检测框与各数据中心设备的真实目标点的真实检测框之差调整检测框损失函数，经过多次迭代训练，直至所述检测点损失函数、所述检测点偏移损失函数以及所述检测框损失函数同时收敛。可选的，所述检测目标点的状态信息为检测目标点的颜色信息，所述报警单元具体用于：
若确定检测目标点的颜色信息与报警状态对应的颜色信息匹配，则根据所述检测目标点的坐标信息，确定所述检测目标点对应的数据中心设备以及所述数据中心设备的标识信息；
从所述各数据中心设备的图像信息中获得所述检测目标点确定对应的数据中心设备的图像信息；
根据所述数据中心设备的图像信息以及所述标识信息生成报警信息，将所述报警信息发送给报警处理目标对象。
一方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行计算机程序时实现上述任一种报警方法的步骤。
一方面，本申请实施例提供了一种计算机可读存储介质，其存储有可由计算机设备执行的计算机程序，当所述程序在计算机设备上运行时，使得所述计算机设备执行上述任一种报警方法的步骤。
本申请实施例提供的报警方法，获取所有数据中心设备的图像信息，通过分析图像信息，能够确定各数据中心设备的检测目标点，该检测目标点的状态可以表征各数据中心设备的状态。若检测出检测目标点的状态为报警状态，则针对检测目标点对应的数据中心设备进行报警。
在本申请实施例中，由于是从数据中心设备的图像信息中确定各检测目标点的，所以能够完整的获取所有数据中心设备的检测目标点，并且在本申请实施例中，是通过图像信息确定了各检测目标点的状态，所以也能够全面完整的获取所有数据中心设备的状态，所以通过一次报警方法处理过程，就可以确定各数据中心设备存在的不同类型的故障，提高了检测效率以及报警的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为现有技术中提供的一种报警方法的架构示意图；
图2为本申请实施例提供的一种报警方法的流程示意图；
图3为本申请实施例提供的一种不同区域获取各数据中心设备的图像信息的示意图；
图4为本申请实施例提供的一种沙漏神经网络单元的结构示意图；
图5为本申请实施例提供的一种局部热点信息图的示意图；
图6为本申请实施例提供的一种多个备选热点信息的示意图；
图7为本申请实施例提供的一种训练方法的流程示意图；
图8为本申请实施例提供的一种报警方法的流程示意图；
图9为本申请实施例提供的一种训练方法的流程示意图；
图10为本申请实施例提供的一种报警装置的结构示意图；
图11为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在具体实践过程中，本申请的发明人发现，在数据中心运行期间，数据中心设备可能存在故障，且故障类型较多，若使用现有技术中的故障检测以及报警方法，会造成漏检的问题。
基于上述现有技术的缺点，本申请的发明人构思了一种报警方法，通过各数据中心的图像信息，确定针对各数据中心设备的检测目标点以及检测目标点的状态，从而能够确定各数据中心设备中是否存在报警状态的设备。
下面对本申请实施例的技术方案的架构做一些简单介绍，需要说明的是，以下介绍的架构仅用于说明本申请实施例而非限定。在具体实施时，可以根据实际需要灵活地应用本申请实施例提供的技术方案。
为进一步说明本申请实施例提供的技术方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。
参考图1，其为本申请实施例提供的报警方法的架构图。该架构至少包括多个图像信息采集设备101、图像信息处理设备102以及报警设备103。
在本申请实施例中，图像信息采集设备101为具有图像采集能力的设备，可以为摄像设备或者照相设备等。图像信息采集设备101将采集到的图像信息通过有线网络或者无线网络发送给图像信息处理设备102。
图像信息处理设备102为具有图像信息处理能力的设备，可以是但不限于桌面计算机、移动电话、移动电脑、平板电脑等电子设备，可以包括服务器，服务器可以是服务器集群，也可以是单个服务器。同时，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
图像信息处理设备102根据获取的各数据中心设备的图像信息，确定各数据中心设备的检测目标点以及检测目标点的状态信息，若确定存在检测目标点的状态信息为报警状态，则向报警设备103发送报警信息。
在本申请实施例中，图像信息处理设备102与报警设备103之间可以通过有线网络或者无线网络连接。
在本申请实施例中，报警设备103可以为具有警报作用的电子设备，例如信号灯、或者扬声器等等，通过灯光信号或者声音信号进行报警。
同样的，在本申请实施例中，还可以包括报警处理对象104，报警处理对象104为各报警处理用户对应的电子设备，可以是但不限于桌面计算机、移动电话、移动电脑、平板电脑等电子设备等。
报警设备103还可以通过控制报警处理对象104的报警状态触发报警，例如触发报警处理对象104的报警信息提示功能，或者触发报警处理对象104的声音报警功能等。
当然，本申请实施例提供的架构并不限用于图1所示的结构，本申请实施例并不进行限制。为进一步说明本申请实施例提供的技术方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。
下面结合图1所示的系统架构，对本申请实施例提供的技术方案进行说明。
本申请实施例提供了一种报警方法，如图2所示，包括：
步骤S201，获取各数据中心设备的图像信息。
具体的，在本申请实施例中，各数据中心设备是存放在机房的机架上的，通过摄像装置拍摄机架图像，则获取了各数据中心设备的图像信息。
一种可选的实施例中，由于数据中心设备的数量较多，所以可以通过采集多张图像信息，确定各数据中心的图像信息，例如图3所示，在机房的机架中布设了各数据中心设备，通过采集第一区域的数据中心设备的图像信息、第二区域的数据中心设备的图像信息、第三区域的数据中心设备的图像信息以及第四数据中心设备的图像信息来获得机架上所有数据中心设备的图像信息。
在本申请实施例中，由于数据中心设备有些较小，所以可以使用高分辨率摄像装置来获取高分辨率的图像信息。并记录摄像区域的区域编号、摄像装置的摄像参数等，用于进行图像预处理。
示例性的，为了能够将数据中心设备的各个部分都能够进行有效识别，也就是说，需要保证各个部分都具有有效的像素范围，在针对数据中心设备的部分区域时，用500万像素镜头,在5倍或更高光学倍数下获得图像,部分区域像素可以达到24x24以上像素点。
同样的，由于记录了摄像区域的区域编号，则可以以获得的图像信息的像平面坐标为基准，确定各个数据中心设备在图像信息中的坐标位置。
步骤S202，根据所述图像信息，确定各数据中心设备的检测目标点以及检测目标点的状态信息。
具体的，在本申请实施例中，获取图像信息后，对图像信息进行解析，根据解析的图像信息来确定检测目标点以及检测目标点的状态信息。
检测目标点指的是能够表征数据中心设备的目标点，该目标点的状态则是数据中心设备的状态，通过检测该目标点的状态，则可以确定数据中心设备的状态。一种可选的实施例中，检测目标点是各数据中心设备中的指示灯。
在本申请实施例中，不同状态信息可以理解为图像信息中具有的不同类别，例如运行良好的数据中心设备以及出现各种故障的数据中心设备。每种故障可以对应一种类别。
一种可选的实施例中，通过关键点检测技术对图像信息进行解析，例如可以利用自上而下的方式，首先确定图像信息中的数据中心设备，然后再确定数据中心设备的检测目标点以及检测目标点的状态。
另一种可选的实施例中，首先对图像信息进行下采样以及上采样处理，下采样指的是对于一幅图像I，图像I的尺寸为M*N，对其进行s倍下采样，即得到(M/s)*(N/s)尺寸的分辨率图像，当然s应该是M和N的公约数才行，如果考虑的是矩阵形式的图像，就是把原始图像s*s窗口内的图像变成一个像素，这个像素点的值就是窗口内所有像素的均值。
上采样指的是在原有图像像素的基础上在像素点之间采用合适的插值算法插入新的元素。
所以可以通过下采样处理将图像信息进行降低分辨率处理，上采样则进行相反的增大分辨率的处理，通过上采样以及下采样的处理过程，可以确定出不同分辨率下图像信息具有的图像信息特征。
在本申请实施例中，在确定了不同分辨率的图像信息特征后，确定图像信息的特征图。
一种可选的实施例中，在本申请实施例中，是利用已训练的沙漏神经网络单元进行处理的，具体的，可以根据已训练的沙漏神经网络单元的第一处理单元，对所述图像信息进行多次下采样处理，得到各下采样图像信息；根据已训练的沙漏神经网络单元的第二处理单元，对下采样图像信息进行多次上采样处理，得到各上采样图像信息，其中第一处理单元以及所述第二处理单元具有相同池化操作以及卷积操作的操作次数。
为了更好的理解沙漏神经网络单元的处理流程，如图4所示，沙漏神经网络单元为对称结构，具有对称的第一处理单元以及对称的第二处理单元，第一处理单元首先通过若干个池化层和卷积层执行下采样，第二处理单元通过反卷积进行上采样处理。也就是说，在本申请实施例中，通过第一处理单元实现了下采样操作，通过第二处理单元实现了上采样操作。
通过已训练的沙漏神经网络单元的第三处理单元将各下采样图像以及各上采样图像中尺寸相同的采样图像进行融合，如图4所示，每个“+”号表示的都是相同尺寸的采样图像的融合过程。
具体的，沙漏神经网络单元具有对称性，首先是自底向上过程进行若干次卷积和最大值池化操作得到最小尺寸的特征图。在每次最大值池化操作后网络产生一个包含若干卷积的分支，用于下一阶段的特征图融合。该分支的输入是最大值池化操作之前的特征图。得到最小尺寸图后，沙漏神经网络单元开始进行第二阶段的自顶向下过程，即上采样和特征融合过程。上采样使用反卷积操作，将上采样后的特征图与网络分支上同尺寸的特征图进行元素级的相加，得到融合的特征图。融合的特征图就是图像信息的图像特征图。
在本申请实施例中，根据图像信息的特征图进行卷积处理，得到图像特征图对应的热点信息图。具体的，将获取到的图像信息进行下采样、上采样以及不同分辨率的图像信息特征的融合处理后，会得到一个具有全部特征的图像信息的特征图，通过确定图像信息特征图中的各个特征，可以确定图像信息特征图中检测目标点。
在本申请实施例中，通过对特征图像进行卷积处理，则可以得到图像特征图对应的热点信息图。具体的，通过对特征图像进行1x1卷积得到图像特征图对应的热点信息图。
热点信息图指的是各个图像信息的特征图中某个特征点是检测目标点的一个概率分布图，也就是指的是特征图中某个特征点是检测目标点的置信度，越接近于1，可以认为某个特征点是检测目标点的可能性越大，越接近于0，某个特征点是检测目标点的置信度越低。
所以在本申请实施例中，热点信息图中分布着0～1的各个数据，通过热点信息图就可以确定数据中心设备的检测目标点。
并且，在本申请实施例中，由于获取的图像信息中就包括了各种状态的数据中心设备，所以图像信息的特征图也具有不同种类的特征，每个种类的特征对应一种数据中心设备的状态信息。
所以针对不同的状态信息，确定不同状态信息对应的热点信息，然后再跟进不同状态信息对应的热点信息确定数据中心设备的检测目标点以及检测目标点的状态信息。
具体的，在本申请实施例中，如图5所示，在图5中，表示的是热点信息图中的不同热点信息，通过确定各备选热点信息的方法，确定各热点信息中的检测目标点。
在本申请实施例中，确定每个热点信息与该热点信息的8邻域的热点信息值，并将最大值作为备选热点信息。如图5所示，选定的热点信息为0.98，与该热点信息8邻域的热点信息值为0.97,0.96,0.95,0.95,0.97,0.94,0.95,0.94。则确定热点信息值为0.98的热点信息为备选热点信息。
同理，可以确定出热点信息图中所有的备选热点信息，一种可选的实施例中，针对一种类型的状态信息对应的热点信息，存在多个备选热点信息，可以认为多个备选热点信息为多个检测目标点，每个检测目标点对应一个数据中心设备，例如图6所示，在图6中，备选热点信息1、备选热点信息2以及备选热点信息3为同一种状态信息类别的备选热点，同样的状态信息类别用同样的填充表示，则可以认为备选热点信息1、备选热点信息2以及备选热点信息3都是该种状态信息类别下的检测目标点，每个检测目标点都对应一个数据中心设备，则三个数据中心设备都具有该类别的状态信息。
一种可选的实时例中，由于在获取各数据中心设备的图像信息时已经建立了像平面坐标系，所以能够确定检测目标点的像平面坐标位置，从而能够确定数据中心设备的像平面坐标位置。
在本申请实施例中，已训练的沙漏神经网络单元是已训练的检测模型中的一部分，则在本申请实施例中，还包括训练检测模型的过程。
具体的，在本申请实施例中，获取训练样本以及待训练检测模型，待训练检测模型至少包括待训练沙漏神经网络单元，训练样本包括数据中心设备的训练图像信息，训练图像信息中包括各数据中心设备的真实目标点，以及各数据中心设备的真实目标点的真实检测框。
示例性的，若数据中心设备的真实目标点为指示灯，则用标注工具标注训练图像内的各个指示灯以及各个指示灯的类别,标注时用矩形框框出图像中每个亮着的指示灯,标明红灯、绿灯等标签。如果设备故障用更多的颜色指示，可以标注出更多类别，例如橙灯等。
在本申请实施例中，训练样本包括数据中心设备的训练图像信息，也就是对数据中心设备的训练图像信息，训练图像信息中标注了数据中心设备的真实目标点，还确定了真实目标点的检测框。
由于在训练过程中，训练检测目标点可能和真实检测目标点之间存在较大的差异，所以利用真实目标点的检测框以及训练检测目标点的检测框之间的差异，更好的调整模型的训练参数。
进一步的，在本申请实施例中，由于在训练过程中，通过训练图像确定的训练检测目标点与各数据中心设备的真实目标点之间的位置信息存在偏差，所以需要考虑检测点损失函数。
例如，在本申请实施例中，训练检测目标点的像平面位置信息为
Figure BDA0002341688070000131
而该检测目标点对应的像平面位置为(x，y)，所以会产生检测点损失，利用检测点损失函数来表征在训练过程中产生的检测点损失。
另一种可选的实施例中，根据布设了多个数据中心设备机架作为坐标参考，建立坐标系，确定训练检测目标点对应的坐标位置信息
Figure BDA0002341688070000141
并确定了真实目标点的坐标位置信息为(X,Y)，两个坐标位置信息之差表示的是检测点损失，同样利用检测点损失函数来表征在训练过程中产生的检测点损失。
进一步的，由于下采样的处理，热点信息图相比输入各数据中心设备图像信息分辨率低。所以可能存在热点信息图中的检测目标点与各数据中心的真实目标点的位置信息之间存在偏移，所以还需要在训练过程中考虑偏移损失。
也就是说，各数据中心设备的训练检测点的像素信息与所述检测点在所述训练图像信息中的像素信息之间会存在偏移，所说利用偏移损失函数来表征在训练过程中产生的偏移损失。
也就是说，在本申请实施例中，根据训练图像信息以及待训练沙漏神经网络单元确定训练图像信息的训练图像特征图，根据训练图像特征图确定训练检测目标点以及各训练检测目标点的训练检测框；根据各数据中心设备的真实目标点与训练检测点之间的位置信息差调整检测点损失函数，根据各数据中心设备的训练检测点的像素信息与检测点在训练图像信息中的像素信息之差调整检测点偏移损失函数，根据各数据中心设备的训练检测点的训练检测框与各数据中心设备的真实目标点的真实检测框之差调整检测框损失函数，经过多次迭代训练，直至检测点损失函数、检测点偏移损失函数以及检测框损失函数同时收敛。
也就是说，通过一次训练过程，调整三个损失函数，并在三个损失函数同时达到收敛时，结束训练。
示例性的，三个损失函数可以是通过相加的方式组合为一个损失函数，例如公式1所示：
Ldet＝Lk+λoffLoff+λsizeLsize 公式1
其中，Ldet表示总的损失函数，Lk表示检测点损失函数，Loff表示的是偏移损失函数，Lsize表示的是检测框损失函数。λoff表示的是偏移损失函数的权重，λsize表示的是检测框损失函数的权重。
具体过程如图7所示，包括：
步骤S701，将训练样本输入至待训练的检测模型中；
步骤S702，通过检测模型的检测过程，确定了检测点损失函数、偏移损失函数以及检测框损失函数；
步骤S703，确定总的损失函数；
步骤S704，确定总的损失函数是否收敛，若收敛，则执行步骤S705，否则执行步骤S701；
步骤S705，训练结束。
步骤S203，若确定任一检测目标点的状态信息为报警状态，则针对该检测目标点对应的数据中心设备进行报警处理。
具体的，在本申请实施例中，若确定出的检测目标点的状态信息为报警状态，则说明该检测目标点对应的数据中心设备需要进行报警处理。
本申请实施例提供多种报警处理方法，一种可选的实施例中，可以通过报警铃声或者报警信息进行报警。
具体的，在本申请实施例中，报警处理目标对象一般指的是数据中心设备的管理员，所以可以将具有存在故障的数据中心设备信息也同时发送给报警处理目标对象，便于及时处理故障。
所以在本申请实施例中，若确定检测目标点的颜色信息与报警状态对应的颜色信息匹配，则根据检测目标点的坐标信息，确定检测目标点对应的数据中心设备以及数据中心设备的标识信息；从各数据中心设备的图像信息中获得检测目标点确定对应的数据中心设备的图像信息；根据数据中心设备的图像信息以及标识信息生成报警信息，将报警信息发送给报警处理目标对象。
也就是说，报警处理目标对象在接收到报警信息时，既可以触发响铃，提示报警处理目标对象查看，也可以在查看过程中看到存在故障的数据中心设备的图像信息以及数据中心设备的标识信息等，便于快速进行故障处理。
为了更好的解释本申请实施例，下面结合一种具体的实施场景描述本申请实施例提供的报警方法，具体如图8所示，在本申请实施例中，需要检测的是存在故障的数据中心设备，且存在故障的数据中心设备的指示灯为红色。
获取数据中心设备的全局图像，根据全局图像以及已训练的检测模型，确定了各检测目标点，选择红色状态的检测目标点，确定红色状态的检测目标点对应的数据中心设备，将数据中心设备信息以及数据中心设备的区域图像作为报警信息发送给数据中心管理员，并在报警信息发送到达时，触发数据中心管理员的终端报警。
数据中心管理员在听到终端报警后，打开报警信息后，会显示故障的数据中心设备以及数据中心设备的标识信息等。
本申请实施例中使用的已训练的检测模型的训练过程可以如图9所示，根据训练样本以及沙漏神经网络确定训练特征图，对于训练特征图，分支一对训练特征图使用两个卷积层得到热点信息图，经过最大池化卷积后预测类别置信度和检测目标点，确定检测点损失函数的损失值；分支二对特征图使用两个卷积层得到2通道特征，预测检测目标点偏移值，确定偏移损失函数的损失值；分支三对特征图使用两个卷积层得到2通道特征，用来预测检测框尺寸大小，根据检测框尺寸的损失函数计算检测框损失函数的损失值；通过反向传播更新神经网络权重和偏置参数，迭代训练，直至总的损失函数达到收敛状态。
基于相同的技术构思，本申请实施例提供了一种报警装置100，如图10所示，包括：
获取单元1001，用于获取各数据中心设备的图像信息；
检测目标点确定单元1002，用于根据所述图像信息，确定各数据中心设备的检测目标点以及检测目标点的状态信息；
报警单元1003，用于若确定任一检测目标点的状态信息为报警状态，则针对该检测目标点对应的数据中心设备进行报警处理。
可选的，所述检测目标点确定单元1002具体用于:
对所述图像信息进行下采样以及上采样处理，得到不同分辨率的图像信息特征，并根据不同分辨率的图像信息特征，得到所述图像信息的特征图；
根据所述图像信息的特征图进行卷积处理，得到所述图像信息的特征图对应的热点信息图；
根据各不同类型的状态信息在所述热点信息图中对应的热点信息，确定各数据中心设备的检测目标点以及检测目标点的状态信息。
可选的，所述检测目标点确定单元1002具体用于：
针对一种类型的状态信息对应的热点信息，将每个热点信息与该热点信息的8邻域的热点信息进行比较，若确定该热点信息的值大于其他任一个8邻域的热点信息的值，则确定该热点信息为备选热点信息；
根据设定多个备选热点信息确定多个检测目标点，每个检测目标点对应一个数据中心设备，并将该检测目标点的状态信息作为该数据中心设备检测目标点的状态信息。
可选的，所述检测目标点确定单元1002具体用于:
根据已训练的沙漏神经网络单元的第一处理单元，对所述图像信息进行多次下采样处理，得到各下采样图像信息；
根据已训练的沙漏神经网络单元的第二处理单元，对所述下采样图像信息进行多次上采样处理，得到各上采样图像信息，其中所述第一处理单元以及所述第二处理单元具有相同池化操作以及卷积操作的操作次数；
根据已训练的沙漏神经网络单元的第三处理单元将各下采样图像以及各上采样图像中尺寸相同的采样图像进行融合，得到所述图像信息的图像特征图，其中已训练的沙漏神经网络单元为已训练的检测模型中的一部分。
可选的，所述装置还包括：
训练单元1004，用于获取训练样本以及待训练检测模型，所述待训练检测模型至少包括待训练沙漏神经网络单元，所述训练样本包括数据中心设备的训练图像信息，所述训练图像信息中包括各数据中心设备的真实目标点，以及各数据中心设备的真实目标点的真实检测框；
根据所述训练样本以及所述待训练沙漏神经网络单元确定训练样本中各数据中心设备的训练检测点以及各数据中心设备的训练检测点的训练检测框；
根据所述训练图像信息以及所述待训练沙漏神经网络单元确定所述训练图像信息的训练图像特征图，根据所述训练图像特征图确定训练检测目标点以及各训练检测目标点的训练检测框；根据各数据中心设备的真实目标点与训练检测点之间的位置信息差调整检测点损失函数，根据各数据中心设备的训练检测点的像素信息与所述检测点在所述训练图像信息中的像素信息之差调整检测点偏移损失函数，根据各数据中心设备的训练检测点的训练检测框与各数据中心设备的真实目标点的真实检测框之差调整检测框损失函数，经过多次迭代训练，直至所述检测点损失函数、所述检测点偏移损失函数以及所述检测框损失函数同时收敛。
可选的，所述检测目标点的状态信息为检测目标点的颜色信息，所述报警单元1003具体用于：
若确定检测目标点的颜色信息与报警状态对应的颜色信息匹配，则根据所述检测目标点的坐标信息，确定所述检测目标点对应的数据中心设备以及所述数据中心设备的标识信息；
从所述各数据中心设备的图像信息中获得所述检测目标点确定对应的数据中心设备的图像信息；
根据所述数据中心设备的图像信息以及所述标识信息生成报警信息，将所述报警信息发送给报警处理目标对象。
基于相同的技术构思，本申请实施例提供了一种计算机设备，如图11所示，包括至少一个处理器1101，以及与至少一个处理器连接的存储器1102，本申请实施例中不限定处理器1101与存储器1102之间的具体连接介质，图11中处理器1101和存储器1102之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本申请实施例中，存储器1102存储有可被至少一个处理器1101执行的指令，至少一个处理器1101通过执行存储器1102存储的指令，可以执行前述的报警方法中所包括的步骤。
其中，处理器1101是计算机设备的控制中心，可以利用各种接口和线路连接终端设备的各个部分，通过运行或执行存储在存储器1102内的指令以及调用存储在存储器1102内的数据，从而获得客户端地址。可选的，处理器1101可包括一个或多个处理单元，处理器1101可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1101中。在一些实施例中，处理器1101和存储器1102可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
处理器1101可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器1102作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器1102可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器1102是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器1102还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
基于相同的技术构思，本申请实施例提供了一种计算机可读存储介质，其存储有可由计算机设备执行的计算机程序，当所述程序在计算机设备上运行时，使得所述计算机设备执行报警方法的步骤。
上述计算机可读存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (14)

1.一种报警方法，其特征在于，所述方法包括：
获取各数据中心设备的图像信息；
根据所述图像信息，确定各数据中心设备的检测目标点以及检测目标点的状态信息；
若确定任一检测目标点的状态信息为报警状态，则针对该检测目标点对应的数据中心设备进行报警处理。
2.根据权利要求1所述的方法，其特征在于，所述根据所述图像信息，确定各数据中心设备的检测目标点以及检测目标点的状态信息，包括：
对所述图像信息进行下采样以及上采样处理，得到不同分辨率的图像信息特征，并根据不同分辨率的图像信息特征，得到所述图像信息的特征图；
根据所述图像信息的特征图进行卷积处理，得到所述图像信息的特征图对应的热点信息图；
根据各不同类型的状态信息在所述热点信息图中对应的热点信息，确定各数据中心设备的检测目标点以及检测目标点的状态信息。
3.根据权利要求2所述的方法，其特征在于，所述根据各不同类型的状态信息在所述热点信息图中对应的热点信息，确定各数据中心设备的检测目标点以及检测目标点的状态信息，包括：
针对一种类型的状态信息对应的热点信息，将每个热点信息与该热点信息的8邻域的热点信息进行比较，若确定该热点信息的值大于其他任一个8邻域的热点信息的值，则确定该热点信息为备选热点信息；
根据设定多个备选热点信息确定多个检测目标点，每个检测目标点对应一个数据中心设备，并将该检测目标点的状态信息作为该数据中心设备检测目标点的状态信息。
4.根据权利要求2所述的方法，其特征在于，所述对所述图像信息进行上采样以及下采样处理，得到所述图像信息的图像特征图，包括：
根据已训练的沙漏神经网络单元的第一处理单元，对所述图像信息进行多次下采样处理，得到各下采样图像信息；
根据已训练的沙漏神经网络单元的第二处理单元，对所述下采样图像信息进行多次上采样处理，得到各上采样图像信息，其中所述第一处理单元以及所述第二处理单元具有相同池化操作以及卷积操作的操作次数；
根据已训练的沙漏神经网络单元的第三处理单元将各下采样图像以及各上采样图像中尺寸相同的采样图像进行融合，得到所述图像信息的图像特征图，其中已训练的沙漏神经网络单元为已训练的检测模型中的一部分。
5.根据权利要求4所述的方法，其特征在于，所述获取各数据中心设备的图像信息前，所述方法还包括：
获取训练样本以及待训练检测模型，所述待训练检测模型至少包括待训练沙漏神经网络单元，所述训练样本包括数据中心设备的训练图像信息，所述训练图像信息中包括各数据中心设备的真实目标点，以及各数据中心设备的真实目标点的真实检测框；
根据所述训练图像信息以及所述待训练沙漏神经网络单元确定所述训练图像信息的训练图像特征图，根据所述训练图像特征图确定训练检测目标点以及各训练检测目标点的训练检测框；根据各数据中心设备的真实目标点与训练检测点之间的位置信息差调整检测点损失函数，根据各数据中心设备的训练检测点的像素信息与所述检测点在所述训练图像信息中的像素信息之差调整检测点偏移损失函数，根据各数据中心设备的训练检测点的训练检测框与各数据中心设备的真实目标点的真实检测框之差调整检测框损失函数，经过多次迭代训练，直至所述检测点损失函数、所述检测点偏移损失函数以及所述检测框损失函数同时收敛。
6.根据权利要求1所述的方法，其特征在于，所述检测目标点的状态信息为检测目标点的颜色信息，所述确定任一检测目标点的状态信息为报警状态，则针对该检测目标点对应的数据中心设备进行报警处理，包括：
若确定检测目标点的颜色信息与报警状态对应的颜色信息匹配，则根据所述检测目标点的坐标信息，确定所述检测目标点对应的数据中心设备以及所述数据中心设备的标识信息；
从所述各数据中心设备的图像信息中获得所述检测目标点确定对应的数据中心设备的图像信息；
根据所述数据中心设备的图像信息以及所述标识信息生成报警信息，将所述报警信息发送给报警处理目标对象。
7.一种报警装置，其特征在于，包括：
获取单元，用于获取各数据中心设备的图像信息；
检测目标点确定单元，用于根据所述图像信息，确定各数据中心设备的检测目标点以及检测目标点的状态信息；
报警单元，用于若确定任一检测目标点的状态信息为报警状态，则针对该检测目标点对应的数据中心设备进行报警处理。
8.根据权利要求7所述的装置，其特征在于，所述检测目标点确定单元具体用于:
对所述图像信息进行下采样以及上采样处理，得到不同分辨率的图像信息特征，并根据不同分辨率的图像信息特征，得到所述图像信息的特征图；
根据所述图像信息的特征图进行卷积处理，得到所述图像信息的特征图对应的热点信息图；
根据各不同类型的状态信息在所述热点信息图中对应的热点信息，确定各数据中心设备的检测目标点以及检测目标点的状态信息。
9.根据权利要求8所述的装置，其特征在于，所述检测目标点确定单元具体用于:
针对一种类型的状态信息对应的热点信息，将每个热点信息与该热点信息的8邻域的热点信息进行比较，若确定该热点信息的值大于其他任一个8邻域的热点信息的值，则确定该热点信息为备选热点信息；
根据设定多个备选热点信息确定多个检测目标点，每个检测目标点对应一个数据中心设备，并将该检测目标点的状态信息作为该数据中心设备检测目标点的状态信息。
10.根据权利要求8所述的装置，其特征在于，所述检测目标点确定单元具体用于:
根据已训练的沙漏神经网络单元的第一处理单元，对所述图像信息进行多次下采样处理，得到各下采样图像信息；
根据已训练的沙漏神经网络单元的第二处理单元，对所述下采样图像信息进行多次上采样处理，得到各上采样图像信息，其中所述第一处理单元以及所述第二处理单元具有相同池化操作以及卷积操作的操作次数；
根据已训练的沙漏神经网络单元的第三处理单元将各下采样图像以及各上采样图像中尺寸相同的采样图像进行融合，得到所述图像信息的图像特征图，其中已训练的沙漏神经网络单元为已训练的检测模型中的一部分。
11.根据权利要求10所述的装置，其特征在于，所述装置还包括：
训练单元，用于获取训练样本以及待训练检测模型，所述待训练检测模型至少包括待训练沙漏神经网络单元，所述训练样本包括数据中心设备的训练图像信息，所述训练图像信息中包括各数据中心设备的真实目标点，以及各数据中心设备的真实目标点的真实检测框；
根据所述训练样本以及所述待训练沙漏神经网络单元确定训练样本中各数据中心设备的训练检测点以及各数据中心设备的训练检测点的训练检测框；
根据所述训练图像信息以及所述待训练沙漏神经网络单元确定所述训练图像信息的训练图像特征图，根据所述训练图像特征图确定训练检测目标点以及各训练检测目标点的训练检测框；根据各数据中心设备的真实目标点与训练检测点之间的位置信息差调整检测点损失函数，根据各数据中心设备的训练检测点的像素信息与所述检测点在所述训练图像信息中的像素信息之差调整检测点偏移损失函数，根据各数据中心设备的训练检测点的训练检测框与各数据中心设备的真实目标点的真实检测框之差调整检测框损失函数，经过多次迭代训练，直至所述检测点损失函数、所述检测点偏移损失函数以及所述检测框损失函数同时收敛。
12.根据权利要求7所述的装置，其特征在于，所述检测目标点的状态信息为检测目标点的颜色信息，所述报警单元具体用于：
若确定检测目标点的颜色信息与报警状态对应的颜色信息匹配，则根据所述检测目标点的坐标信息，确定所述检测目标点对应的数据中心设备以及所述数据中心设备的标识信息；
从所述各数据中心设备的图像信息中获得所述检测目标点确定对应的数据中心设备的图像信息；
根据所述数据中心设备的图像信息以及所述标识信息生成报警信息，将所述报警信息发送给报警处理目标对象。
13.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1～6任一权利要求所述方法的步骤。
14.一种计算机可读存储介质，其特征在于，其存储有可由计算机设备执行的计算机程序，当所述程序在计算机设备上运行时，使得所述计算机设备执行权利要求1～6任一权利要求所述方法的步骤。
CN201911378646.2A 2019-12-27 2019-12-27 一种报警方法及装置 Pending CN111105590A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911378646.2A CN111105590A (zh) 2019-12-27 2019-12-27 一种报警方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911378646.2A CN111105590A (zh) 2019-12-27 2019-12-27 一种报警方法及装置

Publications (1)

Publication Number Publication Date
CN111105590A true CN111105590A (zh) 2020-05-05

Family

ID=70425017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911378646.2A Pending CN111105590A (zh) 2019-12-27 2019-12-27 一种报警方法及装置

Country Status (1)

Country Link
CN (1) CN111105590A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626597A (zh) * 2020-05-22 2020-09-04 广东电网有限责任公司 一种设备报警方法、装置、设备和介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100194562A1 (en) * 2009-01-30 2010-08-05 Jong-Moon Lee Failure recognition system
CN108520568A (zh) * 2018-04-03 2018-09-11 武汉木科技有限公司 一种设备指示灯定位识别方法及装置
CN109412833A (zh) * 2018-09-11 2019-03-01 深圳数位科技有限公司 一种共享设备的管理系统及方法
CN109685066A (zh) * 2018-12-24 2019-04-26 中国矿业大学(北京) 一种基于深度卷积神经网络的矿井目标检测与识别方法
CN109740463A (zh) * 2018-12-21 2019-05-10 沈阳建筑大学 一种车载环境下的目标检测方法
CN109766887A (zh) * 2019-01-16 2019-05-17 中国科学院光电技术研究所 一种基于级联沙漏神经网络的多目标检测方法
CN109977845A (zh) * 2019-03-21 2019-07-05 百度在线网络技术（北京）有限公司 一种可行驶区域检测方法及车载终端
CN110532410A (zh) * 2019-08-30 2019-12-03 上海商汤临港智能科技有限公司 相机定位及神经网络的训练方法和装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100194562A1 (en) * 2009-01-30 2010-08-05 Jong-Moon Lee Failure recognition system
CN108520568A (zh) * 2018-04-03 2018-09-11 武汉木科技有限公司 一种设备指示灯定位识别方法及装置
CN109412833A (zh) * 2018-09-11 2019-03-01 深圳数位科技有限公司 一种共享设备的管理系统及方法
CN109740463A (zh) * 2018-12-21 2019-05-10 沈阳建筑大学 一种车载环境下的目标检测方法
CN109685066A (zh) * 2018-12-24 2019-04-26 中国矿业大学(北京) 一种基于深度卷积神经网络的矿井目标检测与识别方法
CN109766887A (zh) * 2019-01-16 2019-05-17 中国科学院光电技术研究所 一种基于级联沙漏神经网络的多目标检测方法
CN109977845A (zh) * 2019-03-21 2019-07-05 百度在线网络技术（北京）有限公司 一种可行驶区域检测方法及车载终端
CN110532410A (zh) * 2019-08-30 2019-12-03 上海商汤临港智能科技有限公司 相机定位及神经网络的训练方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李媛媛: "基于深度学习的图像分类及目标定位", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 10 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626597A (zh) * 2020-05-22 2020-09-04 广东电网有限责任公司 一种设备报警方法、装置、设备和介质

Similar Documents

Publication Publication Date Title
JP6425856B1 (ja) ビデオ録画方法、サーバー、システム及び記憶媒体
US11392792B2 (en) Method and apparatus for generating vehicle damage information
CN110853033B (zh) 基于帧间相似度的视频检测方法和装置
CN111666922A (zh) 视频匹配方法、装置、计算机设备和存储介质
CN113447923A (zh) 目标检测方法、装置、系统、电子设备及存储介质
CN111523439B (zh) 一种基于深度学习的目标检测的方法、系统、设备及介质
CN112132216B (zh) 车型识别方法、装置、电子设备及存储介质
CN113496208B (zh) 视频的场景分类方法及装置、存储介质、终端
CN113255685B (zh) 一种图像处理方法、装置、计算机设备以及存储介质
CN112233428B (zh) 车流量预测方法、装置、存储介质及设备
US10599946B2 (en) System and method for detecting change using ontology based saliency
CN110942456B (zh) 篡改图像检测方法、装置、设备及存储介质
CN113160272B (zh) 目标跟踪方法、装置、电子设备及存储介质
CN113012215A (zh) 一种空间定位的方法、系统及设备
CN111105590A (zh) 一种报警方法及装置
CN109858319A (zh) 图像处理设备及控制方法和非暂时性计算机可读存储介质
CN113505643A (zh) 违章目标物检测方法及相关装置
CN113704276A (zh) 地图更新方法、装置、电子设备及计算机可读存储介质
CN112287905A (zh) 车辆损伤识别方法、装置、设备及存储介质
CN112149698A (zh) 一种困难样本数据的筛选方法及装置
CN111126187A (zh) 火情检测方法、系统、电子设备及存储介质
CN116310899A (zh) 基于YOLOv5改进的目标检测方法及装置、训练方法
CN109657523B (zh) 一种可行驶区域检测方法和装置
CN111931830B (zh) 视频融合处理方法、装置、电子设备及存储介质
CN117197756B (zh) 隐患区域入侵检测方法、装置、设备和存储介质

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